Sra
PulseAugur coverage of Sra — every cluster mentioning Sra across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究质疑数据增强在扩散模型训练中的作用
研究人员探讨了表示对齐在加速扩散Transformer训练和提高生成质量方面的有效性。他们研究了从SRA到Self-Flow的改进机制，特别是双时间调度，并提出这些改进可能源于数据增强而非跨噪声级别的token交互。通过一项名为“注意力分离”的实验，该实验在保持双时间步输入的同时阻止了不同噪声级别token之间的注意力，他们发现移除这些交互并没有损害性能，甚至可能提高性能。这表明沿噪声维度的数据增强是改进的主要驱动因素，而注意力分离本…
-
扩散Transformer的增益归因于数据增强，而非token交互
研究人员调查了扩散Transformer中自我对齐机制的原理，特别是比较了SRA和Self-Flow。他们的发现表明，这些方法的性能提升主要由噪声维度上的数据增强驱动，而不是不同噪声水平之间的token交互。该研究引入了一种称为注意力分离（Attention Separation）的技术来分离这些因素，该技术出人意料地没有降低性能，甚至显示出改进，这表明Self-Flow相对于SRA的优势很大程度上归因于数据增强。
-
新的技能检索增强范式提升了代理式AI的性能
研究人员推出了一种名为技能检索增强（SRA）的新方法，用于增强代理式AI系统。SRA允许代理从大型外部语料库中动态检索和应用技能，克服了在上下文窗口中枚举技能的局限性。为了评估这种方法，该论文提出了SRA-Bench，这是一个包含5,400个测试实例和26,262个技能的技能语料库的基准。实验表明，SRA显著提高了代理性能，尽管基础模型在确定何时加载技能的能力方面仍存在差距。