跳到主要内容
检索

Scuola Superiore Sant'Anna

4 篇关联报道

订阅更新
  1. bioRxiv

    不用弯折传感器也能给手指打标签:Freebie 多相机实时追踪,端到端延迟中位数约16毫秒

    非人灵长类的手指运动标签长期依赖带弯折传感器的机械手柄,这类装置限制了可测运动的维度。Freebie 用多台同步相机和实时姿态估计直接输出手指关键点,在30 FPS与60 FPS采集下分别取得15.8毫秒和16.2毫秒的端到端延迟中位数,其关键点与弯折传感器的中位相关系数绝对值为0.96。用Freebie标签训练的肌电解码器在闭环控制中与用弯折传感器标签训练的版本表现相当,说明训练解码器未必需要给手部加装传感器。

  2. 谢林隔离模型里换上一个LLM智能体:组织演化轨迹没变,运行时间从2秒涨到8917秒

    在Mesa实现的谢林隔离模型中,把一名智能体判断邻居是否同类的符号规则换成由本地Qwen3.5模型通过工具调用完成的语言判断,其余动力学保持不变。用MultiVeStA做统计模型检验后,两种模型在60步内“满意智能体比例”的期望轨迹从约0.65升到约1.0,逐点t检验未显示差异;但LLM版本耗时8917秒,原版约2秒。0.8b与2b模型在单元式检查中出现语义错误、工具调用数目错误或生成卡死,4b与9b通过全部检查。

  3. arXiv

    Porcedda 用 Sys1Cal-v1 测出 Jev 的 Choice 概率被系统性扭曲,补回一个“不确定”分量后中位软准确率从 0.771 升到 0.978

    Porcedda 构建了 Sys1Cal-v1——一个由 92 个概率问题渲染成 365 个真/假条目的合成数据集,其命题概率由构造已知——并用总变差距离与分布重叠(软准确率)评估 Jev 的 Noul、Choice、Score 三个原语以及开源基线 SemIf,发现 Jev 的 Choice 概率被系统性扭曲,而用一个从 Score 期望估计出的潜在“不确定”第三真值分量反演校正后,Choice 的中位软准确率从 0.771 提升到 0.978。

  4. arXiv

    CodeGraph 用开源分类法把 1.45 亿个源码文件标注成含 10 亿条类型化边的知识图谱,并把概念锚定到 Wikidata

    该工作提出一条流水线:用代码专用大模型(基于 Qwen3-Coder-30B-A3B-Instruct)对源码文件做开放分类法的语义标注,抽取算法、范式、设计模式与应用领域四类概念,再经三阶段 Wikidata 落地(确定性 SPARQL、面向长尾的 Deep Research Agent、父类闭包上卷),并配合人工金标集与 LLM 评审的校准质控,最终在 Stack-Edu 语料上构建出 CodeGraph:约 1.58 亿节点(其中约 1.45 亿为文件节点、约 6.3 万个抽取概念、约 1.98 万个已落地 Wikidata 实体)与约 10 亿条类型化边,覆盖 14 种编程语言。

已读完全部报道