AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
NeurIPS 2024 | 像素级LLM实现图像视频理解、生成、分割和编辑大统一
精华文章链接：https:arxiv.orgpdf2412.19806项目链接：https:vitronllm.github.ioGithub链接：https:github.comSkyworkAIVitron亮点直击首次提出了一种通用的视觉多模态大语言模型（MLLM）——VITRON，能够在像素级对图像和视频进行理解、生成、分割和编辑。引入了一种更高效的LLM到解码器的指令传递机制，结合了离散文本和连续信号嵌入。提出了针对多模态大语言模型的像素级视觉语言时空对齐学习，使其能够达到最优的细粒度视觉能...AI模型视觉阿里巴巴语音实验室发布新成果，多模态方法显著提升视频主题分割性能
随着数字视频内容的爆炸式增长，如何有效地进行视频主题分割成为了一个亟待解决的问题。视频主题分割的目标是将视频内容按主题进行划分，以便更好地理解和管理视频信息。这不仅在视频检索和推荐系统中起到关键作用，还能提升视频编辑和生成摘要的效率。在教育和娱乐领域，视频主题分割同样能够极大地促进内容分类和个性化推荐。在视频内容分析领域，多模态数据的融合和一致性建模是当前的研究热点。多模态数据包括视频中的视觉...阿里巴巴多模态实验室AI 赋能深度思考：从六顶思考帽到智能体实践
今天，本文将探讨如何利用AI工具，尤其是基于“六顶思考帽”理论的智能体，来辅助和促进人类的深度思考。通过构建一个“六顶思考帽”AIAgent，我们将展示AI如何成为深度思考的得力助手，而不是思考的替代者。六顶思考帽：结构化深度思考的工具“六顶思考帽”是由爱德华·德博诺（EdwarddeBono）提出的一种创新思维方法，通过分离不同的思考模式，帮助我们全面、系统地看待问题。每顶帽子代表一种特定的思维模式，戴上不同的帽子...AIAgent技术通道间关系建模在不规则时序预测中的研究
社区头条今天给大家介绍一篇不规则时间序列建模的工作。本文的核心是研究不规则时序预测中的变量间关系建模问题，研究焦点是如何在保持计算效率的同时，有效地捕捉长期依赖性和复杂变量间关系。研究者们提出了一个新颖的框架，通过结合局部的通道依赖（CD）策略和全局的通道独立（CI）策略，显著提升了模型在多个真实世界数据集上的性能。论文标题：TimeCHEAT:AChannelHarmonyStrategyforIrregularlySampledMultivariateTimeSeriesAnaly...关系建模时序预测GitHub Copilot免费了， 可无条件使用GPT-4o 和Claude 3.5 Sonnet等高级模型
GitHub和Microsoft日前联合宣布推出GitHubCopilot免费计划，所有开发者只需一个GitHub账号即可在VSCode中免费使用这款AI编程助手，无需信用卡，无需订阅。这一免费计划为用户每月提供2000次代码补全和50次聊天请求额度。用户可以使用GPT4o和Claude3.5Sonnet两种AI模型，基本满足日常开发需求。如需更多功能，可升级至无限制的Pro计划，该计划还将在明年支持o1和Gemini等更多模型。除了基础的代码补全功能，GitHubCopilot还推出...GitHubCopilotGPT-4o我们聊聊如何构建通用LLM Agent
精华1.LLMAgent是什么大语言模型智能体是一种程序，其执行逻辑由其底层模型控制。大语言模型智能体与少样本提示或固定工作流程等方法的区别在于，它能够定义和调整执行用户查询所需的步骤。通过使用一组工具（如代码执行或网络搜索），智能体可以决定使用哪个工具、如何使用它，并根据输出对结果进行迭代。这种适应性使系统能够以最小的配置处理各种用例。智能体架构存在于一个范围内，从固定工作流程的可靠性到自主智能体的灵活性...LLMAgentOpenAI人工智能可能永远无法拥有意识
精华一、受罗杰·彭罗斯启发的猜想1989年，在他的重要著作《皇帝的新思维》中，罗杰·彭罗斯提出了一个引人注目的假设[1]。他认为量子过程对于形成意识的物理基础至关重要。这个观点具有吸引力，因为量子力学的方程告诉我们，在任何时刻，一个物体——无论是我，还是整个世界——都处于多种状态的叠加中。然而，在任何给定的时刻，我们只体验其中的一种。为了说明这一点，想象一个研究员走到谷歌量子AI实验室的一台量子计算机前，观...人工智能系统智能生成式大语言模型的安全问题
微软“Tay”项目2016年3月，微软发布了一个名为Tay的新项目。微软设计Tay的初衷是为“18至24岁的美国年轻人提供娱乐服务的聊天机器人”。这是一个有趣的名字，代表着早期人工智能实验的轻松尝试。Tay旨在模仿一位19岁的美国女孩的语言模式，并通过与Twitter、Snapchat及其他社交应用上的用户互动来学习。这款聊天机器人是为了进行真实环境下的对话理解研究而开发的。然而，仅在发布几小时后，问题就显现了。TechCrunch评论道：...生成式大语言模型DDPG算法轻松解决AI医疗机器人技术难题：连续动作控制
原创 社区头条本文旨在探索DDPG算法如何解决连续动作控制难题，从而进一步提升生物工程领域AI驱动的医疗机器人的强大功能。引言想象一下，你正在手术过程中控制着一台机械臂。此机械臂的离散动作可能有：向上移动向下移动抓取或释放这些都是明确、直接的命令，在简单情况下是易于执行的。但是，如果执行精细的动作，例如：将手臂移动0.5毫米以避免损伤组织施加3N的力以压缩组织或旋转手腕15°以调整切口角度该怎么办呢？在这些情况下，你需要...DDPG算法AI驱动AI医疗机器人AI时代，技术性失业会愈演愈烈吗
原创此前的技术性失业只不过是暂时的、局部性的问题。但我们不能认为从过去历史中获得的经验可以原封不动地套用于未来的状况。过去与未来的前提不同，走向当然也会不同。虽说如此，只要未来的AI都是弱人工智能，那么技术性失业就会同之前一样，不过是暂时的、局部性的问题。即使未来搭载AI的自动驾驶汽车与无人机普及开来，导致出租司机”与快递人员失业，他们还可以转为从事其他人类更擅长的工作。比如担任护理人员或者按摩师等。...AI失业Cohere AI 发布 Command R7B：R 系列中最小、最快且最终的型号
原创01、概述在当今的企业级应用中，大型语言模型（LLMs）已经成为不可或缺的工具。从智能文档处理到对话式人工智能，这些技术的应用正全面铺开。然而，LLMs的部署却并非易事：高昂的计算资源需求、缓慢的推理速度、以及居高不下的运维成本，往往让企业望而却步。此外，企业对数据隐私的严格要求也进一步加大了采用LLMs的难度，尤其是当涉及敏感信息时，模型需要能在高度安全的环境中运行。为了解决这些问题，CohereAI推出了其R系列...大型语言模型InternLM-XComposer2.5-OmniLive：用于长期流媒体视频和音频交互的综合多模态人工智能系统
原创01、概述随着人工智能的发展，构建能够实时感知环境、进行复杂推理并记忆的系统，已成为研究者们追求的目标。这不仅要求AI系统能处理音频、视频和文本等多模态数据，还需在动态环境中模拟人类感知、推理与记忆的协同能力。然而，现有多模态大语言模型（MLLMs）在这方面仍存在诸多限制，尤其是在同时处理任务时的效率和可扩展性。为解决这些问题，来自上海人工智能实验室、中国香港中文大学、复旦大学、中国科技大学、清华大学、...多模态人工智能谷歌AI发布Gemini 2.0 Flash：比Gemini 1.5 Pro快2倍的新AI模型
原创 精华 社区头条01、概述随着人工智能技术的快速发展，行业巨头不断推出更加先进的模型。近日，GoogleAIResearch发布了其最新的多模态人工智能模型——Gemini2.0Flash，不仅在速度上实现了飞跃性提升，还扩展了多模态功能的深度与广度，为AI的应用带来了更多可能性。02、核心升级亮点1）性能速度倍增Gemini2.0Flash在速度上实现了革命性突破，其处理速度是前代模型Gemini1.5Pro的两倍。这一显著提升不仅体现在响应时间的加快，还在多个基准测试...谷歌AI模型Transformer编码器与解码器和神经网络之间的关系
原创“编码器是神经网络模型的组成部分，而神经网络模型又由编码器来实现。”在上一篇文章中介绍了Transformer架构的EncoderDecoder编码器和解码器；而且我们都知道Transformer架构是神经网络模型实现的一种方式，那么一个问题就产生了，编码器和解码器与神经网络之间的关系是什么？即是由多层神经网络组成了一个个编码器解码器，还是由一个个编码器解码器组成了一层层的神经网络？它们的依赖关系是什么样的？编码器与神经网络先来...Transformer神经网络编码器解码器人脸识别和MTCNN模型
原创前言在上一章课程【使用YOLO进行目标检测】，我们了解到目标检测有两种策略，一种是以YOLO为代表的策略：特征提取→切片→分类回归；另外一种是以MTCNN为代表的策略：先图像切片→特征提取→分类和回归。因此，本章内容将深入了解MTCNN模型，包括：MTCNN的模型组成、模型训练过程、模型预测过程等。人脸识别在展开了解MTCNN之前，我们对人脸检测先做一个初步的梳理和了解。人脸识别细分有两种：人脸检测和人脸身份识...人脸识别MTCNN模型扎推曝光！大厂2025计划流出：字节辟谣疯狂买卡，奥特曼要搞AGI、智能体和ChatGPT成人模式；谷歌硬刚OpenAI
原创 社区头条编辑伊风出品51CTO技术栈（微信号：blog51cto）奥特曼明年的工作计划来了！此前，他在X上向网友征集，希望OpenAI在2025年做点什么新东西。——一万条评论在线许愿。今天，奥特曼汇总了一下，这个list很可能是明年重点的更新了！AGI、智能体、更好的升级版4o、更长的上下文……还有一个比较炸裂的“成人模式”。除此之外，深度研究、Sora和个性化的升级也安排在日程里了。这份总结以“修修补补”为主，甚至呼声很高的下一代模型...AGI智能体ChatGPT“大模型+知识图谱”双轮驱动的见解、技术和评估 - 英伟达的GraphRAG
社区头条数据是现代企业的命脉，为从创新到战略决策的方方面面提供动力。然而，随着组织积累的信息量不断增长（从技术文档到内部通信），他们面临着一项艰巨的挑战：如何从海量的非结构化数据中提取有意义的见解和可操作的结构。检索增强生成（RAG）已成为一种流行的解决方案，它通过集成相关的企业数据来增强AI生成的响应。虽然传统的RAG方法对简单的查询有效，但在解决需要推理和交叉引用的复杂、多层次问题时，往往无法满足要求。问...大模型知识图谱RAGAGI前夜的思考：从o3到AGI，未来已来
精华AI正以前所未有的速度进化，OpenAI的o3模型短短两个月内便从本科生水平跃升至博士级别，这一突飞猛进的进展让人震惊，但这一趋势已不可逆转。AI搜索公司Exa的CEOWillBryk在X上发表了一篇探讨AI的迅猛发展及其对未来社会、工作领域的深远影响的长文：《ThoughtsontheeveofAGI》（AGI前夜的思考）。1.AI发展迅速：从本科生到博士级别的进化AI从本科水平到博士水平的快速跃升，进展速度令人震惊。OpenAI的o3模型展示了AI的巨大潜...AGIo3智能什么是神经网络-终于把神经网络参数更新搞明白了！
今天我们来讲一讲神经网络的参数到底是如何更新的！我们先来看看如下神经网络中的最后一个参数b3是怎样进行更新的。后面的章节再来讲w1w2w3b1b2是如何更新的。我们先假设w1w2w3b1b2参数均已得到最优解，分别如上图中绿色数据所示。假设我们要拟合的曲线如下图所示：我们先给b3赋一个默认的初始值0。假设最上面的绿色曲线是我们要拟合的真实曲线，最下面的绿色曲线是当前的预测曲线。我们先来求一个残差平方和，即对于所有的输入...神经网络参数曲线Bert重大创新，RAG突破512长度限制
当前RAG的检索、召回模块，受到了传统BERT模型只支持512长度的极大限制。导致文档切分后的chunksize，极大影响RAG的性能。本文介绍的ModernBERT，在BERT的基础上进行了重大改进，以提高下游任务的性能和效率，尤其是在更长序列长度上的表现。ModernBERT在2万亿个token上进行训练，原生支持8192序列长度，展现了在多样化分类任务和单向、多向检索任务上的卓越性能。ModernBERT解决的问题问题1：传统Bert序列长度512的限制ModernB...RAGGopher序列长度
