百科事典

宝くじ仮説の出現により、ニューラル ネットワークを効率的にトレーニングするための一連の方法が促進されました。

TileLang は、統合されたブロックとスレッドのパラダイムと透過的なスケジューリング機能を備えており、最新の AI システムの開発に必要な強力な機能と柔軟性を備えています。

RPN と Fast R-CNN は、畳み込み特徴を共有することで、オブジェクト検出用の単一のネットワークに結合されます。

CSA は、安全であるだけでなく、本当に役立つシステムの構築を目指しています。

CaT はテスト時に使用して推論時間を改善したり、RL (CaT-RL) に組み込んでポリシーを改善したりできます。

MCP は、コンテンツ リポジトリ、ビジネス ツール、開発環境などのデータが保存されている場所に AI アシスタントを接続するために使用されます。

MetaFold は、さまざまな衣類と幅広い言語コマンドを処理できるため、さまざまな衣類の折りたたみ作業を効率的に完了できます。

ST-Raptor は、回答精度において 9 つのベースライン モデルを最大 20% 上回ります。

SubLlME は、完全な評価を必要とせずにランキング関連性予測を通じて、効率的かつ正確なモデルパフォーマンス評価を実現することを目指しています。

BSC-Nav は、自己中心的な軌跡と文脈上の手がかりから他者中心の認知マップを構築し、意味的目標と一致する空間知識を動的に取得します。

予備実験では、DPCL が音声を分離し、比較的理想的な結果を達成できることが示されています。

デュアルモードアニーリングの目標は、思考モードと非思考モードという 2 つの異なる応答モードを把握できるモデルを開発することです。

BPO の基本原理は、同じ入力クエリの下で思考パスと非思考パスのユーティリティを明示的に比較することにより、適応ポリシーを学習することです。

BED-LLM は、順次ベイジアン実験設計 (BED) フレームワークを LLM によるインタラクティブな情報収集問題に効果的に適用します。

LLaMA モデルやその他の最先端のベースライン モデルと比較すると、REFRAG は精度を損なうことなく大幅な高速化を実現します。

ATE は汎用的で軽量なソリューションとして、VLA モデルを新しいロボット プラットフォームやタスクに展開する実用性を高めます。

MoC は、スケーラブルで制御可能な次世代の長期ビデオ生成モデルの新しい青写真を提供します。

TiG フレームワークにより、LLM は、本来の推論機能と解釈機能を維持しながら、ゲーム環境と直接対話することで手順の理解を深めることができます。

LOVON は、オープン語彙の視覚検出モデルと組み合わせて、階層的なタスク計画に大規模な言語モデルを活用することを目的としています。

MP1 は、単一のネットワーク関数評価内で動作軌跡を直接生成できます。

Meta-rater は、最適な重みを学習することで、専門知識、読みやすさ、推論、明確さという 4 つの側面を既存の品質指標と統合することを目指しています。

MaCP は、最小限のパラメータとメモリのオーバーヘッドで大規模な基本モデルを微調整し、優れたパフォーマンスを実現することを目指しています。

コンテクスチュアル エンジニアリングは、LLM 実践における「プロンプト エンジニアリング」から体系的な「コンテクスチュアル エンジニアリング」へのパラダイム アップグレードを意味します。

模倣学習は専門家のデモンストレーションから学ぶことで戦略を獲得する