radian
PulseAugur coverage of radian — every cluster mentioning radian across labs, papers, and developer communities, ranked by signal.
-
新的RAD方法通过状态检索改进离线强化学习
研究人员推出了一种名为检索高质量示范（RAD）的新方法，以增强离线强化学习中的决策能力。RAD通过引入一个检索机制来识别高回报和可达状态，从而解决了静态数据集的局限性。然后，一个生成模型根据这些目标创建子轨迹，从而提高策略的泛化能力和在各种基准测试中的性能。
-
新的 RAD 方法在不进行文本分析的情况下控制 MoE 语言模型的推理
研究人员开发了一种名为 RAD（路由一致性解码）的新方法，用于控制稀疏专家混合（MoE）语言模型的推理。该技术利用 MoE 模型的内部路由状态来指导模型的响应，而不是依赖输出文本。RAD 在各种数据集（包括数学和代码生成任务）上的表现与传统方法相当，并为无法进行精确字符串匹配的任务提供了一种替代方法。
-
Google 的单位转换器显示秒差距计算不正确
Google 的单位转换器存在一个错误，涉及秒差距的计算会产生不正确的结果。虽然转换器正确地将 1 秒差距识别为约 3e16 米，但对该单位执行数学运算，即使乘以 1，也会导致 5e14 米的错误值。此错误似乎源于在解释角度时混淆了度与弧度，导致计算结果与正确值相差 57.3（即弧度中的度数），这个因子是度与弧度的转换系数。
-
新的RAD框架绕过了异常检测的任务特定训练
研究人员推出了一种新颖的框架——基于检索的异常检测（RAD），它消除了异常检测中对任务特定训练的需求。与目前依赖昂贵的编码器-解码器模型进行重建的现有方法不同，RAD利用了一个无需训练的基于内存的检索系统。该方法存储无异常特征，并通过将测试块与此内存进行匹配来检测异常，在多个基准测试中即使在少样本设置下也展示了最先进的性能。
-
新的RAD数据集挑战机器人异常检测基准
研究人员推出了RAD，这是一个新的数据集和基准，旨在评估真实世界机器人场景中的异常检测能力。与以往的基准不同，RAD的特点是从众多机器人视角在不受控制的光线下捕捉物体，模拟了实际部署的挑战。研究发现，在图像级异常检测方面，已建立的基于2D特征的方法出人意料地优于较新的3D和视觉语言模型，尽管在精确缺陷定位方面差距有所缩小。