/
破解困局：数字化不是答案，转型才是 原创
来源：至顶网商用办公频道
0赞好文章，需要你的鼓励
推荐文章
用程序分析反馈训练大型语言模型生成高质量代码：加州大学圣地亚哥分校和微软的突破性研究
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架，通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同，REAL采用强化学习将代码安全性和可维护性作为奖励信号，不依赖人工标注或特定规则。研究在多个数据集上的实验表明，REAL在保证功能正确性的同时显著提高了代码质量，有效解决了"即兴编程"中的安全漏洞和维护性问题，为AI辅助编程提供了新的范式。
自我挑战型大语言模型：让AI通过自创问题提升能力
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架，让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式，包含指令、验证函数、示例解决方案和失败案例，确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中，仅使用自生成训练数据，Llama-3.1-8B模型性能提升了两倍多，证明AI可以通过自我挑战实现有效学习，减少对人类标注的依赖。
打破僵硬动作！南洋理工大学团队为人类视频补帧注入3D控制能力
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI，一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程，解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息，并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集，包含2,614个视频片段及完整的人体标注。实验结果显示，PoseFuse3D-KI在PSNR上提升9%，LPIPS减少38%，显著超越现有方法。
超越上下文学习：通过任务内在属性指导对齐大型语言模型的长文本生成能力
这项研究提出了LongGuide算法，解决了大型语言模型在长文本生成任务中的局限性。研究团队发现，仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则：度量指导原则和输出约束指导原则，显著提升了模型性能。在七种长文本生成任务中，该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点，为提升AI长文本生成能力提供了新方向。
2021
05/10
18:45
分享
点赞
2025思爱普中国峰会：商业AI持续释放数据价值，驱动企业韧性增长
Snap 推出 Lens Studio iOS 与网页版应用，用 AI 和简单工具创建 AR Lens
国家网络安全中心阐述如何构建网络安全文化
Epic Games 揭示 2025 年 Unreal 现状
AI测试趋势洞察、行业实践探索与未来展望
Snapchat 全球推出 Apple Watch 应用
中国光网络研讨会“卫星光通信与智能组网技术”首届专项研讨会召开
亚马逊神秘研发实验室开发集成agentic AI软件的机器人
数据中心的绿色存储
别再猜测为什么你的大语言模型出错： Anthropic 的新工具能准确显示问题所在
Samsung 联手 Glance 利用你的面容实现 AI 生成锁屏广告
未来预测：逐年推进 AI 迈向 2040 年实现 AGI 的路径
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
