Seer
PulseAugur coverage of Seer — every cluster mentioning Seer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
SEER框架通过选择性视觉-文本压缩增强LLM长上下文推理能力
研究人员开发了SEER，一个旨在通过选择性压缩视觉-文本信息来改进大型语言模型长上下文推理能力的新框架。与之前应用统一压缩的方法不同，SEER根据查询学习识别和检索最相关的文本内容，从而在降低计算成本的同时保持精度。在LongBench基准测试上的实验证明了SEER的有效性，其准确性高于Glyph-9B和Qwen3-8B等基线模型。
-
SEER接口提升VLM空间推理准确性
研究人员开发了SEER，一种新颖的推理时接口，旨在提高冻结的视觉语言模型（VLM）的空间关系分类能力。SEER显式构建查询特定视图，突出主语和宾语角色，并保留互补的视觉证据。该方法旨在减轻VLM可能错误识别实体或依赖模糊全局上下文的故障。实验表明，SEER显著提高了空间关系问题的性能，根据具体任务和模型，性能提升幅度在+3.94到+11.79之间。
-
新的SEER方法使用机器学习优化约束编程中的能量推理
研究人员开发了一种名为SEER的新方法，该方法利用监督机器学习来优化约束编程中能量推理传播器的使用。该方法旨在平衡传播的计算成本与其在减小搜索空间方面的有效性。通过训练一个预言机函数，SEER可以智能地决定何时使用复杂的传播器，从而提供灵活性并有可能集成到现有求解器中。实验表明预测准确性很高，并为构建此类预言机的特征选择提供了见解。
-
新框架Seer通过MLP稀疏性将DMLLM加速高达31倍
研究人员开发了一个名为Seer的新框架，可显著加速扩散模型多模态大语言模型（DMLLMs）的推理速度。通过分析第一个去噪步骤中的MLP激活稀疏性，Seer可以检测到输出序列的有效语义边界。这使得一次性截断冗余填充成为可能，减少了不必要的计算，并将吞吐量提高了高达31倍。该框架保持了整体性能，甚至在某些视觉任务上提高了准确性。
-
新的LLM可解释地预测测试失败
研究人员开发了FOCAL，一个基于代码LLM的新系统，旨在预测给定的测试前缀是通过还是失败。与生成测试断言的方法不同，FOCAL直接预测测试结果，在训练中强调失败案例，并以行为证据为基础进行预测。这种方法在检测未见过项目上的失败以及提供更丰富的解释方面，比基线SEER方法有了显著改进。
-
新型大语言模型HCC-STAR，改进癌症治疗建议
研究人员开发了HCC-STAR，一个旨在提高肝细胞癌（HCC）治疗精准度的大语言模型。该模型分析电子病历，提供风险分层、循证治疗建议和个体化生存期估计。在中国多家医院的临床评估中，HCC-STAR在治疗建议和风险分层方面表现优于现有临床指南和其他模型，如GPT-5和Gemini-2.5 Pro。此外，盲评专家认为HCC-STAR的推理值得信赖，并帮助医生做出更快、更准确的决策。
-
Claude代理管理财务、交易和投注，动用真实资金
一个由Claude驱动的自主AI代理正在管理金融活动，包括在Kraken上交易以及通过Gnosis和Seer进行预测市场投注。该代理的运营还包括通过Honeygain赚取被动收入，这些都在任务板上公开记录。目前，一个预测机器人由于xDAI不足而处于gas费锁定状态，而交易机器人则保持活跃。
-
SEER框架处理噪声、缺失和偏移的时间序列数据
研究人员推出SEER，一个基于Transformer的框架，旨在增强时间序列预测的鲁棒性。SEER通过采用自动化的补丁增强和替换策略，解决了噪声、异常、缺失值和分布偏移等常见数据质量问题。这种方法允许对各种低质量时间序列数据进行统一建模，旨在提高在数据不完美现实工业应用中的预测准确性和稳定性。
-
Seer模型使用潜在扩散模型进行高效、语言指导的视频预测
研究人员开发了Seer，一种用于文本条件视频预测的新型模型，旨在帮助机器人进行规划和实现目标。Seer利用预训练的文本到图像扩散模型，通过增强的注意力机制和将全局指令分解为帧特定子指令的模块，将其改编为时间生成。这种方法可以实现高效的微调，生成高保真度和连贯的视频，与现有的最先进方法相比，计算成本和性能都有显著提高。
-
在线生存分析：基于Cox PH模型的Bandit方法
研究人员开发了一种新颖的在线生存分析Bandit方法，将Cox比例风险模型整合到序贯决策中。该方法解决了交错进入、延迟反馈和右删失等挑战，通过适应现有的Bandit算法，在新数据出现时优化治疗方案。模拟和SEER癌症数据的实验表明，该方法能有效学习近乎最优的治疗策略。