跳到主要内容
检索

Duke University

18 篇关联报道

订阅更新
  1. arXiv

    神经回路边长大边干活:只训练三个发育时刻,控制器在未训练年龄仍保持视运动行为

    循环神经控制器要在神经元不断新生、位置移动、时间常数改变的发育过程中保持行为,此前只在初始或成熟单一底板上优化的控制器换到别的年龄往往失效。研究把发育时间作为输入交给一个紧凑的连接生成网络,在三个、五个或十五个发育快照上优化同一生成器,并在两种几何不同的底板和两项视运动任务上测试。只在三个快照上训练通常就足以让控制器在训练过和未训练过的年龄维持较高且较一致的表现,而生成的连接组随年龄大幅变化,并不收敛到单一的稀疏度或权重轨迹。

  2. arXiv

    给第一视角AI助手建一个可验证考场:人按指令动手,最强模型长程引导只到20%

    第一视角AI助手的评测长期依赖真人,交互数据昂贵而稀少,难以回答今天的多模态大模型能否在物理世界里真正帮到人。InteractiveWorld把这一环节搬进可验证的闭环环境:助手发出指令,由人类智能体观察场景、理解指令并独立行动,环境执行动作并更新双方看到的画面。在此之上构建的InteractiveBench包含六类共120个多轮任务,每个指令都影响结果并由基于状态的可验证奖励打分;12个前沿多模态大模型的表现显示它们仍远非可靠助手,其中Claude Fable 5.1在长程引导与规划任务上分别最高只达到20%和25%。

  3. arXiv

    视觉干预并非越深越好:等强度编辑在解码中段失去杠杆,按题型校准后再用才把属性准确率提上去

    同一处视觉残差编辑在解码器逐层施加、强度对齐后,效果在某一层之后持续下降,这个下降点被称为证据锚定边界;据此按题型校准的选择性路由在三个检查点上把全属性集准确率提高,而全量相减则中性或有害。

  4. arXiv

    机器人记忆不再靠关键帧猜:把每步观察写成可核查文本,固定策略下成功率从44.5%升到66.0%

    Gamma把机器人长时记忆从像素改成可核查的文本行,在固定执行策略下把RoboMME十六项记忆任务的平均成功率从44.5%提到66.0%,并在三项任务上追平特权子目标上限。

  5. arXiv

    安全对齐卡在“写拒绝”这一步:注意力早已识别有害,MLP 直到答案开头才落笔

    在 18 对 Base–Instruct 模型上,有害性信息在注意力更新中更易解码,而拒绝证据主要由 MLP 写入,且后训练只增强写入、不提升识别。

  6. arXiv

    钙钛矿电池换新材料就失准:把固溶体连续性写进模型,未见合金误差降15.7%–19.0%

    V-PaSS把钙钛矿固溶体的物理连续性写进模型,在测试器件全部来自未见实验室的分组协议下,对未见吸收层合金的误差降低15.7%–19.0%。

  7. arXiv

    钙钛矿电池模型评测换了分法:随机切分让查表法追平最优,换到未见机构后神经模型反超树模型

    钙钛矿太阳能电池的机器学习评测改用按来源分组的切分后,一个不做学习的查表法在随机切分上追平已发表最优值,而在未见机构与后续年份上神经模型反超树模型。

  8. arXiv

    乘积密度下的期望不再需要密度:只靠各分量样本,回归一步合并,HIGGS上误差0.0001

    把多个独立分布的乘积分布下的期望,改成对“共识”与“差异”做回归的问题:只取各分量的蒙特卡洛样本,不评估密度,就能估计任意期望。在HIGGS的1100万条模拟碰撞事件上,PMC-MLP的估计误差为0.0001,合并耗时0.1092分钟,总运行时间约为全数据MCMC的10%;在隐私受限的呼吸数据临床试验中,各PMC变体的合并成本都低于GBF。

  9. arXiv

    在原始视频上对语言模型做中期训练,视频基准平均提升2.9分、图像基准提升5.1分且文本能力不降

    该工作研究能否用无字幕、无文本损失的原始网络视频对预训练语言模型做中期训练:将视频帧编码为连续视觉token,让模型预测下一个视觉token,在YT-Temporal-1B的原始片段上中期训练Qwen3-1.7B,再与未做中期训练的模型施加相同的图文指令微调;结果视频基准平均提升2.9分、图像基准提升5.1分,文本平均分由48.0升至48.9,且预测字幕并不优于预测视觉token。

  10. arXiv

    MASA 把稀疏注意力选择改为矩阵近似,在三种稀疏框架上以零额外预算提升长上下文准确率

    作者指出稀疏注意力现有选择规则只保留注意力矩阵中数值大或质量高的条目,而 Transformer 实际是通过矩阵乘法使用该矩阵,因此提出 MASA:用矩阵乘积近似误差的闭式分数替换原有的注意力质量排序,在不改变稀疏核、候选单元与预算的前提下接入 MInference、SeerAttention、FlexPrefill 三种框架,在 RULER、InfiniteBench、LongBench 上取得一致的准确率提升且延迟开销可忽略。