Real
PulseAugur coverage of Real — every cluster mentioning Real across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法旨在提高 LLM KV 缓存压缩效率
研究人员正在开发先进的技术来压缩大型语言模型 (LLM) 的键值 (KV) 缓存，这是推理过程中内存成本的主要贡献者。JoLT 和 FlashJoLT 等新方法利用张量分解和残差分配，在性能损失极小的情况下实现了显著压缩，如在 Mistral-7B-v0.3 和 Llama 2 13B 等模型上所证明的。其他研究探讨了查询可见性如何影响压缩方法的排名，一些方法在事先不知道查询的情况下表现不佳。此外，PM-KVQ 和 REAL 等方法旨…
-
新框架REAL旨在提高ML系统的可信度和对齐度
一个名为REAL（Requirements Engineering for mAchines that Learn - and Fail）的新框架被提出，旨在增强机器学习系统的可信度和利益相关者对齐度。这个基于模型的框架整合了数据、模型和整体系统的需求，并利用系统故障来探索替代需求。该方法强调迭代和可追溯的改进，并通过自动驾驶的例子展示了与利益相关者需求的更好对齐。
-
新方法通过分解不确定性来增强 LLM 智能体的澄清寻求能力
研究人员开发了一种新颖的方法，使 LLM 智能体能够通过分解不确定性来提高其寻求澄清的能力。该方法将行动置信度与请求不确定性分开，使智能体能够在任务规范模糊时主动寻求澄清。该方法在新基准上进行了评估，与现有技术相比，在多个 LLM 主干上澄清 F1 分数有了显著提高。
-
新方法从噪声数据中学习干净的3D神经场
研究人员开发了一种名为NoiseSDF2NoiseSDF的新方法，用于从有噪声的点云数据中改进3D神经场的重建。该技术将2D图像的Noise2Noise范式扩展到3D，即使输入数据不完美也能学习干净的表面估计。通过最小化有噪声的SDF表示之间的均方误差，网络可以隐式地去噪和细化表面，在各种基准数据集上显示出显著的改进。
-
新框架REAL解决了视觉问答中的知识冲突
研究人员推出REAL，一个旨在解决视觉问答系统中知识冲突的新框架。该方法利用一种称为“推理枢轴”的新概念来识别和解决因开放域知识检索而产生的差异。该框架包括一种用于冲突检测的训练方法和一种用于缓解这些问题的解码策略，在各种数据集上展示了显著的性能提升。