AI.x社区

7月9日，AI平台Odyssey在官网展示了全新的视频模型，并自称其效果可以与好莱坞级特效媲美。同时获得了900万美元种子轮融资。目前，Sora、Gen3、可灵、Luma等知名文生视频模型生成的视频，还无法精准达到影视级要求，更别提好莱坞级。多数产品都需要通过AE、PR等专业软件进行后期处理才能使用。Odyssey的方法并不是传统的文生视频，而是在一个视频中内置了4个模型，分别用来生成高质量的几何形状、逼真的材质、灯光效果和可控的...

文字接龙LLM从根本上始终要做的是，针对它得到的任何文本产生“合理的延续”。LLM只是在玩一个“文字接龙”的游戏。当ChatGPT做一些事情，比如写一篇文章时，它实质上只是在一遍又一遍地询问“根据目前的文本，下一个词应该是什么”，并且每次都添加一个词。（这里说的“词”实际上指的是token，它可能只是词的一部分）每个词的出现有一定的概念，并不会在每次添加词的时候选择概率最高的那个，而是在一定范围内随机选择，否则...

文章链接：https:arxiv.orgpdf2407.06191github链接：https:tailor3d2024.github.ioHuggingface:https:huggingface.cospacesalexzyqiTailor3D亮点直击：提出了Tailor3D，一种快速的3D编辑pipeline。通过结合2D图像编辑和快速3D重建技术，它显著提高了3D对象编辑的效率。双面LRM结合了LoRATriplaneTransformer，有效处理了前后视图之间的不一致性，提升了整体重建质量。Tailor3D在各种3D编辑和定制任务中表现出色，特别是在局部3...

大型预训练语言模型的规模不断扩大，在许多自然语言处理（NLP）基准测试中取得了最先进的结果。自GPT和BERT开发以来，标准做法一直是在下游任务上微调模型，这涉及调整网络中的每个权重（即模型调优）。但是，随着模型变得越来越大，为每个下游任务存储和提供模型的优化副本变得不切实际。一个有吸引力的替代方案是在所有下游任务中共享一个冻结的预训练语言模型，其中所有权重都是固定的。冻结模型可以通过“上下文”学习来执...

一、编程辅助例子GitHubCopilot[1]基于OpenAI的Codex[2]模型（GPT3[3]的后代）实现，可以在代码编写的时候实时地提供代码补全建议和注释，并且在多个编辑器的插件市场都可以下载使用。不管是从Copilot官网上的例子，还是在互联网上搜索关于Copilot的使用案例，你都可以发现它比一般的代码补全工具更为先进和灵活，它不仅能补全代码，更能创造代码，通过理解使用者简单的自然语言指令，它能够按照这些指令直接构建代码片段，并且...

本文介绍了一种名为“LLaMAMoE”的方法，通过将现有的大型语言模型（LLMs）转化为混合专家网络（MoE），从而解决了训练MoE时遇到的数据饥饿和不稳定性问题。该方法基于著名的LLaMA27B模型，并将其参数分为多个专家，然后对转换后的MoE模型进行持续预训练以进一步提高性能。实验结果表明，在使用200B个标记进行训练后，LLaMAMoE3.5B模型在激活参数相似的情况下显著优于密集模型。下载地址和项目代码见文末图1：构建LLaMAMoE模型...

机器学习是人工智能的一个重要分支，它使计算机能够通过数据学习并做出决策或预测，而不是通过明确的编程指令。主要的机器学习类型包括：1、监督学习（SupervisedLearning）：定义：在这种类型中，算法从标记的训练数据中学习，即每个样本都有一个对应的标签或结果。监督学习的目标是训练出一个模型，能够对新的、未见过的数据进行准确的预测或分类。就像学生通过例子学习，监督学习算法通过分析带有答案的练习题来学习。它的目...

微软和苹果这对冤家近日竟然做出了一个同样的决定:放弃在OpenAI董事会中的观察员席位。去年11月,OpenAI经历了一场戏剧性的董事会动荡，在此事件后,作为OpenAI的主要投资者,微软获得了一个无投票权的董事会观察员席位。苹果则是在与OpenAI达成合作后，“白捡”了一个OpenAI观察员的席位，这才几天过去，席位还没坐热乎呢就直接起身离场了。然而,就在本周二,微软副总法律顾问基思·多利弗(KeithDolliver)在一封致OpenAI的信中宣布...

一、结论写在前面下面介绍的论文来自：电子科技大学、新加坡科技设计大学、同济大学、新加坡国立大学。论文标题：MathLLaVA:BootstrappingMathematicalReasoningforMultimodalLargeLanguageModels论文链接：​​https:arxiv.orgpdf2406.17294​​代码和数据：​​https:github.comHZQ950419MathLLaVA​​。LLMs在文本数学问题解决方面展示了令人印象深刻的推理能力。然而，现有的开源图像指令微调数据集，每个图像包含有限的问...

一、结论写在前面下面介绍的论文是微软发表的。论文标题：IsAPictureWorthAThousandWordsDelvingIntoSpatialReasoningforVisionLanguageModels论文链接：​​https:arxiv.orgpdf2406.14852​​大语言模型（LLMs）和视觉语言模型（VLMs）在广泛的任务和领域中展示了卓越的性能。尽管有此潜力，空间理解和推理——人类认知的基本组成部分——仍然未被充分探索。论文开发了涵盖空间推理多样方面（如关系理解、导航和计数）的新颖基...

本文使用YOLOv8模型，并借助开源Ultralytics框架和BoTSORT跟踪器，实现了对树上漫步的蚂蚁进行计数。简介计算视频中的物体是一项具有挑战性的计算机视觉任务。与静态图像中的物体计数不同，视频信息涉及额外的复杂性，因为物体可能在不同的时间移动、被遮挡或出现和消失，这使得计数过程变得更为复杂。在本教程中，我们将演示如何使用对象检测和跟踪技术来计数沿着树移动的蚂蚁。具体地说，我们将利用开源的Ultralytics平台，并...

“怎么把技术打造成产品，是一个值得思考的问题”随着上海世界人工智能大会的结束，人工智能的应用被提上了日程。什么是人工智能的应用？人工智能的应用就是把人工智能技术与具体的应用或业务场景相结合的过程。而怎么把人工智能技术与应用场景相结合，以及与哪些应用场景相结合，就成为一个值得思考的问题。01、大模型的应用现状在人工智能大会上，百度总裁李彦宏说，去年是一个千模大战的场景，直到现在很多企业还是在卷基础...

“大模型+本地知识库，是主流的技术架构方向”在当前人工智能爆火的时代，人工智能走进了越来越多的企业，很多企业都在业务中引入人工智能技术。但在一些没接触或刚接触人工智能的技术人员来说，领导突然要引入人工智能技术时，并且让拿出一个技术方案来，这时很多人都会不知所措，无从下手。今天就来讨论一下企业级人工智能解决方案应该是什么样的。01、人工智能常见的应用技术人工智能领域是一个繁杂的技术领域，因为它涉及到...

“本地部署大模型的本质只是一个客户端”人工智能的发展如火如荼，也让越来越多的人了解到人工智能；而对大部分人来说使用的都是第三方提供的客户端，不论是网页版，还是PC端或移动端。那么，我们怎么在本地部署一款大模型呢？下面就来介绍三种工具。01、本地部署大模型的三种工具GPT4ALLgpt4all是一款可以本地部署大模型的客户端工具，其支持window，macOS和ubuntu(一款linux桌面系统)系列。其官网地址：https:gpt4all.ioindex...

一、引言最近imbue发布了其自研的Imbue70B模型，各项能力与LLaMA370B相当，在推理相关的任务上表现优于zeroshot的GPT4o。更难能可贵的是，Imbue也进一步分享了他们从0到1构建一个大规模GPU集群的端到端指南（Frombaremetaltoa70Bmodel:infrastructuresetupandscriptsimbue）：包括网络拓扑，系统安装，模型训练遇到的各种异常，以及各种解决方案。除此之外，作者还开源了相关的工具和脚本：GitHubimbueaiclusterhealth。本文中...

🎉乘风进阶学习季开奖啦！以下为本次活动获奖名单（名单中为用户昵称），请于三日内向51CTO小助手（微信号：assistant51cto）提供回帖截图用以核实获奖信息，并将收货信息发给51CTO小助手，包括收货姓名、收货电话、收货地址等。活动1：直击IO现场，拓展技术视野活动2：获取开发者学习资源，开启技能进阶活动3：与GDG同行，探索技术前沿tjm2613165s钢笔心郭老师的猫郭老师的猫郭老师的猫苏小糖的糖苏小糖的糖王大腰刘小嫩一把梭...

纯属brainstorm，欢迎大家一起探讨。我会尽可能举一些具体例子来分析。部分点在我之前的一个相关回答中也有，大家可以移步参考：当前基于diffusionmodel的文生图模型有些什么缺陷？（https:www.zhihu.comquestion647244779answer3422163670）这个回答对之前的回答做进一步的补充完善。我们通过“数据、模型、优化”三个角度，再加上能做的“任务”，可以将diffusionmodels的全流程解剖一下，然后一个一个来看，个人比较看好的方...

编者按：本文介绍的CRAG技术通过引入轻量级检索评估机制和知识精炼算法，试图解决传统检索增强生成（RAG）方法在处理复杂查询语句时存在的问题（包括检索结果不够精确、引入无关信息等），这些问题会影响模型回答的质量。CRAG技术如何评估检索文档与用户查询之间的相关性？检索评估器的具体工作原理是什么？CRAG的知识精炼算法是如何工作的？它如何确保在“细分再整合”的过程中不会丢失重要信息？如若您现在对这些问题充满好奇...

缘起非结构化文本中蕴藏了海量的数据和知识，但是想要解读这些知识却并非易事。前大语言模型时代，LDA、BertTopic等算法，是非结构化文本挖掘的利器。但是这些模型生成的主题都是基于关键词等基础文本信号的，产生的关键词、话题往往比较初级和宽泛，比如：早餐、打鼾等。这些低层次的文本分析，往往无法准确反映真实人类关心的话题。为了解决传统分析方法的局限性，提出了一种基于大语言模型的新方法LLooM，来从非结构化文本中...

5月14日，OpenAI发布了GPT4o，支持文本、图像、语音、视频等多种形式的输入，大幅提升了推理响应的速度，在非英文任务上具有较大提升，并拥有比现有模型更强的视觉理解能力。我们第一时间对GPT4o模型的图像文本多模态能力进行了评测。OpenAI官方公布的视觉理解性能基于多模态大模型开源评测工具VLMEvalKit，我们在OpenVLMLeaderboard中的十二个图文多模态评测集上测试了GPT4o的视觉能力。GPT4o(20240513)与此前的GPT4v版本在各...