scale
PulseAugur coverage of scale — every cluster mentioning scale across labs, papers, and developer communities, ranked by signal.
- 2026-10-28 regulatory noyb.eu filed five complaints in four countries against Scale AI for alleged illegal worker surveillance and data collection. 来源
4 天有情绪数据
-
新框架为癌症AI生成合理的反事实解释
研究人员开发了SCALE,一个旨在为癌症组织病理学中使用的深度学习模型生成反事实解释的新框架。该方法旨在通过说明全切片图像中的特定变化如何改变诊断预测来提高这些模型的可解释性。在盲审中,病理学家发现SCALE的解释比现有方法在形态上更合理、更有效,这表明其有潜力增强AI在癌症诊断中的临床应用。
-
新的SCALE方法实现了赛博物理代理的实时潜在通信
研究人员开发了SCALE,一种专为赛博物理代理设计的实时潜在通信新方法。与之前专注于LLMs的方法不同,SCALE解决了物理系统固有的带宽和截止日期限制。它通过匹配消息间的token来识别可重用信息,并采用一种调度器,根据语义增益、通信成本、可用带宽和任务截止日期来优化消息传输。在赛博物理基准测试和蜘蛛机器人案例研究中的评估表明,SCALE在带宽受限条件下提高了任务性能和按时交付率。
-
noyb.eu 就工人监控问题对 Scale AI 提起 5 项投诉
该组织 noyb.eu 已在四个国家针对 AI 训练公司 Scale 提起了五项投诉。这些投诉指控 Scale 非法监控其工人,通过其 Outlier 平台收集大量个人数据并要求进行侵入性生物识别验证。noyb.eu 旨在保护为 AI 训练贡献知识和经验的工人的权利。
-
llama.cpp 更新、AI 代码工具、幻觉缓解研究以及 LLM 中立性讨论
llama.cpp 项目发布了更新,重点关注跨不同操作系统和硬件的性能和兼容性。版本 b11977 解决了 ggml-openvino 集成在 SCALE 操作方面的问题,改进了对 strided views 的处理,并防止了在某些配置下的崩溃。同时,版本 b11957 强调了 AI 代码创建工具(如 GitHub Copilot)的进步,并通过 MCP Registry 集成了外部工具,此外还包括了用于开发者工作流和安全性的更广泛的…
-
新的SCALE方法在无需训练数据的情况下增强了AI的分布外检测能力
研究人员开发了一种名为“反相干正则化绝对尺度”(SCALE)的新方法,以提高AI安全中的分布外(OOD)检测能力。该方法通过使用激活值的绝对值来解决现有SCALE技术的局限性,这可以防止负贡献相互抵消,从而导致该方法在ViT等某些神经网络架构上失效。提出的反相干正则化通过惩罚符号不匹配的贡献,进一步优化了尺度因子,从而在无需访问训练数据的情况下,在CIFAR-10和ImageNet等OOD检测基准上提高了性能。
-
新的SCALE框架提升长时序语言智能体性能
研究人员开发了一个名为SCALE的新强化学习框架,旨在提高长时序语言智能体的性能。SCALE解决了当反馈稀疏或仅在任务结束时可用时,如何将功劳归于中间动作的挑战。通过用对最终任务成功的显式预测来增强传统的收益估计,SCALE旨在提供更可靠的动作功劳分配。在多个基准和模型骨干上的实验表明,与现有的RL基线相比,SCALE提高了任务性能和批评者估计的稳定性。
-
新的SCALE框架改进了无分类器引导的视觉生成
研究人员引入了SCALE,一个新颖的训练框架,旨在提高视觉生成质量,同时避免了传统分类器无引导(CFG)的计算开销。SCALE利用自对比信号,比较真实样本和生成样本上的预测,以更有效地指导生成过程。该方法与似然目标相结合,在单次前向传播中产生增强的预测,优于现有的无引导技术,并在与直接偏好优化(DPO)等基于偏好的微调方法结合时显示出互补的优势。
-
新的SMAT方法以最小的开销增强了AI模型合并
研究人员开发了SMAT(简单合并感知训练),一种提高合并后AI模型性能的新颖方法。SMAT通过模拟缩放、掩码和扰动等常见合并操作,解决了现有合并感知训练技术的局限性。该方法在模拟合并参数下优化了专家损失和预期损失,从而在各种语言和视觉-语言模型上实现了显著的性能提升,而额外的训练成本却很小。
-
研究发现:Transformer 可学习几何机器学习中的对称性
一项新的研究论文探讨了 Transformer 架构如何在几何机器学习任务中学习表示对称性,特别关注点云数据集。研究确定了不同对称群体的可学习顺序,其中非保角对称性最容易学习,而平移、旋转和缩放等基本保角子群则最具挑战性。研究人员还分析了训练模型的内插行为和内部机制,以了解如何实现近似不变性,并将其扩展到研究学习到的等变性。
-
新方法无需多注释者标签即可改进病理模型校准
研究人员开发了一种名为合成协议校准的新方法,用于改进计算病理学中使用的基础模型的校准。该技术解决了模型可能对其疑难病例的预测过于自信的问题,即使平均准确率尚可。通过使用训练好的线性探针并在类别锚点之间进行插值,该方法创建了一种诊断模糊性的合成度量。这使得能够使用协议感知的标签平滑来重新训练探针,从而在无需多注释者标签的情况下增强校准,并保持判别指标。
-
AI 辅导系统 DeepEdu-v1 在越南教育领域推出
研究人员开发了 DeepEdu-v1,这是一个专为越南教育设计的 AI 辅导系统,解决了数据主权和本地内容方面的挑战。与 ChatGPT 等基于云的模型不同,DeepEdu-v1 将数据保留在本地,以遵守越南 53 号法令等法规。该系统利用了一个名为 SCALE 的新颖框架,该框架具有高效的长上下文推理引擎,可减少检索调用和预填充延迟,以及一个代理层,该代理层可整理交互中的知识,以最大限度地减少对主导语言先验的依赖。
-
新的SCALE方法通过控制特征使用来增强SFT
研究人员推出了一种名为SCALE(Selective Control of Adaptation via Local Entropy,通过局部熵选择性控制适应)的新型监督微调(SFT)方法,旨在通过控制学习到的特征的使用方式来改进模型适应性。与专注于抑制或放大更新的现有方法不同,SCALE冻结了预训练模型和SFT增量,学习门控机制,根据熵减少来抑制、反转或外推特征。这种方法在多个Qwen模型(包括Qwen2.5-Math-1.5B、Q…
-
Together AI 概述迁移到开源模型的策略
Together AI 的博客文章概述了从闭源迁移到开源 AI 模型的策略,强调此类迁移可以比传统迁移更快、更简单,尤其是在利用托管服务时。该过程涉及定义特定的用例和工作负载,以识别相关的基准和候选模型。关键评估标准不仅包括排行榜上的原始性能指标,还包括每项任务的成本、令牌使用量、运行时以及验证正确答案的能力。文章还强调了在沙盒环境中进行实际测试以评估模型行为和故障模式的重要性。
-
新型AI模型可从非配对数据预测细胞反应
研究人员开发了SCALE,这是一种新颖的条件传输模型,旨在预测细胞对扰动的反应。与先前需要配对的对照组和处理过的细胞群的方法不同,SCALE可以从非配对数据中学习扰动特异性效应。该模型利用共享的集合感知编码器和条件扩散Transformer骨干网络来预测处理过的细胞群,在各种遗传、化学、发育和免疫扰动中均显示出有效性。在CRISPR数据的实验中,SCALE在预测基因表达变化和反应方向方面优于现有方法,并成功地优先确定了可能引起不同免疫…
-
AfterQuery 成为 YC 最快独角兽,估值达 32 亿美元
AI 训练数据初创公司 AfterQuery 已达到独角兽地位,估值 32 亿美元,成为 Y Combinator 历史上最快达到此里程碑的公司。此次快速崛起发生在公司 A 轮融资估值 3 亿美元仅五个月后,凸显了公司对 AI 模型人类推理数据的关注。AfterQuery 雇佣专业人士训练 AI 进行决策和任务完成,这使其区别于仅关注准确性的竞争对手。
-
Harvey Tenet:新型法律代理模型利用Kimi K3和Fireworks
Harvey发布了Harvey Tenet,这是一款专为长时法律任务设计的新研究预览模型。该模型基于Kimi K3基础模型,并通过使用Fireworks进行异步强化学习进行增强,其训练语料库包括合成数据、公开法律数据和专家数据。在法律基准测试中,Harvey Tenet相比其基础模型有了显著改进,在LAB: Contracts上取得了最先进的成果,并在更广泛的Harvey's Legal Agent Benchmark (LAB)上表…
-
NVIDIA 以独特的许可协议聘用 109 名 Poolside AI 员工
Poolside,一家以其 AI 模型工厂而闻名的公司,在 NVIDIA 和其创始人 Jensen Huang 的参与下发生了重大转变。与传统的收购不同,NVIDIA 获得了 Poolside 的技术许可,并聘用了其 109 名员工,为创始人及员工提供了巨额报酬。此前 Poolside 未能获得 20 亿美元的融资,以购买用于大型 GB300 GPU 集群,这凸显了开发前沿 AI 模型所需的巨额资本和基础设施。该公司创始人正在转向新的…
-
新的SCALE方法通过改进潜在空间几何结构来增强AI规划能力
研究人员开发了一种新方法SCALE(State-Calibrated Latent Embeddings),用于改进联合嵌入预测世界模型中的规划。SCALE通过将成对潜在距离与标准化状态空间距离相关联,来增强潜在表征的几何特性,类似于DINO-WM中发现的特性。这种方法在训练过程中作为一种轻量级正则化器应用,与LeWorldModel等现有方法相比,在各种任务、规划求解器和计算预算上都显示出了一致的改进。研究结果表明,潜在空间的几何结…
-
新框架利用LLM和嵌入来扩展科学分类法 · 已追踪2个来源
两篇新的研究论文介绍的框架利用大型语言模型(LLM)和嵌入来增强科学分类法。第一个框架ReLTEx,通过结合LLM生成和结构感知验证,专注于可靠的基于LLM的分类法扩展,以减少幻觉并提高一致性。第二个框架SCALE,通过使用嵌入和LLM创建新的科学概念层来扩展OpenAlex分类法,将语义相关的术语组织成连贯的单元,从而实现更细粒度的学术分类和分析。
-
新 AI 框架解决半导体设计规则违规问题
研究人员开发了 SCALE,一个旨在解决先进亚 2 纳米节点半导体制造中复杂设计规则违规的新框架。该系统采用自监督布局生成阶段,其中经过微调的语言模型学习从周围环境中重建被掩码的多边形。这种方法使模型能够生成带有 DRC 注释的布局违规对,然后用于微调领域适应的视觉语言模型 (VLM)。该 VLM 为局部 DRV 修复提供规则感知的几何指导,在真实案例中将最先进代理的解决率提高了高达 25%。