spear
PulseAugur coverage of spear — every cluster mentioning spear across labs, papers, and developer communities, ranked by signal.
- 2026-05-08 research_milestone Publication of a new algorithm for federated LLM fine-tuning. 来源
3 天有情绪数据
-
SPEAR神经算子通过谱解耦增强偏微分方程预训练
研究人员开发了SPEAR，这是一种新颖的混合专家（MoE）神经算子，专为偏微分方程（PDE）的大规模预训练而设计。SPEAR将潜在特征解耦为低频和高频分量，以更好地模拟共享的可迁移动力学和专门的PDE模式。为了对抗MoE架构中的专家冗余，该系统采用了一种知识引导的聚合策略，该策略根据数据集特定的知识和路由偏好来识别和合并相似的专家。实验表明，SPEAR在十二个PDE数据集的预训练、微调和迁移学习方面取得了卓越的性能，同时在不牺牲预测精…
-
新框架SPEAR和SPIRE推进单次联邦图学习
研究人员开发了两个新框架SPEAR和SPIRE，以改进单次联邦图学习。单次联邦图学习是指在单次通信轮次中，跨具有断开子图的客户端训练图神经网络。SPEAR是一种无训练方法，将问题重新表述为统计估计，并直接从本地图计算类别原型，实现了最先进的准确性和显著的加速。另一方面，SPIRE利用结构熵根据图拓扑（而不仅仅是数据量）来区分客户端贡献，并使用图扩散模型合成伪图来训练全局GNN。这两种方法都表现出强大的性能，尤其是在高度异构和非IID条件下。
-
Qunhe Tech, Nvidia, Intel, Zhejiang U. tackle physical AI infrastructure
Qunhe Technology, in collaboration with industry giants like Nvidia and Intel, and academic institutions such as Zhejiang University, has published three papers addressing key infrastructure challenges for physical AI. …
-
南方公司通过Databricks驱动的SCOUT应用程序增强风暴响应能力
南方公司开发了SCOUT，这是一个构建在Databricks Lakehouse平台上的实时风暴运营应用程序。该应用程序将停电、客户和可靠性数据整合到一个统一视图中，增强了调度员、风暴中心领导和现场团队的决策能力。SCOUT因其在停电信息访问方面的变革性方法获得了2025年S.E.E.行业卓越奖，并被南方公司各运营业务的1100多名员工使用。
-
新的SPEAR框架增强了材料科学中AI的可解释性
研究人员开发了一个名为SPEAR（结构-性质可解释性与注意力正则化）的新框架，以提高材料科学中使用的机器学习模型的可解释性。该框架通过在训练期间约束注意力机制来解决当前模型的局限性，以确保稳定、选择性和物理上有意义的归因模式。SPEAR已证明其在合成和实验X射线衍射数据中产生准确预测的能力，同时突出相关的物理特征，从而为材料性质带来新的见解。
-
SPEAR框架通过自适应重写和检索增强电商搜索
研究人员开发了SPEAR，一个用于社区搜索的新型框架，可增强查询重构和检索效果。SPEAR通过整合三个组件来解决当前系统中的不匹配问题：一个双嵌入骨干网络以保护召回端语义，一个乘法门控聚合器以防止通用词捷径，以及一个动态重写选择器以进行自适应校准。自2025年以来，SPEAR已部署在得物社区搜索平台，并在离线评估中显示出显著改进，包括重写语义相似度提高+18.2，点击召回率提高+99.5。在线A/B测试证实了其有效性，显示查询-浏览点…
-
群和科技物理AI研究获ECCV 2026收录，携手NVIDIA共建仿真平台
群和科技有三篇关于物理AI的论文被ECCV 2026收录，内容涵盖空间感知、强化学习数据生成和高保真物理仿真，解决了AI进入物理世界的关键问题。该公司还与NVIDIA、Adobe等公司合作开发下一代物理AI仿真平台SPEAR，旨在为AI训练创建强大的数据生产基础设施。
-
新的模拟器和框架推动具身AI的研究与部署
研究人员正在开发先进的模拟器和框架，以增强具身AI的研究和部署。SPEAR是一个Python库，为Unreal Engine应用程序提供高速、照片级逼真的渲染和广泛的可编程性。另一篇论文介绍了“Embodied Operators”作为具身智能系统的可重用模块，并提出了一个用于评估它们的基准框架。此外，一种名为Agent Architecture Search (AAS)的新方法可以自动化具身智能体架构的设计，超越了手动构建。同时，也…
-
新方法通过先进的 2 位和自适应量化提升 LLM 效率
研究人员开发了新的技术，通过先进的量化方法来提高大型语言模型 (LLM) 的效率。一种名为 SPEAR 的方法侧重于量化后的自适应恢复，以最小的开销减小了低比特和全精度模型之间的质量差距。另一种方法 LC-QAT 引入了一个数据高效的 2 位量化感知训练框架，该框架使用线性约束向量量化，能够用显著更少的数据进行有效训练。这些进展旨在使 LLM 的部署更具成本效益和可及性。
-
新的自玩方法在没有人类数据的情况下改进LLM
两篇新的研究论文介绍了在没有人类监督的情况下微调大型语言模型的创新自玩算法。第一个，TPAW，使用一种基于团队的方法，模型与历史检查点竞争和协作，采用自适应加权响应和玩家来提高稳定性和效率。第二个，SPEAR，专注于在线联邦微调与实时反馈，使用优势加权细化和置信度加权非似然性来训练从部分反馈派生的对比对，使其能够高效地用于边缘设备。