模型关键词检索结果

狩猎生态学预测蜘蛛模块化视觉系统中的眼睛排列

Hunting ecology predicts eye arrangements in the modular visual system of spiders

狩猎生态学预测蜘蛛模块化视觉系统中的眼睛排列摘要视觉是动物使用的最重要的感官之一,有助于基本行为,包括觅食、导航以及配偶检测和选择。 1 尽管人们对双眼位置和方向与双目环境下生态学的相关性了解很多,2 具有多部分视觉系统(两只以上眼睛)的动物仍然相对被忽视。蜘蛛是非常成功的掠食者,占据了一系列生态位,通常有八只眼睛。在这里,我们使用三维几何形态测量学和进化模型来测试眼睛位置、方向和眼间角度是否与蜘蛛系统发育中 52 个物种的狩猎策略相关。我们证明了眼睛结构的多样化,从现代活板门蜘蛛中看到的祖先内侧簇,到球织蜘蛛中的光环状结构,以及衍生蜘蛛谱系的几个成员的额部眼睛簇。我们发现视觉猎手的眼睛结构具

E6B 飞行计算机:如何使用以及购买哪些

E6B Flight Computer: How to Use One and Which to Buy

E6B 飞行计算机的用途、如何使用、如何在手动模型和电子模型之间进行选择,以及完善 VFR 规划套件的绘图仪。更多

LLM Wiki 过度设计 - 我用纯 Python 编译器替换了我的

LLM Wikis Are Over-Engineered — I Replaced Mine With a Pure Python Compiler

大多数“LLM wiki”使用代理、嵌入和重复模型调用来组织本地注释。我构建了一个确定性的替代方案:一个纯 Python 编译器,仅使用标准库将杂乱的 Markdown 转换为链接的、经过 linted 的 wiki。在此过程中,我修复了两个真正的错误,在两个操作系统上对管道进行了基准测试,并展示了为什么编译器通常比代理更适合机械文本组织。LLM 维基百科过度设计——我用纯 Python 编译器替换了我的编译器首先出现在《走向数据科学》上。

专访:7-8月升级、金价6月低点以及资本为何逃往美国

Interview: July-August Escalation, Gold’s June Low & Why Capital is Fleeing to America

如果经济根本不混乱,而是遵循隐藏的代码怎么办? 阿姆斯特朗经济密码揭示了传奇预测家马丁·阿姆斯特朗发现的强大周期性模式,他的经济信心模型 (ECM) 预测了四十多年来的每一次重大繁荣、萧条和地缘政治转变。 这个权威版本由金融生存网络的主持人、阿姆斯特朗著作的长期学生克里·卢茨 (Kerry Lutz) 编译和扩展,将历史、市场和人类行为节奏之间的点联系起来。从帝国的兴衰到算法金融的数字时代,《守则》展示了每一次危机和每一次复苏如何遵循一种很少有人理解但每个人都能感受到的模式。 无论您是投资者、政策制定者,还是只是想在混乱的世界中航行,《阿姆斯特朗经济法典》都为您提供了工具来了解接下来会发

Saronic 推出第一艘 Mirage 16 米无人水面舰艇

Saronic Launches First Mirage 16-Meter Uncrewed Surface Vessel

Saronic 于 2026 年 7 月 2 日宣布推出其第一架 Mirage,这是一艘 52 英尺长的飞机。 (16 米)两用自主水面船只 (ASV),连接 24 英尺。 (7 米)Corsair 和 180 英尺。 (55 米)Marauder 是 Saronic 不断壮大的船队中的第三个旗舰平台,也是以速度和规模交付自主船舶的生产模型的最新里程碑。 ...萨罗尼克发射第一艘幻影 16 米无人水面舰艇的帖子首先出现在《海军新闻》上。

JADEPUFFER:首个端到端 AI 驱动的勒索软件操作

JADEPUFFER: First End-to-End AI-Driven Ransomware Operation

Sysdig 报告称,人工智能代理运行了端到端的完整勒索软件攻击,利用缺陷、窃取信用、横向移动以及在无人操作的情况下加密数据。 Sysdig 的威胁研究团队记录了其评估的第一个由大型语言模型端到端驱动的勒索软件操作。 Sysdig 称之为 JADEPUFFER 的操作员闯入了服务器,收获了 [...]

在线起飞的纸飞机:Jaeseo Papercraft 专访

The Paper Airplanes Taking Off Online: Interview with Jaeseo Papercraft

来认识一下 Joshua Jung,这位纸艺艺术家将卡片纸制作成令人惊叹的飞机模型,然后将它们作为礼物送给世界各地的飞行员和机组人员。

Mototok M 系列的新型飞机拖车:升级您的 eGSE

New Aircraft Tug in the Mototok M-Series: Upgrade Your eGSE

Mototok 正在扩展其全电动、遥控和无杆飞机拖车产品组合:我们可以自豪地推出 M518——Mototok M 系列的最新产品,用于 MRO 和 FBO 用途。详细了解我们的新型飞机拖船模型的应用领域、它与该系列其他模型的区别以及为什么它很可能为您的地勤操作提供完美升级。

VideoFlexTok:灵活长度的粗到细视频标记化

VideoFlexTok: Flexible-Length Coarse-to-Fine Video Tokenization

视觉分词器将高维原始像素映射为下游建模的压缩表示。除了压缩之外,标记器还决定保留哪些信息以及如何组织信息。视频标记化事实上的标准方法是将视频表示为标记的时空 3D 网格,每个标记捕获原始信号中相应的局部信息。这需要使用令牌的下游模型(例如文本到视频模型)学习“逐像素”预测所有低级细节,而不考虑视频固有的复杂性,从而导致......

反因果域泛化:利用未标记的数据

Anti-Causal Domain Generalization: Leveraging Unlabeled Data

领域泛化问题涉及学习预测模型,这些模型在部署到以前未见过的新环境中时对分布变化具有鲁棒性。现有方法通常需要来自多个训练环境的标记数据,当标记数据稀缺时限制了它们的适用性。在这项工作中,我们研究反因果环境中的领域泛化,其中结果导致观察到的协变量。在这种结构下,影响协变量的环境扰动不会传播到结果,这会促使模型对……的敏感性进行正则化。

通过易处理的轨迹控制学习结构化推理

Learning Structured Reasoning via Tractable Trajectory Control

大型语言模型可以表现出紧急推理行为,通常表现为重复出现的词汇模式(例如,“等待”,表示验证)。然而,在无约束采样中,复杂的推理轨迹仍然稀疏,并且标准强化学习通常无法保证获取多样化的推理行为。我们提出通过结构化推理来系统地发现和强化不同的推理模式,这种范式需要在强化学习过程中有针对性地探索特定的推理模式。为此,我们提出了 Ctrl-R,一个学习框架......

共形思维:计算预算推理的风险控制

Conformal Thinking: Risk Control for Reasoning on a Compute Budget

推理大型语言模型 (LLM) 可实现测试时间扩展,随着令牌预算的增加,数据集级别的准确性也会提高,从而激励自适应推理——在可靠性提高时使用令牌,并在额外计算不太可能有帮助时提前停止。然而,设置代币预算以及自适应推理的阈值是一项实际挑战,需要进行基本的风险与准确性权衡。我们将预算设置问题重新定义为风险控制,限制错误率,同时最大限度地减少计算量。我们的框架引入了一个上限,可以阻止......

关于 RL 微调 VLM 的鲁棒性和思想链一致性

On Robustness and Chain-of-Thought Consistency of RL-Finetuned VLMs

强化学习 (RL) 微调已成为增强推理密集型任务的大型语言模型 (LLM) 的关键技术,并推动其扩展到视觉语言模型 (VLM)。虽然经过 RL 调整的 VLM 改进了视觉推理基准,但它们仍然容易受到视觉基础薄弱、幻觉和过度依赖文本提示的影响。我们证明,简单的、受控的文本扰动——误导性的标题或不正确的思维链 (CoT) 痕迹——会导致鲁棒性和置信度大幅下降,并且当 CoT 一致性为……时,这些影响会更加明显。

设计循环,而不是提示

Design Loops, Not Prompts

但不要让模型自行检查“设计循环,而不是提示”帖子首先出现在《走向数据科学》上。

DataRobot 开源十年:从预测性 AI 到代理生命周期

A decade of open source at DataRobot: from predictive AI to the agent lifecycle

DataRobot 的开源十年:从预测性 AI 到代理生命周期 DataRobot 的每个时代都推出了开源。 DataRobot 的最新开源贡献直接映射到代理在生产中实际出现故障的位置。建立代理从未如此简单。选择一个框架,连接一个模型和一个检索器,添加...DataRobot 的开源十年:从预测人工智能到代理生命周期一文首先出现在 DataRobot 上。

2026 BAIR 毕业生展示

2026 BAIR Graduate Showcase

恭喜伯克利人工智能研究 (BAIR) 2026 届实验室班毕业!今年,BAIR 庆祝了另一批杰出的博士生。毕业生的好奇心、创造力和毅力推动了人工智能和机器学习的前沿。他们的工作涵盖了现代人工智能的广度——机器人和体现智能、大型语言模型和推理、计算机视觉、生成模型、人工智能安全、人机交互、科学和医疗保健人工智能等等。一路走来,他们发表了有影响力的研究成果,构建了具有现实世界影响力的系统,指导了同行,并将 BAIR 社区塑造得更好。现在,他们正走向思想传播的各个角落:教师和博士后职位、行业研究实验室以及自己创办的初创公司,其中一些人仍在探索下一步发展,并希望收到您的来信。请与我们一起庆祝这些出色的

Anthropic 的“危险”寓言又回来了!它是怎么做的?

Anthropic’s ‘Dangerous’ Fable Is Back! How Does It Do?

Anthropic 的“危险”神话类模型《神鬼寓言 5》又回来了,Artificial Lawyer 也尝试了一下。首先,这个网站要求它制作一些...

科学家开发出新方法来生成用于训练人工智能的蛋白质数据集

Scientists develop new method to generate protein datasets for training AI

生成蛋白质活性数据(上)、读取输出和训练 AI 模型(下)的过程。图片来源:Linqi Cheng/莱斯大学。作者:Rachel Leeson 蛋白质工程是人工智能研究的一个领域。每种蛋白质均由氨基酸组成;为了优化蛋白质功能,研究人员通过切换 [...] 之一来修改蛋白质