跳到主要内容
检索

Intel (United States)

5 篇关联报道

订阅更新
  1. Scientific Reports

    手机与云端分摊生成式推理:MAGS用报价代替抢单,p99延迟降17.1%

    生成式查询的代价要等答案生成完才知道,设备只能提前占资源,多台设备还会同时涌向同一台服务器。MAGS让每台设备先用本地小模型的四层探针预测token数与生成熵,再按服务器广播的拥塞价格竞标云端容量,并在同一次出价里选定每token的隐私参数。在相同观测与调参预算下,十个随机种子上它相对反应式PPO基线把p99延迟降低17.1%、每token能耗降低13.6%、吞吐提高20.7%;八设备两服务器实测把卸载决策的跨设备相关性从0.41降到0.08。

  2. Science Robotics

    5吨滑移装载机学会两轮特技:强化学习策略在真实机器上完成举升、平衡与越障

    一台5吨重的John Deere 332G滑移装载机在仿真中训练出强化学习策略,迁移到真机后能靠前后摆动把车身举上前轮、在两轮上保持平衡并跟踪速度指令。与模型预测控制基线相比,两者在静止平衡和速度跟踪上表现相当,但基线在超过3.5的目标速度下失稳,也无法通过75毫米高的起伏地形,而学习策略可以。整套方法不依赖预先的机器模型,而是先用实测数据训练执行器网络来缩小仿真与现实的差距。

  3. arXiv

    视频动作识别解释拆成“看什么”和“何时动”:删除AUC在三个数据集上多数轴最低,掩码约稀疏五倍

    视频动作识别的归因图通常把画面外观与帧间运动混在一张显著性图里,使用者无法判断模型是靠物体还是靠动作做出预测。该工作把解释拆成空间外观掩码与时间运动掩码,在冻结的分类器上联合优化,并用最近帧替换来切断时间动态。在EPIC-Kitchens-55、EGTEA Gaze+与Something-Something V2上,该方法在多数数据集与轴上取得最低的删除AUC,掩码约为最强基线的五分之一大小。

  4. 大模型读得懂元素却读不懂原子位置:材料性质预测上,几何模型始终压过语言模型

    在坐标—类别数据上,语言模型能学会“有哪些元素”,却学不会“原子怎么排布”。用可调坐标与类别权重的合成数据、以及覆盖多种文本表示与规模的MatText基准,坐标主导任务的误差始终高于类别主导任务,形成坐标—类别悬崖;把数据扩到约两百万结构、模型扩到七百亿参数也未能消除,而图神经网络等几何架构在结构主导的性质上稳定领先。

  5. arXiv

    Power-SMC 用并行候选序列与重要性权重剪枝逼近序列级幂分布,在 MATH500、GSM8K、GPQA、HumanEval 上匹配或超过 MH 采样并把推理加速至多 17.6 倍

    该工作提出免训练采样方法 Power-SMC,通过并行维护多条候选序列、以重要性权重衡量其与序列级幂分布的匹配程度并周期性剪除低分序列,在 MATH500、GSM8K、GPQA 和 HumanEval 上取得与 Metropolis-Hastings 采样相当或更高的准确率、保持输出多样性,同时把推理速度提升至多 17.6 倍。

已读完全部报道