Sacramento
PulseAugur coverage of Sacramento — every cluster mentioning Sacramento across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新框架通过自适应融合增强多模态讽刺检测能力
研究人员开发了一个新的多模态讽刺检测框架，旨在通过解决实例依赖的模态贡献和误导性语义一致性等挑战来提高准确性。所提出的方法集成了动态门控跨模态融合与讽刺感知对比正则化（SaCR）。该方法自适应地校准文本和视觉贡献，并使用对比正则化目标来更好地区分讽刺和非讽刺内容。在MMSD和MMSD2.0数据集上的实验表明，该框架优于现有基线。
-
Waymo 在三座主要城市向所有乘客开放无人驾驶 Ojai 货车
Waymo 已在旧金山、凤凰城和洛杉矶全面向所有乘客开放其 Ojai 型无人驾驶货车。这些专为出行设计的机器人出租车，以其宽敞的空间和娱乐功能而闻名，此前仅限在这些城市的部分用户使用。此次扩展是在 Waymo 最近获得在萨克拉门托和圣地亚哥运营许可之后进行的，尽管该公司近期也面临一些挫折，包括因操作失误导致的暂停服务和车辆召回。
-
Waymo将机器人出租车服务扩展到萨克拉门托和圣迭戈
Waymo已获得加州公用事业委员会（CPUC）的批准，将其自动驾驶出行服务进行扩展。该决定允许Waymo首次在萨克拉门托和圣迭戈提供乘车服务，并扩大其在旧金山湾区和洛杉矶的服务范围。此次扩展将遵循Waymo的安全框架逐步实施，并将包括其现有的Jaguar I-Pace车辆以及来自Zeekr的新定制小型货车。
-
Anthropic 的 Claude Code 对企业用户定价飙升高达 40 倍
据报道，Anthropic 的 Claude Code 对企业用户而言，价格正在大幅上涨，部分用户看到成本比之前的定价模型上涨了高达 40 倍。这种飙升主要是由代理编码任务的高 token 消耗驱动的，导致组织收到意想不到的高额账单。虽然订阅计划提供了更可预测的成本，但 token 单价的企业模式是 Anthropic 产生大部分收入的来源，许多公司的成本可能会翻倍或翻三倍。
-
AI基础设施公司在四周内为开放权重模型服务筹集了38亿美元
几家专注于为开放权重AI模型提供托管基础设施的公司最近获得了大量资金。Fireworks宣布了15.05亿美元的D轮融资，Baseten完成了约15亿美元的融资，Together AI筹集了8亿美元。这些公司专注于提供训练、调整和部署定制或开放权重模型的服务，目标是以低于前沿API的成本提供推理服务。虽然这笔融资表明投资者信心强劲且增长迅速，但企业AI预算从前沿API或云平台转移的确切规模仍未量化。
-
企业投资回报率担忧和代币战促使AI公司削减价格
像OpenAI和Anthropic这样的主要AI公司正面临压力，因为企业客户对其基于代币服务的投资回报率提出质疑，迫使它们削减价格。尽管代币需求激增，预计到2026年将使支出翻倍，但许多公司发现生成式AI试点并未带来可衡量的利润。这场潜在的价格战可能会压缩利润率，影响未来的IPO估值，并影响从芯片制造商到云服务提供商的整个AI供应链。
-
城市放弃沥青，转向更凉爽、更透水的停车场替代方案
美国各城市越来越多地选择传统沥青停车场以外的替代方案，以应对不断升高的气温和管理雨水径流。这些替代方案包括多孔混凝土板、本地植物景观、透水铺路砖和生物滞留雨水花园。一些市政当局还在减少停车位要求，以减少不透水表面的总体积。沥青行业正通过推广先进材料来应对，同时也敦促仔细考虑替代方案的耐用性。
-
新的C++引擎HASE在多智能体强化学习训练中达到33M步/秒
研究人员开发了一种名为捉迷藏引擎 (HASE) 的新C++引擎，旨在显著提高在去中心化、部分可观察环境中的强化学习智能体训练效率。通过利用面向数据设计和优化的内存处理，HASE在单个智能体上实现了高达每秒3300万步的惊人吞吐量。该引擎大大缩短了多智能体策略的训练时间，使得复杂的协作行为能在几分钟内学会。
-
研究人员开发用于城市规模电动汽车叫车服务的半马尔可夫强化学习
研究人员开发了一种新颖的半马尔可夫强化学习方法，用于优化城市规模电动汽车（EV）叫车车队。该方法解决了调度、重新定位和充电等复杂决策问题，同时遵守充电器和馈线限制等物理约束。该系统结合了高级意图和混合整数线性规划来确保可行性，并采用鲁棒优化技术来处理不确定的需求和出行时间。在基于纽约市出租车数据的模拟器中进行的实验表明，该方法显著优于现有基线，净利润达到122万美元。
-
研究人员开发用于电动汽车叫车服务的半马尔可夫强化学习，提高利润并确保可行性。
研究人员开发了一种新颖的半马尔可夫强化学习方法，用于管理大规模电动汽车叫车车队。该方法确保调度、重新定位和充电决策严格遵守充电器和馈线限制等物理约束，即使在需求和出行时间不确定的情况下也是如此。该系统利用掩码执行器产生高级意图，然后通过混合整数线性规划进行投影以保证可行性。在纽约市出租车数据集模拟器上的实验表明，名为 PD--RSAC 的方法显著优于基线方法，净利润达到 122 万美元，同时避免了任何馈线限制违规。