Sieve
PulseAugur coverage of Sieve — every cluster mentioning Sieve across labs, papers, and developer communities, ranked by signal.
- 2022-02-02 product_launch Sieve launched its video data platform for AI applications. 来源
1 天有情绪数据
-
Runway AI Summit新增Sieve、Foundry Robotics、Ultra、Noble Machines的演讲者
Runway ML已宣布了其将于今年九月在旧金山举行的AI峰会的多位演讲者。本次活动将汇聚来自多家AI公司的领导者，包括Sieve的Mokshith Voodarla、Foundry Robotics的Adarsh Kulkarni、Ultra的Chetan Parthiban以及Noble Machines的Wen-Loong Ma。这些人将分享他们对AI未来的见解，直接来自那些积极构建这项技术的人。
-
新的方法出现，用于AI模型中高效的视觉Token修剪 · 跟踪6个来源
研究人员正在开发新的方法来优化视觉Transformer (ViTs) 和多模态大语言模型 (MLLMs)，通过修剪计算成本高昂的视觉Token。几篇论文提出了新颖的技术，以在不显著降低性能的情况下减少处理的Token数量。这些方法包括递归ViTs的训练后Token合并、使用专用寄存器的任务自适应修剪、预测中间层注意力以确定Token重要性、面向角色的区域分配以及用于设计修剪策略的AI驱动框架。
-
新研究通过结构化检索和评分标准排名增强AI代理 · 跟踪4个来源
两篇新研究论文介绍了增强AI代理信息处理能力的创新方法。第一篇论文《搜索、检查、获取》提出了SIEVE接口，该接口利用字段化布尔检索（BQL）使代理能够将搜索限制在特定文档字段，从而提高准确性并减少令牌使用。第二篇论文《使用搜索评分标准训练文档重排序器》介绍了RubricRanker，一种使用LLM合成的搜索评分标准进行训练的文档重排序器，以确保检索到的文档集满足复杂的信息需求，在深度研究和RAG基准测试中表现优于基线。
-
新研究应对LLM代理漏洞，从安全基准到高级防御
近期研究探索增强大型语言模型（LLM）代理的可靠性和安全性。一项研究引入了DiagChain，一个用于评估LLM代理在网络安全攻击链重建方面的基准，揭示即使是先进模型在证据整合和排序方面也存在困难。另一篇论文MAFIA展示了一个仅查询的攻击框架，该框架利用LLM代理中的内存模块，在逃避检测的同时取得了高成功率。为了对抗这些漏洞，正在开发新方法，包括一个经过验证的工具调用包装器，它提高了在非原子故障下的可靠性，以及一个名为$S^3$的多…
-
新研究挑战了人工智能情感分析中处理缺失数据的传统方法
两篇新研究论文探讨了处理多模态情感分析中缺失数据的新方法。第一篇论文介绍了 Missing-by-Design (MBD) 框架，该框架结合了结构化学习和参数修改，用于可认证的模态删除，允许选择性地移除敏感数据同时保持任务性能。第二篇论文质疑了始终修复缺失模态的必要性，提出了 SIEVE (Sufficiency-Informed Evidential Valve)，它学习在样本基础上决定是否修复缺失数据，改进了现有的先修复方法。
-
新的SIEVE框架使用稀疏证据进行视频虚假信息检测
研究人员开发了SIEVE，一个旨在打击多模态视频虚假信息的新框架。与处理整个视频的传统方法不同，SIEVE采用代理式方法来识别稀疏的、与决策相关的线索。该代理主动搜寻关键证据，创建一个精简的包，然后由验证者使用该包来确定视频的真实性。实验表明，SIEVE的表现优于现有方法，为虚假信息检测提供了更透明、更易于检查的证据链。
-
新的SIEVE框架改进了多模态视频虚假信息检测
研究人员开发了SIEVE，一个用于检测多模态视频中虚假信息的新框架。与处理整个视频的传统方法不同，SIEVE侧重于识别稀疏的、与决策相关的线索。一个代理会主动搜寻并打包这些证据，然后由验证器使用这些证据来确定视频的真实性。这种方法旨在通过提供可检查的证据链来减少冗余并提高透明度，在多个基准测试中表现优于现有方法。
-
提出新方法解决吉尔布雷斯猜想，并应用于金融科技与网络安全
提出了一种解决吉尔布雷斯猜想的新方法，这是一个关于素数的长期存在的数论问题。该论文引入了反向筛分等新概念，并展示了其在网络安全、金融科技和时间序列分析等领域的应用。它还探讨了魔术素数和细胞自动机等相关主题。
-
SIEVE方法通过结构感知数据选择增强VLA模仿学习
研究人员推出了一种用于视觉-语言-动作（VLA）模仿学习中的数据选择新方法SIEVE。SIEVE识别机器人演示数据集中的可重用视觉-运动基元和过渡接口，以提高策略学习的效率。实验表明，SIEVE在仅使用显著更少的数据和训练步数的情况下，即可达到与全数据训练相当或更优的性能。
-
Sieve 为本地 Ollama LLM 添加持久化内存
一款名为 Sieve 的新开源工具已被开发出来，用于为通过 Ollama 运行的本地大型语言模型（LLM）添加持久化内存。该工具充当代理，位于用户客户端和 Ollama 端点之间，用于管理对话历史并学习持久性事实。通过拦截和处理请求，Sieve 会剥离冗余信息，将关键事实存储在加密数据库中，并将相关上下文注入未来的提示中，从而解决无状态性、不断增长的上下文负载和模型幻觉等问题。
-
LLM代理优化检索系统的ANN索引
研究人员开发了一种新颖的LLM引导代理，用于优化检索系统中的近似最近邻（ANN）索引参数。该代理通过将每个建议条件化于完整的优化历史，克服了传统超参数优化方法的局限性，有效地导航了复杂、耦合的参数空间。在HICO-DET人体-物体交互检索基准上进行测试，该代理展示了显著的性能提升，超越现有方法超过33%，并实现了15.3倍的吞吐量增长。
-
SCION框架使用尺寸感知策略编排优化对象缓存
研究人员开发了SCION，一个用于优化云和边缘服务中对象缓存的新框架。SCION采用一种轻量级的策略编排方法，分析工作负载指纹以选择最有效的缓存策略。该方法旨在提高缓存性能并降低未命中率，即使在动态和吞吐量受限的条件下也能实现，同时在关键路径上保持低开销。
-
Sieve 推出用于 AI 训练的视频数据平台
Sieve，一家视频数据研究实验室，已推出其平台，提供用于 AI 应用的 PB 级精选视频数据。该服务提供各种数据类型，包括通用、电影级和配对媒体，并带有密集的注释和嵌入，可即时搜索。Sieve 的 API 设计用于可扩展性和安全性，可满足 AI 实验室、财富 100 强公司和生成式 AI 初创公司的需求。