实体
UniScale
UniScale
PulseAugur coverage of UniScale — every cluster mentioning UniScale across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
时间线
- 2026-05-25 research_milestone Researchers published a paper detailing the UniScale framework for e-commerce search ranking. 来源
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新方法生成合成工业异常数据以改进检测
两篇新研究论文UniScale和DeCo，引入了在工业环境中生成合成异常数据的新方法。UniScale采用了一种误差抑制多尺度训练策略和一种生成后去噪方法，以生成任意尺度的、高保真的异常样本，从而提高下游检测性能。DeCo通过将异常结构与其源产品解耦，然后将其与目标产品纹理重新耦合，采用零样本方法，并结合产品兼容性校正来提高融合精度。这两种方法都旨在解决工业异常检测面临的重大挑战——真实世界异常数据稀缺的问题。
-
UniScale 统一 LLM 路由和缩放，以实现更好的成本-质量权衡
研究人员开发了 UniScale，这是一个统一大型语言模型模型路由和测试时缩放的新颖框架。该方法将自适应推理缩放建模为上下文多臂老虎机问题，通过 LinUCB 学习最优策略。UniScale 旨在通过利用模型路由和测试时缩放的协同作用，在动态推理环境中实现更好的质量-成本权衡，从而克服单独的模型路由和测试时缩放方法的局限性。
-
电商搜索模型通过数据融合进行扩展，提升销量
研究人员开发了UniScale框架，该框架将模型扩展与数据融合相结合，用于电商搜索排序。该方法通过用跨域示例丰富训练数据并采用异构分层融合Transformer，解决了仅增加模型容量的局限性。在某主要电商平台上进行的在线A/B测试显示，UniScale将购买率提高了1.70%，将商品交易总额（GMV）提高了2.04%。