跳到主要内容
检索

The University of Sydney

24 篇关联报道

订阅更新
  1. arXiv

    SinkState 把循环状态存成自适应低秩:混合模型解码峰值内存最多降到基线的 1/2.6

    混合语言模型把历史压进固定大小的循环状态,但现有服务系统仍把状态当稠密矩阵,每一步解码都整块读写,显存与带宽开销随批大小增长。SinkState 利用线性注意力中查询、键、值集中于稳定低维子空间这一现象,在解码全程把每个状态保存为自适应低秩分解,用局部 SVD 合并新 token,并在 CPU 上异步整理冻结部分。在四个 Mamba-2 与 GDN 混合模型(4B 到 120B)上,循环状态峰值内存降到基线的 0.38–0.63,解码最多加速 1.58 倍,准确率保持不变。

  2. OpenAI News

    澳大利亚多所高校与OpenAI合作:ChatGPT Edu将进入课堂,超八成受访学生已在每周使用AI

    澳大利亚多所高校与OpenAI展开合作,把ChatGPT Edu等前沿AI工具引入教学、临床模拟与教师培训。OpenAI委托的一项调查显示,1018名受访大学生中81%每周多次使用AI,28%已自行搭建AI智能体或助手。UNSW计划向逾8万名学生和员工提供ChatGPT Edu,悉尼大学与拉筹伯大学则分阶段推进,全面开放时间分别定在2027年第一学期和2027年第一季度。

  3. bioRxiv

    古微生物组分析有了带边界的智能体:24次冻结测试通过23次,每次运行都能回放

    古微生物组数据稀缺、易污染,让语言模型直接规划分析时,它可能引用不存在的文件、套用格式不允许的操作,或回答数据无法支撑的问题。PaleoRigor把语言模型规划器限制在预定义本地模块内,运行前校验文件引用、格式与步骤依赖,并对越界请求给出具名理由码,同时保存计划、中间文件、校验和与决策记录。在预先注册的冻结留出评测中,它通过24次运行中的23次(95.8%),其中12次边界决策全部正确;同一模型去掉规划契约后通过19次。

  4. 训练结果为何总也复现不了:吸引域像“千层酥”一样互相穿插,精度再高也换不来可预测

    深度学习训练结果难以复现,常被归因于随机种子、批次顺序等外部噪声。该研究把训练看作参数空间中的动力系统,提出不同解对应的吸引域彼此任意接近地交织,形成“千疮百孔的吸引域”几何。在一个两层网络的最小模型中,据此推出的不确定性指数接近零:初始精度提高近24个数量级,结果不一致的比例才减半;在约50万个深度网络训练中,参数空间与函数空间的同类指数也接近零。

  5. Science Advances

    T细胞受体特异性不再只靠实验:AlphaFold 3从序列打分,留出抗原上中位AUC达0.92

    T细胞受体能否识别特定抗原,长期要靠结合实验或四聚体染色逐一确认。研究者改用AlphaFold 3预测肽-MHC-受体三元复合物,并取受体与肽-MHC界面上的预测对齐误差作为打分。在未参与训练的高质量留出集上,按抗原区分的ROC曲线下面积中位数为0.92(I类)和0.81(II类),比此前的AF2多聚体模型高0.24至0.33。

  6. Nature

    免疫细胞的染色质开关被逐个定位:caQTL比eQTL多找回4.5%到22.6%的疾病信号

    在922名供者的347万个外周血单核细胞核上,研究把染色质开放程度当作可遗传的分子性状,在28种免疫细胞类型中定位出243,225个染色质开放数量性状位点(caQTL),其中六成只在单一细胞类型中起作用。与单细胞表达数量性状位点(eQTL)相比,这些位点在16种疾病和44项血液性状的全基因组关联信号上多共定位4.5%到22.6%;把细胞类型、远端窗口和多因果变异模型一起纳入后,炎症性肠病位点有共定位证据的比例从约16%升到约65%。

  7. 洪水预警不再只给一条流量曲线:分位数集成模型在澳大利亚流域标出90%区间

    澳大利亚流域的洪水预警改用分位数集成深度学习:三条独立训练的LSTM分别给出流量均值与5%、95%分位,把预测包成90%置信区间,再按15%年超越概率阈值把区间位置翻译成高、中、低风险。在CAMELS-AUS数据上,南澳对比中分位0.05的Quantile-LSTM取得最低RMSE 0.0801,常规LSTM为0.0963;跨州检测中峰值时间误差约1.94至3.12天,但峰值幅度普遍低估约30%。

  8. arXiv

    脑龄预测改用白质纤维朝向分布:692人上平均误差3.54岁,旋转输入后预测跟着转

    脑龄预测不再只靠扩散张量标量指标,而是直接以白质纤维朝向分布(WM-FOD)的球谐系数为输入,并用SE(3)等变卷积网络保留旋转下的变换性质。在人类连接组计划老龄化数据集的692名36至90岁参与者上,该组合框架优于所评估的基于DTI的模型和常规CNN;五个交叉验证模型平均后平均绝对误差为3.54年,皮尔逊相关为0.958。性能优势依赖WM-FOD与等变处理的结合,且预测精度在球谐最大阶数Lmax=2时最高。

  9. arXiv

    图像真假之外还有一问:EviScene让智能体查证画面情境,证据充分率52.26%

    图像事实性评估不再只问画面是否由AI生成,EviScene让多模态智能体边查边改问题,在1527张测试图上把平衡准确率提到79.05%,证据充分率52.26%。

  10. arXiv

    推理后训练不必喂满语料:两级收缩把优化预算压到0.22%,9B学生仍能打

    推理后训练不再把全部教师思维链等量喂给学生。此前扩大语料会推高训练成本,却换不来成比例的性能提升。这里先用蒙特卡洛推理树估计中间状态的过程不确定性,把语料收缩成教师侧候选池,再在监督微调中按学生当前损失在线路由,在多个推理基准和模型家族上把优化预算压到全量监督微调的0.22%至1.91%,推理表现保持或提升。