Raven
PulseAugur coverage of Raven — every cluster mentioning Raven across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
RAVEN模型推进蛋白质-配体结合亲和力预测
研究人员开发了RAVEN，一种预测蛋白质-配体结合亲和力的新方法。该方法利用冻结的随机图编码器生成多样的结构投影，然后将其与物理化学相互作用指纹相结合，并通过各种监督阅读器进行处理。该系统在基准数据集上表现出强大的预测性能，表明其多视图图表示、显式物理化学统计和异构模型融合的组合为这项复杂任务提供了一个强大的框架。
-
Nano Banana Pro 在新的图像空间规则发现基准测试中领先
一个名为 WISRD 的新基准已被开发出来，用于测试图像编辑模型的规则发现能力。该基准包括 11 个核心任务和补充探针，旨在评估空间操纵、模式推理和逻辑推理能力。在评估中，Nano Banana Pro 的表现优于其他模型，在该基准的一个子集上达到了 48.7% 的通过率，显著高于 Qwen Image Edit 和 FLUX.2 Klein 4B。
-
反AI戏剧"Disruption"因演员阵容受赞扬，因过时的技术评论受批评
戏剧"Disruption"在伦敦首演三年后于纽约首映，是一部时事惊悚剧，但其关于人工智能的评论已过时。尽管拥有才华横溢的演员阵容和敏捷的导演，但它对人工智能在个人数据和生活决策中的作用的探讨显得幼稚，并被后期勒索情节所掩盖。尽管演员们的表演很出色，但该剧对AI的见解要么不合时宜，要么在复杂的角色动态中被忽略了。
-
Raven 模型通过稀疏记忆路由提高长上下文召回率
研究人员推出了一种新颖的线性时间序列模型 Raven，旨在提高长上下文召回率。与更新整个记忆密集或固定窗口内稀疏的现有模型不同，Raven 使用学习到的、依赖输入的路由来更新选定的记忆槽子集。这种方法可以减轻干扰和硬驱逐问题，从而更有效地保留长距离内容。Raven 在召回密集型基准测试中表现出具有竞争力或更优的性能，并在外推到显著更长的上下文长度时保持有效性。
-
AI 工具 Andie 和 Raven 改变开发工作流
作者详细介绍了在 Giggso 实习期间，AI 工具 Andie 和 Raven 如何显著改变了他们的 AI 开发方法。Andie 作为编排层，在这次工作流转型中发挥了重要作用。
-
MiniMax AI 发布 M3，具备长上下文推理能力及 Raven 智能体
MiniMax AI 发布了 M3 模型，该模型具备长上下文推理能力。同时，他们推出了 Raven 智能体框架，专为持久化记忆和可复用技能而设计，能够使工作跨多次运行累积。Raven 基于 EverOS 构建，旨在为模型提供持久的用户和智能体记忆。
-
RAVEN记忆系统增强机器人导航和问答任务
研究人员推出RAVEN，一种新颖的代理记忆系统，专为长视域机器人任务（如问答和导航）而设计。RAVEN利用向量数据库存储具有空间和时间信息的视觉嵌入，无需依赖有损的图像到文本字幕即可实现高效检索。在基准测试中，RAVEN的表现优于基于字幕的系统，并且以显著更低的检索成本匹配了最先进的VLMs。该系统已成功部署在Unitree Go1机器人上，用于大型室内环境中进行自然语言目标导向导航。
-
RAVEN模型通过自适应上下文窗口增强金融预测能力
研究人员推出RAVEN，一个旨在改进金融时间序列预测的新型专家混合（Mixture-of-Experts）框架。与使用固定上下文窗口的传统模型不同，RAVEN能为每个输入样本自适应地确定最优时间上下文。这通过一个嵌套窗口层级实现，该层级被路由到专门的专家网络，并结合一个用于时间连贯性的全局压缩表示分支。实验表明，RAVEN在各种金融和交通数据集上取得了最先进的性能，在Pearson相关系数和均方误差方面有显著改进。
-
LLM框架自动化漏洞分析报告
研究人员开发了RAVEN框架，该框架利用大型语言模型（LLMs）和检索增强生成（RAG）技术自动生成详细的漏洞分析报告。RAVEN根据易受攻击的源代码生成报告，遵循Google Project Zero的根本原因分析模板。该系统包括用于探索、知识检索、影响评估和报告生成的代理，以及用于质量评估的LLM Judge。对105个代码样本的初步测试显示，平均质量得分为54.21%。
-
RAVEN框架通过新颖的训练和RL方法增强实时视频生成
研究人员开发了RAVEN，一个用于实时自回归视频生成的新颖框架，可提高长时预测质量。RAVEN通过将回放重新打包成历史端点和去噪状态的交错序列，解决了训练和推理分布之间的差距。此外，该团队引入了一致性模型组相对策略优化（CM-GRPO），这是一种直接优化条件高斯转移核的强化学习方法，从而带来了进一步的性能提升。
-
OCaml 生态系统 Raven 提供类型安全的机器学习工具，可媲美 Python 库
Raven 是一个新推出的 OCaml 库生态系统，专为数值计算、机器学习和数据科学而设计。它旨在提供流行的 Python 库（如 NumPy、JAX 和 PyTorch）的类型安全替代品。该项目包括用于 n 维数组、自动微分、标记化、神经网络、数据帧和绘图的模块，目标是构建一个强大的科学计算环境。