跳到主要内容
检索

University of Pisa

6 篇关联报道

订阅更新
  1. arXiv

    换掉 Adam 就能少忘旧任务:STABLE 在 100 任务流上把同一套 LoRA 的平均准确率从 0.66% 拉到 73.12%

    持续学习中的遗忘常被归因于回放、正则或架构改造,STABLE 改从优化器入手:它把参数偏离上一任务解的距离当作预算,越界就加大拉回强度,回到预算内就放松。在 ImageNet-R 的 100 任务流上,同一套 LoRA 从 Adam 的 0.66% 平均准确率变为 73.12%,平均遗忘从 60.22% 降到 10.17%;CLIP 多模态流上零样本迁移也保持在预训练水平附近。

  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

    七款开源权重模型两两配对测试显示:小模型可说服大模型改变判断,说服效果取决于听者而非说者

    该研究将说服定义为智能体在与持异议同伴单次交换意见后决策的概率偏移,测试七款开源权重模型在三个语言理解任务上的表现,发现模型分歧时接收方常放弃原判断,且说服强度既不能由单独运行时的确定性也不能由模型规模可靠预测,偏移大小更多取决于听者的易感性而非说者的说服力,因而说服模式是配对特异的,小模型也能推翻大模型的判断。

  4. 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。

  5. Scientific Reports

    无监督模型在波罗的海识别出物种丰富热点区同时受底层缺氧与捕捞压力威胁

    该研究提出一个以风险为环境、人为与生物胁迫因子交互涌现属性的数据驱动评估框架,将基于聚类的 Multi K-means 与基于变分自编码器的深度学习模型结合,对2020年波罗的海中部与西部多源数据及145个海洋物种(含商业相关物种与鳕鱼)丰度信息进行分析,在物种丰富区域识别出底层缺氧、深度相关限制与捕捞压力共同出现的高度集中风险热点,并通过跨模型一致性分析显示两模型结果既一致又互补。

  6. 超声心动图在肺动脉高压风险评估中的增量价值:ULTRA RIGHT VALUE 注册研究的人工智能机器学习分析

    在 401 例欧洲多中心前瞻性肺动脉高压(PAH)队列中,将右心室超声心动图参数(尤其是右心室-肺动脉耦联指标)纳入 ESC/ERS 与 REVEAL 2.0 风险评分后,机器学习分析显示死亡与发病预测的 c-index 分别从 0.73 提升至 0.78、从 0.74 提升至 0.79(P<0.01),提示超声心动图可提升现有 PAH 风险评分的预测能力。

已读完全部报道