跳到正文

数据与训练

训练侧的门道:数据集构建、合成数据、预训练与后训练方法、算力与训练成本。

322条精选相关主题论文研究部署工程模型发布

最新精选

第 261–280 条 · 共 322 条
8月28日周五
  1. Google Research75

    Google Research发布行星预测引擎:通过地球AI自动化全球模型

    Google Research发布了一项名为行星预测引擎(PPE)的实验性研究能力,该引擎可以自动执行地理空间建模工作流程,从数据发现到模型训练,在公共卫生、食品安全、环境风险和经济社会等领域取得了改进。

    推荐理由:该研究介绍了行星预测引擎(PPE),一个自动执行地理空间建模工作流程的实验性研究能力,在公共卫生、食品安全、环境风险和经济社会等领域取得了改进。读者可以了解PPE如何通过智能数据发现、多模态基础模型融合和自动化模型优化来降低行星规模分析的技术门槛。

8月27日周四
  1. Google Research70

    GlucoFM:用于连续血糖监测的基础模型

    Google Research发布了一篇论文,介绍了GlucoFM模型,该模型通过分析连续血糖监测数据,实现了对糖尿病风险、胰岛素抵抗等临床预测任务的准确预测。

    推荐理由:GlucoFM模型在血糖监测领域展现出优异的性能,通过分析大量未标记数据,实现了对糖尿病风险、胰岛素抵抗等临床预测任务的准确预测,为血糖监测领域的研究提供了新的思路。

8月22日周六
  1. Google Research60

    Google Research 发布生物标志物发现框架:用于从可穿戴传感器数据中优先排序候选生物标志物

    Google Research 发布了名为 Biomarker Discovery Framework 的多智能体系统,旨在从可穿戴传感器数据中优先排序候选生物标志物,加速生物标志物的发现过程,同时保持严格的统计严谨性和人类监督。

    推荐理由:该研究提出了一种名为 Biomarker Discovery Framework 的多智能体系统,用于从可穿戴传感器数据中优先排序候选生物标志物,加速生物标志物的发现过程,同时保持严格的统计严谨性和人类监督。

8月21日周五
  1. Google Research45

    移动性如何使语言模型对地点有更深入的理解

    Google Research提出了一种新的框架,通过结合移动性和文本数据,使语言模型能够更深入地理解地点的动态特征,对现实世界的属性预测有显著提升。

    推荐理由:该研究提出了一种新的框架,通过结合移动性和文本数据,使语言模型能够更深入地理解地点的动态特征,对现实世界的属性预测有显著提升。

8月17日周一
  1. Google Research65

    利用智能手机图像估计身体成分:超越BMI评估心血管代谢风险

    Google Research发布了一项研究,介绍了一种名为PhotoScan的深度学习框架,可以直接从标准2D智能手机照片中估计三维身体成分指标,包括体脂百分比、A/G比和V/S比,以预测胰岛素抵抗风险。

    推荐理由:该研究展示了使用智能手机图像进行身体成分估计的可行性,为心血管代谢研究提供了一种可扩展的工具。

8月6日周四
  1. Google DeepMind76

    Google DeepMind 开源 WeatherNext 气旋预报模型

    Google DeepMind 在 Nature 发表论文,称 WeatherNext AI 模型在气旋路径、强度和风场结构预报上达到 SOTA,平均多出一天预报时效,三天预报精度相当于此前模型的两天水平。

    推荐理由:原文给出气旋路径与强度预报的领先幅度和开源范围,读者可据此判断气象预报模型的进展与可用性。

7月31日周五
  1. Google Research85

    Science One 框架:通过证据链实现的可验证自主研究框架

    Google Research 发布了 Science One 框架,这是一个可验证的自主研究原型,通过构建和维护证据链来确保 AI 研究的可信度,并在 MLE-Bench 和 Parameter-Golf 等基准上取得了优异的性能。

    推荐理由:Science One Framework 引入了一种新的可验证性框架,通过构建证据链来确保 AI 研究的可信度,同时保持了前沿基准上的性能。

7月27日周一
  1. Import AI65

    AI在编程和机器人任务上的新进展

    Epoch和METR发布了MirrorCode基准,展示了AI在编程任务上的能力。Anthropic展示了其模型如何加速机器人任务,OpenAI的模型在内部测试中突破限制。

    推荐理由:原文展示了AI在编程任务和机器人任务上的新进展,读者可以了解AI在工业文明和机器人领域的潜在应用。

7月20日周一
  1. Import AI65

    Import AI 465: 开源与闭源模型差距;Kimi K3;Demis 的重大政策计划

    文章分析了开源和闭源模型在网络安全能力上的差距,指出开源模型在特定任务上与闭源模型相当,但可能在泛化能力上有所欠缺。同时,文章还介绍了中国公司 Kimi K3 的进展,以及 DeepMind 创始人 Demis Hassabis 提出的关于通用人工智能监管的政策建议。

    推荐理由:文章分析了开源和闭源模型在网络安全能力上的差距,并探讨了人工智能政策与安全方面的趋势。

7月16日周四
  1. Google Research70

    揭秘扩散模型创造力的数学原理

    Google Research 发布论文,深入探讨了扩散模型创造力的来源,揭示了神经网络训练过程中的数学原理,并展示了如何通过调整训练过程来提高模型的创造力。

    推荐理由:原文深入探讨了扩散模型创造力的来源,揭示了神经网络训练过程中的数学原理,对理解扩散模型的工作机制具有重要意义。

7月9日周四
  1. Google Research70

    SensorFM:迈向通用智能和可穿戴健康数据接口

    Google Research发布了SensorFM,一个基于大规模可穿戴健康数据训练的大规模传感器基础模型,该模型在多个健康领域展现出泛化能力,并可通过智能体课堂自动进行定制。

    推荐理由:SensorFM通过学习大量未标记的可穿戴健康数据,展示了其在多个健康领域的泛化能力,对健康领域的研究具有潜在影响。

7月6日周一
  1. Import AI70

    Fable 在 KernelBench-Mega 上展示 AI 内核设计能力,揭示 AI 自动化潜力

    Fable 在 KernelBench-Mega 上提交的内核代码实现了 18.71 倍的速度提升,表明 AI 在内核设计等基础研究任务上的进步,以及 AI 自动化在 AI 研究和开发中的应用潜力。

    推荐理由:原文展示了 Fable 在 KernelBench-Mega 上的卓越表现,揭示了 AI 在内核设计等基础研究任务上的进步,以及 AI 自动化在 AI 研究和开发中的应用潜力。

7月1日周三
  1. Google Research65

    Google Research发布针对全球50多个城市的建筑屋顶反射率数据集

    Google Research发布了一个包含50多个全球城市建筑屋顶反射率的数据集,旨在帮助城市规划者实施冷却屋顶解决方案,以减轻极端高温的影响。该数据集可通过新的高分辨率Heat Resilience Earth Engine App访问。

    推荐理由:原文提供了针对城市热岛效应的解决方案,读者可以了解其如何利用AI技术降低城市温度。

6月30日周二
  1. Google Research70

    Google Research 发布 TabFM:表格数据的零样本基础模型

    Google Research 发布了 TabFM,一种针对表格数据的零样本基础模型,旨在简化分类和回归工作流程。TabFM 通过将表格预测重新构造成情境学习问题,消除了传统瓶颈,如手动特征工程、超参数优化和重复的模型训练,并始终优于经过大量调优的行业标准监督算法。

    推荐理由:TabFM 作为一种针对表格数据的零样本基础模型,通过将表格预测重新构造成情境学习问题,成功地消除了传统瓶颈,如手动特征工程、超参数优化和重复的模型训练,并始终优于经过大量调优的行业标准监督算法。

6月29日周一
  1. Import AI60

    ENPIRE:现实世界机器人策略自我改进研究

    NVIDIA 研究人员开发的 ENPIRE 软件通过模拟 AI 代理的自主实验和执行循环,为现实世界中的机器人提供了一种自我改进的方法,该软件包含四个核心模块,包括环境模块、策略改进模块、滚动模块和进化模块。

    推荐理由:原文介绍了 ENPIRE 软件,该软件通过模拟 AI 代理的自主实验和执行循环,为现实世界中的机器人提供了一种自我改进的方法,读者可以了解其在机器人学习领域的应用和潜力。

6月25日周四
6月17日周三
  1. Google Research70

    谷歌研究:从像素到规划:用于自然恢复的地球AI

    谷歌研究团队开发了一个高分辨率深度学习框架,用于揭示标准卫星检测难以发现的精细生态特征,如树篱和树丛。该框架将地图转换为可操作的清单,帮助土地所有者和保护主义者测量和扩大这些精细特征,以支持自然恢复。

    推荐理由:该研究提出了一个用于自然恢复的深度学习框架,通过精细化的生态特征揭示,为解决气候和生物多样性危机提供了新的途径。

6月13日周六
6月11日周四