搜索
视觉+语音=更强的语音识别！BPO-AVASR通过优化音视频输入和输出偏好，提升语音识别在真实场景中的准确性，解决了传统方法在噪声、口语化和视觉信息利用不足的问题。
3D 视觉定位（3D Visual Grounding, 3DVG）是智能体理解和交互三维世界的重要任务，旨在让 AI 根据自然语言描述在 3D 场景中找到指定物体。
训练狗时不仅要让它知对错，还要给予差异较大的、不同的奖励诱导，设计 RLHF 的奖励模型时也是一样。
3月24日，从自然资源部获悉，国家海洋环境预报中心联合海洋出版社有限公司和三六零数字安全科技集团有限公司，以360智脑13B和Deepseek-R1-70B大模型为基座成功开发了海洋垂直领域大语言模型——“瀚海智语”（英文名称OceanDS）。
据与两家公司高管交谈的两位人士透露，OpenAI 高管在最近几个月多次与信实工业（Reliance Industries）的高管会面，讨论了潜在的产品和销售合作伙伴关系。
可引导性（steerability）是下一个关键点。你需要扩展问题的定义，或者Agent需要回来提出更多问题。在流程的最后，你要验证结果。
哎！最近推特上的网友在LMSYS Arena 发现了个泄漏的大模型 Nebula，效果据说特别好，打败了o1、o3mini、Claude3.7 Thinking等等模型：网友们通过询问和分析 API，发现这似乎是谷歌正在秘密演练的新推理模型！推测可能是 Google Gemini 2.0 Pro Thinking：
毅伯智算TORA3000性能超H20 1.8倍，FP8优化降本增效。
在过去的一两年中，Transformer 架构不断面临来自新兴架构的挑战。
苹果耳机和手表，也要装上摄像头了。为啥？要更AI。彭博社名记古尔曼接连爆料，苹果打算把AirPods和Apple Watch做成智能穿戴。为了让AI拥有环境感知能力，加装摄像头就成了其中的一个重要环节。