AI.x社区

EfficientPersonalizationofQuantizedDiffusionModelwithoutBackpropagation20250319｜SNU,INMC&IPAI🔺18​​​http:arxiv.orgabs2503.14868v1​​​​​​​​https:huggingface.copapers2503.14868​​​​​​​​https:ignoww.github.ioZOODiPproject​​​研究背景与意义当前扩散模型在图像生成领域表现出色，但其训练、微调和推理过程需要大量的计算和内存资源。尽管量化技术成功减少了推理时的内存使用，但训练和微调这...

01、概述人工智能（AI）正在以前所未有的速度发展，但在面对复杂推理时，依然存在诸多挑战。即便是像GPT4和Claude3.5Sonnet这样的先进模型，依然在复杂编码、深度对话和数学推理等任务上存在局限性。单一模型的“盲点”和不足暴露了当前技术的瓶颈，而市场对于专用AI模型的需求却在日益增长。如何有效整合多个专业化模型，打破技术壁垒，成为AI发展的关键议题。在这一背景下，FireworksAI推出了全新的复合AI模型——f1，为复杂...

就很突然，Claude3.5，它来了！Anthropic发布3.5系列第一个版本Claude3.5Sonnet。在多个关键指标中，GPT4o几乎被吊打！而跟上一个版本相比，速度是Claude3Opus的两倍，成本只有其五分之一。目前，网页端和iOS程序可以免费试用，Pro订阅者会享受更高的速率限制。另外还可通过AnthropicAPI以及AmazonBedrock等平台上使用。API的价格如下：该模型每百万输入Tokens收费3美元，每百万输出Tokens收费15美元，具有200KTokens上下文窗口...

北京时间4月15日凌晨，GPT4.1系列模型悄然上线，以百万token上下文处理能力和26%的成本降幅，直接宣告了GPT4.5的死刑。同时，GPT4.1以更低的成本、更长的记忆、更精准的指令控制，全面碾压GPT4o。目前，该系列包含了三个模型，分别是GPT4.1、GPT4.1mini和GPT4.1nano，只能通过API调用，并已向所有开发者开放。不过GPT4o已经加入了GPT4.1的部分功能。这次发布的4.1系列（含mininano）彻底颠覆玩法：编程：GPT4.1在SWEbenchVerifi...

苹果跟ChatGPT的合作苹果发布会公布了与ChatGPT的合作事宜，并且接入其Siri，我立马整了一个方案，可以让GPT4o可以一键完美接入Siri，国内外都可以用，可以看下使用视频和教程。操作步骤1.获取快捷指令请复制下面的链接在你的苹果设备中打开​​https:www.icloud.comshortcutsd6855b59996448d3813785614e4591b1​​点击获取之后,就可以看到你的快捷指令:呼叫二狗2.编辑快捷指令只需要把你获取到的APIKEY填入到图中的框中就行快...

针对目前音乐生成3D舞蹈动作中存在的长序列生成动作质量差，生成效率低的问题，本文提出了Lodge，可以高效地根据输入音乐生成极长的3D人体舞蹈动作。本文将Lodge设计为两阶段的由粗到细的Diffusion框架，并提出了特征化的舞蹈基元动作作为两阶段Diffusion的中间层表征，从而让Lodge可以兼顾全局编舞规律和局部的动作质量，并且增强舞蹈的表现力。此外，本文还提出了脚步优化模块以缓解脚和地面的接触问题如脚滑、脚步漂浮等。文...

OpenAI今天在X上发布推文：「所有ChatGPT免费用户现在都可以使用浏览、视觉、数据分析、文件上传和GPTs。」OpenAI此前就曾承诺向所有人免费开放他们的新旗舰产品GPT4o以及浏览、数据分析和内存等功能。时隔半个月，承诺终于兑现。免费用户狂喜，可是付费用户却笑不出来。「如果每个人都免费，为什么我要付费？」大批付费用户的留言攻占了OpenAI的评论区。其实，免费用户和付费用户还是存在一些区别的。免费和付费的区别免费用户...

​Sora、可灵等视频生成模型令人惊艳的性能表现使得创作者仅依靠文本输入就能够创作出高质量的视频内容。然而，我们常见的电影片段通常是由导演在一个场景中精心布置多个目标的运动、摄像机拍摄角度后再剪辑而成的。例如，在拍摄赛车追逐的场景时，镜头通常跟随赛车运动，并通过扣人心弦的超车时刻来展示赛事的白热化。而如今的视频生成模型无法实现3D场景中目标、相机联合控制的文本到视频创作，限制了AI影视制作的能力。近期...

我在专栏[大语言模型的技术原理和应用]中介绍了大语言模型(LLM)原理和应用，LLM对语言建模，输入输出都是文本，属于单模态模型。LLM的出现让人们看到了AGI的希望，但要实现AGI，就要让机器像人类一样实现多种感官协作，所以多模态是AGI必经之路。从今天开始我们将进入多模态领域。openAI刚刚发布的GPT4o就是一种多模态大模型。一、初识多模态大模型1.1多模态大模型定义所谓“多模态”简单来讲就是模型能够处理多种数据模态，例...

编辑诺亚、伊风出品51CTO技术栈（微信号：blog51cto）近日在开源模型界，CommandR+风头正劲。在Arena榜单上，CommandR+凭借逾13000名支持者的票，一度跃升至第6位，其表现与GPT40314旗鼓相当！在一众对垒GPT4的开放权重模型中，斩获该榜单有史以来的首胜。图源：https:twitter.comlmsysorgstatus17776301337而Arena榜单，是近日用纯C语言手搓GPT2的AI大神AndrejKarpathy提过的唯二信任的测试基准之一。CommandR+隶属总部位于多...

论文链接：https:arxiv.orgpdf2503.03751git链接：https:research.nvidia.comlabstorontoaiGEN3C亮点直击提出了GEN3C，一种具有精确相机控制的世界一致性视频生成模型。通过对输入图像或先前生成的视频帧的深度估计进行反投影，构建了一个以点云表示的3D缓存。借助用户提供的相机轨迹，渲染3D缓存，并将渲染出的视频用作视频模型的条件输入。对模型在不同输入条件下的视频生成任务进行了广泛评估，从单一图像到稀疏和密集的多视...

本文总结了近10年来的生图模型论文中用到的评价指标，并尝试解答两个问题不同时期的评价标准都有哪些特点？图片质量的评价如何辅助模型的迭代？​一、前言随着各种文生图模型逐渐从toyproject进入到生产链路，在线上实际落地并产生业务价值，同时自研来源模型也进入了快速迭代的阶段。一套直指问题、综合拓展性和复用性的评价指标变得尤为宝贵，从效果上来讲，如果说数据质量决定了模型效果的上限，那么指标的好坏直接决定了模...

随着GPT4O生图的横空出世，图像生成领域再次掀起了巨浪。许多人猜测其背后运用了自回归模型，那么自回归模型究竟是什么？它与扩散模型生图又有何不同？今天，就让我们深入探讨这两种模型的奥秘，一窥它们在图像生成领域的优势与局限，看看谁才是未来图像生成的真正王者！1.自回归模型概述1.1定义与原理自回归模型（AutoregressiveModel，简称AR模型）是一种用于时间序列分析和预测的统计模型。它假设当前值与之前若干个值存在线...

Llama3在Groq平台运行速度超快美国时间4月18日中午，Meta发布了Llama3大模型。该版本的模型经过预训练和指令微调，参数分别为8B和70B，可支持广泛的用例。Llama3在行业基准测试中展示了最先进的性能，包括改进的推理能力。Meta在发布的文章中声称Llama3是目前同类产品中最好的开源模型。4月19日凌晨，也就是Llama3发布12小时后，AI芯片公司Groq发布在其LPU™推理引擎上运行的Llama38B(8k)和70B(4k,8k)，并通过groq.com和GroqClo...

ELIZA，这个被广泛认为是世界上第一个聊天机器人的程序，由JosephWeizenbaum于1960年代初在麻省理工学院开发。它通过模拟罗杰斯心理治疗师的非指导性咨询方式，与用户进行交流，其表面的简单性背后却隐藏着对人类交流本质的深刻探索。Weizenbaum的初衷是创建一个研究自然语言通信的平台，而不是一个与人类用户进行对话的程序。他选择了罗杰斯心理分析师和患者之间的对话作为模拟背景，因为这种设置可以简单地创造出“相互理解的...

摘要:近年来，大型语言模型（LLMs）的集成已经彻底改变了机器人学领域，使机器人能够以类似人类的熟练程度进行交流、理解和推理。本文探讨了LLMs对机器人学多方面的影响，解决了利用这些模型在各个领域的关键挑战和机遇。通过将LLM应用归类并分析在机器人学的核心要素——通信、感知、规划和控制中，我们旨在为寻求将LLM集成到他们的机器人系统中的研究者提供可行的见解。我们的研究重点放在GPT3.5之后开发的LLMs上，主要在基于...

​摘要—大型语言模型（LLMs）经历了显著的扩展，并且越来越多地被整合到各个领域中。特别是在机器人任务规划领域，LLMs利用其先进的推理和语言理解能力，根据自然语言指令制定精确高效的行动计划。然而，对于具体化的机器人任务，即机器人与复杂环境互动的任务，仅文本的LLMs常常因为缺乏与机器人视觉感知的兼容性而面临挑战。本研究提供了一个全面的概述，介绍了LLMs和多模态LLMs如何被整合到各种机器人任务中。此外，我们提...

大模型正在从技术变革走向产业变革。无数的AI原生应用，正在重新定义我们与数字世界乃至物理世界的交互方式。作为产业端落地的重要行业之一，大模型在金融领域，也正在创造越来越多的增量值。大模型在金融行业的入口主要体现在以下几个方面：•金融风险管理：大模型技术可以用于构建更准确、更全面的风险模型，帮助金融机构评估和管理市场风险、信用风险、操作风险等，提供更精确的风险预测和决策支持。•量化交易：大模型技术...

摘要：大型语言模型（LLM）作为聊天机器人因其在自然语言处理以及广泛任务中的多功能能力而引起了广泛关注。虽然各行业对采用此类基础模型的人工智能工具充满了热情，但需要探讨此类LLM在提升电能行业运营方面的能力与局限，本文在这方面确定了有价值的研究方向。未来研究的关键方向包括用于微调LLM的数据收集系统、将电力系统特定工具嵌入LLM，以及基于检索增强生成（RAG）的知识库，以提高LLM响应的质量和LLM在安全关键应用中...

“模态融合是多模态大模型的核心”随着大模型的发展，大模型从单模态发展到现在的多模态，为什么发展多模态大模型在之前的文章中有过描述，这里就不在详细介绍了。今天主要说的是多模态大模型的一个更加具体的东西，多模态融合技术。多模态融合技术的难点及注意点多模态融合是结合不同类型的数据(如图像，文本，音视频等)以提高模型等理解和生成能力的一种技术。然而，这一过程中充满了困难与挑战，以下是多模态融合中常见的难...