AI.x社區
- 登錄/注冊
通道間關系建模在不規則時序預測中的研究
今天給大家介紹一篇不規則時間序列建模的工作。本文的核心是研究不規則時序預測中的變量間關系建模問題，研究焦點是如何在保持計算效率的同時，有效地捕捉長期依賴性和復雜變量間關系。研究者們提出了一個新穎的框架，通過結合局部的通道依賴（CD）策略和全局的通道獨立（CI）策略，顯著提升了模型在多個真實世界數據集上的性能。論文標題：TimeCHEAT:AChannelHarmonyStrategyforIrregularlySampledMultivariateTimeSeriesAnaly...關系建模時序預測GitHub Copilot免費了， 可無條件使用GPT-4o 和Claude 3.5 Sonnet等高級模型
GitHub和Microsoft日前聯合宣布推出GitHubCopilot免費計劃，所有開發者只需一個GitHub賬號即可在VSCode中免費使用這款AI編程助手，無需信用卡，無需訂閱。這一免費計劃為用戶每月提供2000次代碼補全和50次聊天請求額度。用戶可以使用GPT4o和Claude3.5Sonnet兩種AI模型，基本滿足日常開發需求。如需更多功能，可升級至無限制的Pro計劃，該計劃還將在明年支持o1和Gemini等更多模型。除了基礎的代碼補全功能，GitHubCopilot還推出...GitHubCopilotGPT-4o我們聊聊如何構建通用LLM Agent
精華1.LLMAgent是什么大語言模型智能體是一種程序，其執行邏輯由其底層模型控制。大語言模型智能體與少樣本提示或固定工作流程等方法的區別在于，它能夠定義和調整執行用戶查詢所需的步驟。通過使用一組工具（如代碼執行或網絡搜索），智能體可以決定使用哪個工具、如何使用它，并根據輸出對結果進行迭代。這種適應性使系統能夠以最小的配置處理各種用例。智能體架構存在于一個范圍內，從固定工作流程的可靠性到自主智能體的靈活性...LLMAgentOpenAI人工智能可能永遠無法擁有意識
精華一、受羅杰·彭羅斯啟發的猜想1989年，在他的重要著作《皇帝的新思維》中，羅杰·彭羅斯提出了一個引人注目的假設[1]。他認為量子過程對于形成意識的物理基礎至關重要。這個觀點具有吸引力，因為量子力學的方程告訴我們，在任何時刻，一個物體——無論是我，還是整個世界——都處于多種狀態的疊加中。然而，在任何給定的時刻，我們只體驗其中的一種。為了說明這一點，想象一個研究員走到谷歌量子AI實驗室的一臺量子計算機前，觀...人工智能系統智能生成式大語言模型的安全問題
微軟“Tay”項目2016年3月，微軟發布了一個名為Tay的新項目。微軟設計Tay的初衷是為“18至24歲的美國年輕人提供娛樂服務的聊天機器人”。這是一個有趣的名字，代表著早期人工智能實驗的輕松嘗試。Tay旨在模仿一位19歲的美國女孩的語言模式，并通過與Twitter、Snapchat及其他社交應用上的用戶互動來學習。這款聊天機器人是為了進行真實環境下的對話理解研究而開發的。然而，僅在發布幾小時后，問題就顯現了。TechCrunch評論道：...生成式大語言模型DDPG算法輕松解決AI醫療機器人技術難題：連續動作控制
原創本文旨在探索DDPG算法如何解決連續動作控制難題，從而進一步提升生物工程領域AI驅動的醫療機器人的強大功能。引言想象一下，你正在手術過程中控制著一臺機械臂。此機械臂的離散動作可能有：向上移動向下移動抓取或釋放這些都是明確、直接的命令，在簡單情況下是易于執行的。但是，如果執行精細的動作，例如：將手臂移動0.5毫米以避免損傷組織施加3N的力以壓縮組織或旋轉手腕15°以調整切口角度該怎么辦呢？在這些情況下，你需要...DDPG算法AI驅動AI醫療機器人AI時代，技術性失業會愈演愈烈嗎
原創此前的技術性失業只不過是暫時的、局部性的問題。但我們不能認為從過去歷史中獲得的經驗可以原封不動地套用于未來的狀況。過去與未來的前提不同，走向當然也會不同。雖說如此，只要未來的AI都是弱人工智能，那么技術性失業就會同之前一樣，不過是暫時的、局部性的問題。即使未來搭載AI的自動駕駛汽車與無人機普及開來，導致出租司機”與快遞人員失業，他們還可以轉為從事其他人類更擅長的工作。比如擔任護理人員或者按摩師等。...AI失業Cohere AI 發布 Command R7B：R 系列中最小、最快且最終的型號
原創01、概述在當今的企業級應用中，大型語言模型（LLMs）已經成為不可或缺的工具。從智能文檔處理到對話式人工智能，這些技術的應用正全面鋪開。然而，LLMs的部署卻并非易事：高昂的計算資源需求、緩慢的推理速度、以及居高不下的運維成本，往往讓企業望而卻步。此外，企業對數據隱私的嚴格要求也進一步加大了采用LLMs的難度，尤其是當涉及敏感信息時，模型需要能在高度安全的環境中運行。為了解決這些問題，CohereAI推出了其R系列...大型語言模型InternLM-XComposer2.5-OmniLive：用于長期流媒體視頻和音頻交互的綜合多模態人工智能系統
原創01、概述隨著人工智能的發展，構建能夠實時感知環境、進行復雜推理并記憶的系統，已成為研究者們追求的目標。這不僅要求AI系統能處理音頻、視頻和文本等多模態數據，還需在動態環境中模擬人類感知、推理與記憶的協同能力。然而，現有多模態大語言模型（MLLMs）在這方面仍存在諸多限制，尤其是在同時處理任務時的效率和可擴展性。為解決這些問題，來自上海人工智能實驗室、中國香港中文大學、復旦大學、中國科技大學、清華大學、...多模態人工智能谷歌AI發布Gemini 2.0 Flash：比Gemini 1.5 Pro快2倍的新AI模型
原創 精華01、概述隨著人工智能技術的快速發展，行業巨頭不斷推出更加先進的模型。近日，GoogleAIResearch發布了其最新的多模態人工智能模型——Gemini2.0Flash，不僅在速度上實現了飛躍性提升，還擴展了多模態功能的深度與廣度，為AI的應用帶來了更多可能性。02、核心升級亮點1）性能速度倍增Gemini2.0Flash在速度上實現了革命性突破，其處理速度是前代模型Gemini1.5Pro的兩倍。這一顯著提升不僅體現在響應時間的加快，還在多個基準測試...谷歌AI模型Transformer編碼器與解碼器和神經網絡之間的關系
原創“編碼器是神經網絡模型的組成部分，而神經網絡模型又由編碼器來實現。”在上一篇文章中介紹了Transformer架構的EncoderDecoder編碼器和解碼器；而且我們都知道Transformer架構是神經網絡模型實現的一種方式，那么一個問題就產生了，編碼器和解碼器與神經網絡之間的關系是什么？即是由多層神經網絡組成了一個個編碼器解碼器，還是由一個個編碼器解碼器組成了一層層的神經網絡？它們的依賴關系是什么樣的？編碼器與神經網絡先來...Transformer神經網絡編碼器解碼器人臉識別和MTCNN模型
原創前言在上一章課程【???使用YOLO進行目標檢測??】，我們了解到目標檢測有兩種策略，一種是以YOLO為代表的策略：特征提取→切片→分類回歸；另外一種是以MTCNN為代表的策略：先圖像切片→特征提取→分類和回歸。因此，本章內容將深入了解MTCNN模型，包括：MTCNN的模型組成、模型訓練過程、模型預測過程等。人臉識別在展開了解MTCNN之前，我們對人臉檢測先做一個初步的梳理和了解。人臉識別細分有兩種：人臉檢測和人臉身份識...人臉識別MTCNN模型扎推曝光！大廠2025計劃流出：字節辟謠瘋狂買卡，奧特曼要搞AGI、智能體和ChatGPT成人模式；谷歌硬剛OpenAI
原創編輯伊風出品51CTO技術棧（微信號：blog51cto）奧特曼明年的工作計劃來了！此前，他在X上向網友征集，希望OpenAI在2025年做點什么新東西。——一萬條評論在線許愿。今天，奧特曼匯總了一下，這個list很可能是明年重點的更新了！AGI、智能體、更好的升級版4o、更長的上下文……還有一個比較炸裂的“成人模式”。除此之外，深度研究、Sora和個性化的升級也安排在日程里了。這份總結以“修修補補”為主，甚至呼聲很高的下一代模型...AGI智能體ChatGPT“大模型+知識圖譜”雙輪驅動的見解、技術和評估 - 英偉達的GraphRAG
數據是現代企業的命脈，為從創新到戰略決策的方方面面提供動力。然而，隨著組織積累的信息量不斷增長（從技術文檔到內部通信），他們面臨著一項艱巨的挑戰：如何從海量的非結構化數據中提取有意義的見解和可操作的結構。檢索增強生成（RAG）已成為一種流行的解決方案，它通過集成相關的企業數據來增強AI生成的響應。雖然傳統的RAG方法對簡單的查詢有效，但在解決需要推理和交叉引用的復雜、多層次問題時，往往無法滿足要求。問...大模型知識圖譜RAGAGI前夜的思考：從o3到AGI，未來已來
精華AI正以前所未有的速度進化，OpenAI的o3模型短短兩個月內便從本科生水平躍升至博士級別，這一突飛猛進的進展讓人震驚，但這一趨勢已不可逆轉。AI搜索公司Exa的CEOWillBryk在X上發表了一篇探討AI的迅猛發展及其對未來社會、工作領域的深遠影響的長文：《ThoughtsontheeveofAGI》（AGI前夜的思考）。1.AI發展迅速：從本科生到博士級別的進化?AI從本科水平到博士水平的快速躍升，進展速度令人震驚。OpenAI的o3模型展示了AI的巨大潛...AGIo3智能什么是神經網絡-終于把神經網絡參數更新搞明白了！
今天我們來講一講神經網絡的參數到底是如何更新的！我們先來看看如下神經網絡中的最后一個參數b3是怎樣進行更新的。后面的章節再來講w1w2w3b1b2是如何更新的。我們先假設w1w2w3b1b2參數均已得到最優解，分別如上圖中綠色數據所示。假設我們要擬合的曲線如下圖所示：我們先給b3賦一個默認的初始值0。假設最上面的綠色曲線是我們要擬合的真實曲線，最下面的綠色曲線是當前的預測曲線。我們先來求一個殘差平方和，即對于所有的輸入...神經網絡參數曲線Bert重大創新，RAG突破512長度限制
當前RAG的檢索、召回模塊，受到了傳統BERT模型只支持512長度的極大限制。導致文檔切分后的chunksize，極大影響RAG的性能。本文介紹的ModernBERT，在BERT的基礎上進行了重大改進，以提高下游任務的性能和效率，尤其是在更長序列長度上的表現。ModernBERT在2萬億個token上進行訓練，原生支持8192序列長度，展現了在多樣化分類任務和單向、多向檢索任務上的卓越性能。ModernBERT解決的問題問題1：傳統Bert序列長度512的限制ModernB...RAGGopher序列長度從大模型數據，看大模型的前瞻應用場景在哪里？
對比海外AI獨角獸Anthropic旗下claude和國內字節旗下的豆包大模型使用數據，可以找出相關規律。Anthropic官方調研美國AI獨角獸企業Anthropic使用Clio分析了claude.ai（免費和專業級別）上與Claude的100萬次對話，以確定人們使用Claude完成的主要任務。數據顯示，用戶對編碼相關任務的特別重視：“Web和移動應用程序開發”類別占所有對話的10%以上。軟件開發人員使用Claude執行從調試代碼到解釋Git操作和概念的各種任務。Clio在...大模型數據場景2024駕馭人工智能前沿：AI智能體的演進和影響白皮書
《2024駕馭人工智能前沿：AI智能體的演進和影響白皮書》由世界經濟論壇和凱捷聯合發布。報告聚焦于人工智能智能體，在大型語言和多模態模型快速發展的背景下，闡述其定義為能感知環境并自主行動實現目標的系統。梳理了其從簡單規則系統到復雜模型的演進過程，包括關鍵技術趨勢、多種類型及未來的多智能體系統發展方向。還分析了應用帶來的生產力提升等好處，以及故障、惡意使用等風險，并針對風險從技術、社會經濟和倫理等方面...人工智能AI智能體使用YOLO進行目標檢測
原創前言本章的學習內容，將以目標檢測為切入口，了解目標檢測流程，包括：數據標準、模型訓練以及模型預測。圖片分類vs目標檢測通過查看YOLO網站的task目錄，我們可以看到：在計算機視覺領域中，常見的任務包括目標檢測（detect）、語義分割（segment）、圖像分類（classify）、人體姿態估計（pose）、以及有向邊界框（OrientedBoundingBox，OBB）等。圖像分類（classify）a.輸出是圖像所屬的類別或標簽，通常以概率分布的形式（例...計算機視覺
