百科

稀疏自编码器是一种无监督机器学习算法。

连续概念混合旨在通过混合不同概念或特征来生成新的数据样本，扩展模型的学习和推理能力。

演绎数据库算术推理旨在通过推理规则和数学运算对数据库中的数据进行推导与计算。

令牌级偏好对齐方法旨在减少大型视觉语言模型 (LVLMs) 幻觉问题。

推理时扩展是一种通过增加推理阶段的计算资源来提升大型语言模型 (LLMs) 性能的方法。

慢感知旨在通过将感知过程拆分，实现对几何图形等的精细感知，以提升多模态大模型在视觉推理任务中的表现。

思维进化旨在通过创新的方式扩展推理时计算资源的利用，让模型更有效地处理复杂问题。

大型行动模型旨在实现从语言交互到真实世界行动执行的转变，推动人工智能迈向通用人工智能 (AGI) 。

语义频率提示旨在通过频率域的分析和选择性学习，解决传统空间域方法的局限性。

ASAL 旨在利用基础模型自动化地探索人工生命领域中的模拟空间。

离线元强化学习旨在利用离线数据来训练模型，使其能够快速适应新任务或新环境，而无需大量的在线交互。

分布外泛化关注的是让模型在面对未知或未见过的数据分布时，仍然能够保持良好的性能和稳定性。

通用逼近理论表明具有足够复杂结构的神经网络能够以任意精度逼近任何连续函数。

DPO 的核心思想是直接在人类偏好数据上进行优化，而无需训练一个单独的奖励模型或使用强化学习

无训练指导旨在解决扩散模型在条件生成领域的难题。

主要气味地图旨在模拟气味的化学结构与其嗅觉感知特性之间的联系。

分布外检测专注于识别那些在模型训练阶段未被覆盖的数据样本。

Star Attention 能够显著减少推理时间，最多可以减少 11 倍的内存需求和推理时间，同时保持 95-100% 的准确性。

UniSeg3D 能够在同一模型内实现 6 种不同的 3D 点云分割任务。

数字理解和处理能力旨在独立评估大型语言模型 (LLMs) 在数字领域的表现。

Coconut 将推理过程从传统的语言空间中解放出来，允许模型直接在连续的潜在空间中进行推理。

密度定律描述了大型语言模型 (LLMs) 的能力密度随时间呈指数级增长的趋势。

最近邻搜索是一种在数据库或数据集中查找与给定查询点距离最近的点（或点集）的算法问题。

邻居搜索指的是确定在模拟盒子中每个粒子（通常是原子）周围的邻近粒子的过程。