零基础AI - 笔记

立即签到

签到可以获得积分哦!

AI千集是一个专注于科研服务的智能平台

在这里您可以获得本平台自训练的

科研智能体

和小伙伴一起玩转AI，做自己的AI机器人

来AI千集，赋能智慧快人一步

扫一扫，快速获取解决方案与报价

很抱歉，我注意到您提供的原文内容不完整。摘要部分只有开头"近期关于深。"，后续内容缺失，无法进行完整的改写工作。为了为您提供高质量的改写文章，我需要您提供：1. **完整的原文内容** - 包括摘要、正文的所有段落和细节 2. **确认的字数范围** - 您要求约300字，但需要明确是否指改写后的文章长度请您重新提供完整的原文资讯，我会按照以下标准为您改写：- 保留全部关键信息和技术细节 - 采用自然流畅的记者文风 - 严格避免AI常见表达和套路 - 确保约300字的目标长度 - 结构清晰、逻辑严密期待您的完整资讯内容。
喜欢 0 评论 0
随着社交虚拟现实（VR）日益普及，解决盲人和低视力（BLV）用户的无障碍访问问题变得越来越关键。研究人员提出了一种AI"视力引导员"来帮助用户在虚拟现实中导航和回答他们的问题，但这一方案尚未与用户进行研究验证。为了填补这一研究空白，我们开发了一个由大型语言模型（LLM）驱动的引导员，并在有演员扮演其他用户的虚拟环境中与16名BLV参与者进行了使用研究。我们发现，当独处时，参与者将引导员视为一种工具，但在有他人在场时，他们以伙伴的方式对待它，给它起昵称、用其外观来合理化它的错误，并鼓励演员与引导员之间的互动。我们的工作加深了对引导员作为虚拟现实无障碍访问的多功能方法的理解，并为未来引导员的设计提供了建议。
喜欢 0 评论 0
传统的临床心脏磁共振（CMR）流程依赖于顺序的"重建-后分析"范式，这种方式强制执行一个病态的中间步骤，引入了可避免的伪影和信息瓶颈。这产生了一个根本的数学悖论：它试图从欠采样的k空间恢复高维像素阵列（即图像），而不是直接提取诊断所需的低维生理标签。为了释放k空间的直接诊断潜力，我们提出了k-MTR（k空间多任务表征），一个k空间表征学习框架，将欠采样的k空间数据和完全采样的图像对齐到共享的语义流形中。利用42,000个受试者的大规模受控模拟，k-MTR强制k空间编码器在潜在空间中直接恢复由欠采样损失的解剖信息，绕过了显式反演问题以进行后续分析。我们证明了这种潜在对齐使得直接从欠采样频率中嵌入高级生理语义的稠密潜在空间成为可能。在连续表型回归、疾病分类和解剖分割中，k-MTR相比最先进的图像域基线方法实现了具有竞争力的性能。通过展示精确的空间几何和多任务特征可以直接从k空间表征中成功恢复，k-MTR为任务感知的心脏MRI工作流程提供了一个稳健的架构蓝图。
喜欢 0 评论 0
在Python执行跟踪上训练大型语言模型(LLMs)使其扎根于代码执行，并能够逐行预测整个Python程序的执行，有效地将其转化为神经解释器(FAIR CodeGen Team等，2025)。然而，开发人员很少逐步执行程序；相反，他们使用调试器在某些断点处停止执行，仅在检查或修改程序变量时逐步执行相关部分。现有的神经解释器方法缺乏这样的交互控制。为了解决这一限制，我们引入了神经调试器：语言模型，用于模拟传统调试器，支持诸如进入、越过或跳出函数等操作，以及在特定源代码行设置断点。我们表明神经调试器——通过微调大型LLMs或从零开始预训练较小模型而获得——能够可靠地根据调试器操作对前向执行(预测未来状态和输出)和逆向执行(推断先前状态或输入)进行建模。在CruxEval上的评估中，我们的模型在输出和输入预测任务上都取得了强劲的性能，展示了稳健的条件执行建模。我们的工作向未来的代理编码系统迈出了第一步，在这些系统中神经调试器充当模拟调试环境的世界模型，提供执行反馈或使代理能够与真实调试工具交互。这一能力为更强大的代码生成、程序理解和自动化调试奠定了基础。
喜欢 0 评论 0
虽然对大型语言模型(LLMs)的现有评估衡量了欺骗率，但产生欺骗行为的潜在条件理解甚少。我们使用一个新颖的数据集来调查这个问题，该数据集包含现实的道德权衡情景，其中诚实行为需要付出不同的代价。与人类形成对比的是，人类在有时间思考的情况下往往会变得不够诚实(Capraro, 2017; Capraro et al，2019)，我们发现推理在各种规模上以及对于多个LLM系列都始终增加了诚实度。这种效应不仅仅是推理内容的函数，因为推理轨迹通常是最终行为的较差预测指标。相反，我们证明了表征空间本身的几何结构对该效应有贡献。具体地，我们观察到这个空间内的欺骗区域是亚稳定的：与诚实答案相比，欺骗答案更容易被输入改写、输出重新采样和激活噪声所破坏。我们从这个角度解释推理的效应：在道德推理过程中生成审慎的标记涉及遍历一个有偏差的表征空间，最终将模型推向其更稳定的、诚实的默认状态。
喜欢 0 评论 0
语言条件化局部导航要求机器人从当前观测和开放词汇的关系型指令中推断附近可通行的目标位置。现有的视觉-语言空间定位方法通常依赖视觉-语言模型（VLMs）在图像空间中进行推理，产生与可见像素相关的二维预测。因此，它们难以推断遮挡区域中的目标位置，这些区域通常由家具或移动的人类造成。为了解决这个问题，我们提出BEACON，它在包括遮挡区域的有界局部区域上预测自中心俯视图（BEV）可达性热力图。给定指令和机器人周围四个方向的环视RGB-D观测，BEACON通过向VLM注入空间线索并将VLM的输出与深度衍生的BEV特征融合来预测BEV热力图。使用在Habitat模拟器中构建的遮挡感知数据集，我们进行了详细的实验分析以验证我们的BEV空间公式和各模块的设计选择。在包含遮挡目标位置的验证子集上，我们的方法在地测线距离阈值上平均的准确率相比最先进的图像空间基线提高了22.74个百分点。我们的项目页面为：
喜欢 0 评论 0

AI For Everyone 适用于所有人的人工智能课程（含全集所有中文字幕 ）

AI For Everyone 适用于所有人的人工智能课程（含全集所有中文字幕）