Trellis
PulseAugur coverage of Trellis — every cluster mentioning Trellis across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Trellis 2 导致用户 Mac 崩溃和设置问题
用户在 Mac 设备上运行 Trellis 2 时遇到严重困难，一位用户报告称内存使用量超过 73GB 并导致系统崩溃。另一位用户正在寻求有关在 Macbook 上设置 Trellis 的帮助，遇到了与缺少诸如 'mtldiffrast' 和 'torch' 等关键组件的发行版相关的错误。设置过程似乎很复杂，涉及终端命令以及与 macOS 的潜在兼容性问题。
-
MM-TRELLIS 使用多模态传感器数据生成3D车辆 · 已追踪2个来源
研究人员开发了MM-TRELLIS，一种从自动驾驶数据生成逼真3D车辆模型的新方法。该方法将多视图图像和LiDAR点云集成到原生3D生成模型中，解决了先前方法在处理真实世界数据时遇到的困难或生成低质量网格的局限性。MM-TRELLIS利用LiDAR点云实现几何精度和跨视图一致性，并采用具有3D高斯溅射的体素过滤策略来优化网格。在Waymo数据集上的实验表明，在生成高保真3D车辆方面表现优越。
-
新的VLM-Judge协议可靠评估3D网格质量
研究人员开发了一种使用视觉语言模型（VLM）进行去偏评估的协议，用于评估从单张图像生成的3D网格质量。该协议通过使用不同的VLM裁判进行训练和评估，并实施位置偏差校正，旨在提供比CLIP相似度或几何有效性等传统代理指标更可靠的评估。虽然该协议在识别故障模式方面被证明是有效的，并被用于调整名为TRELLIS的生成器，但调整方法在公共数据集上训练时并未超越基础模型的性能。研究表明，要超越基础性能，仅在公共数据集上进行轻量级参数高效微调是不…
-
Trellis系统使用LLM代理进行严谨的数学证明形式化
研究人员开发了Trellis，一个旨在协助创建严谨数学证明的自动形式化系统。该系统在一个结构化工作流程中利用LLM代理，逐步完善自然语言证明。Trellis通过强制执行受数学严谨性概念启发的流程语义，以通用代理实现可靠的形式化。
-
UnfoldML 集成 RadixAttention 以提高 LLM 效率
UnfoldML 推出了 RadixAttention，这是一种提高大型语言模型效率的新方法。该技术旨在降低与注意力机制相关的计算成本，而注意力机制是 LLM 的核心组成部分。RadixAttention 已集成到 Trellis 框架中，旨在使 LLM 的开发和部署更易于访问且性能更高。
-
UnfoldML 使用 RadixAttention KV 缓存优化 LLM 推理
UnfoldML 推出了 RadixAttention，这是一种新的 KV 缓存策略，旨在优化 LLM 推理的预填充阶段。该方法利用基数树数据结构来高效地存储和共享多个并发推理请求之间的共同前缀，从而减少内存使用和计算量。该系统专为用户在本地硬件上部署 LLM 推理而设计，优先考虑数据隐私并适应不同的硬件能力。
-
Stream3D 支持从视频流生成三维内容
研究人员开发了 Stream3D，这是一种旨在增强从序列视觉数据生成三维内容的新型机制。该系统通过采用动态证据记忆，允许现有的视图条件三维生成器在无需重新训练的情况下处理单目视频流。该记忆选择性地缓存信息帧，防止时间不一致并有效管理内存占用。