LM关键词检索结果

JBLM 士兵协助驾车者并获奖

JBLM soldier assists motorist, receives award

华盛顿州刘易斯-麦科德联合基地 – 6 月 12 日下午,刘易斯-麦科德联合基地天气炎热,来自阿伯丁的 66 岁泰伊·琼斯被困在 I-5 号州际公路附近......

使用自适应解析进行循环工程:使用 Azure 解析平面表格,使用 Vision LLM 解析图形

Loop Engineering with Adaptive Parsing in Action: Parsing Flat Tables with Azure and Figures with a Vision LLM

企业文档智能 [Vol.1 #10B] - LLM 作为最后一道防线,然后两个真正的升级从头到尾进行:从平面表到 Azure,从图形到视觉模型后循环工程与自适应解析的实际应用:使用 Azure 解析平面表和带有愿景的图形 LLM 首先出现在《走向数据科学》上。

中心延长部分可再生能源项目从 ALMM 上市制造商采购太阳能电池的豁免

Centre extends exemption for select RE projects from sourcing solar cells from ALMM-listed manufacturers

该部表示,有限的 ALMM 减免将保护制造商的投资,支持国内太阳能生产,并确保顺利过渡到从 ALMM 上市制造商采购太阳能光伏电池

LLM 函数调用的不确定性量化

Uncertainty Quantification for LLM Function-Calling

大型语言模型 (LLM) 越来越多地用于自主解决现实世界的任务。其中一个关键要素是法学硕士函数调用范式,这是一种广泛使用的方法,为法学硕士配备工具使用功能。然而,LLM 错误地调用函数可能会产生严重影响,特别是当其影响不可逆转时,例如转账或删除数据。因此,在执行函数调用之前,考虑法学硕士对函数调用正确解决任务的信心至关重要。不确定性量化(UQ)方法可用于量化……

认识 GPT-Red:LLM 超级黑客 OpenAI 旨在使其模型更安全

Meet GPT-Red: an LLM super-hacker OpenAI built to make its models safer

OpenAI 构建了一个名为 GPT-Red 的 LLM 超级黑客,将其用作陪练伙伴,帮助其其他模型增强对网络攻击的防御能力。上周该公司发布了其旗舰 LLM 的最新版本 GPT-5.6。 OpenAI 表示,针对 GPT-Red 进行训练使该模型成为迄今为止最强大的版本。 GPT-Red 自动化...

当沉默更安全时:医疗保健领域 LLM 弃权的审查和决策理论框架

When silence is safer: a review and decision-theoretic framework for LLM abstention in healthcare

大型语言模型 (LLM) 旨在生成用户提示的答案,这通常会促使他们做出响应,即使不确定性很高、信息不完整或拒绝更合适。在医疗保健领域,这种倾向可能是危险的:自信地陈述但不准确的医疗建议可能会造成重大伤害,因此戒烟的能力尤其重要。在本文中,我们回顾了调查医疗保健领域法学硕士放弃行为的研究。文献强调了两个主要动机:(1)不确定性驱动的弃权,即模型在置信度较低时拒绝做出响应;(2)安全驱动的弃权,即模型拒绝提供潜在有害的信息。大多数现有机制都是外在的,依赖辅助工具来确定何时弃权。我们发现最先进的法学硕士仍然难以拒绝不适当的提示,而且很少有基准评估现实医疗场景中的弃权,其表现落后于其他领域。基于这些发

什么是医疗保健领域的 LMS?描述 HIPAA 培训要求

What Is An LMS In Healthcare? Describe HIPAA Training Requirements

了解 LMS 如何帮助医疗保健组织或医学协会管理 HIPAA 培训、合规性跟踪、入职培训、CME 和审核准备情况。本文首次发表在 eLearning Industry 上。

ALMM 太阳能电池:MNRE 延长提交项目豁免请求的截止日期

ALMM solar cells: MNRE extends deadline for submitting request for project exemptions

部门将在 2026 年 7 月 23 日之前重新开放提交申请的门户

陆军根据 JBLM 创新协议授予第一份 FORGE 合同

Army awards first FORGE contract under innovative agreement at JBLM

华盛顿州刘易斯-麦科德联合基地 — 美国陆军于 7 月 7 日使用其他交易协议授予了 FORGE 计划下的第一份合同,标志着...

SageMaker HyperPod 上 LLM 推理的分类预填充和解码

Disaggregated prefill and decode for LLM inference on SageMaker HyperPod

在本文中,我们将展示如何使用 HyperPod Inference Operator 在 Amazon SageMaker HyperPod 上通过 vLLM 实现 DPD。

长上下文不是免费的 - 我构建了一个安全的提示修剪层,使 LLM 系统能够正常工作

Long Context Isn’t Free — I Built a Safe Prompt-Pruning Layer That Makes LLM Systems Work

法学硕士不会因为忘记而失败,而是因为记得太多而失败。随着对话的增长,提示会积累冗余和低价值的令牌,从而增加成本和延迟,同时默默地降低输出质量。本文介绍了一个确定性的提示修剪层,它可以在不破坏依赖关系的情况下减少令牌的使用,并由真正的基准测试和经过生产测试的设计提供支持。 文章《长上下文不是免费的——我构建了一个使 LLM 系统工作的安全提示修剪层》首先出现在《走向数据科学》上。

JBLM 平民入选 JBLM DoW 员工名人堂

JBLM civilians inducted into JBLM DoW Employee Hall of Fame

华盛顿州刘易斯-麦科德联合基地 – 刘易斯-麦科德联合基地的两名长期雇员于 7 月 8 日在年度 JBLM 战争部就业大会上获得表彰...

第 625 次 STOS 通过 SELM 测试确保核准备就绪

625th STOS ensures nuclear readiness with SELM test

总部位于内布拉斯加州奥法特空军基地的第 625 战略作战中队 (STOS) 最近于 2026 年 6 月 3 日完成了模拟电子发射民兵 (SELM) 测试,展示了国家核威慑力量的坚定准备。

Gadkari 回顾 NHLML 项目进展

Gadkari reviews progress of NHLML projects

Gadkari 还评估了影响项目实施的关键挑战,并指示所有相关利益相关者解决优先级瓶颈并加快项目执行

设备本地模型“LLM Coherence”:今日表格

On-Device Local-Model "LLM Coherence": TABLE OF THE DAY

周日 MAMLM:当龙虾移动时:gemma4 正在教我“人工智能连贯性”...

LensVLM:用于文本压缩视觉表示的选择性上下文扩展

LensVLM: Selective Context Expansion for Compressed Visual Representation of Text

视觉语言模型 (VLM) 提供了将文本处理为渲染图像的令人兴奋的可能性,无需将文本标记为长标记序列。由于 VLM 图像编码器将固定大小的图像映射到固定数量的视觉标记,因此不同的渲染分辨率提供了细粒度的压缩旋钮。然而,随着压缩率的增加,准确性会迅速下降:字符缩小到低于视觉编码器的有效分辨率,使它们难以区分。为了解决这个问题,我们提出了 LensVLM,这是一个推理框架和训练后配方,使 VLM 能够扫描……

NotebookLM:您的新人工智能教学助手

NotebookLM: Your New AI Teaching Assistant

帖子 NotebookLM:您的新 AI 教学助理首先出现在 Shake Up Learning 上。如果您听说过 NotebookLM,但还没有真正坐下来弄清楚它的用途,那么这个会议值得观看。 Ashley Shanley 详细介绍了如何将其用作闭环人工智能研究和内容工具,该工具仅从您上传的文档中提取数据,这意味着没有幻觉,没有随机的互联网结果,继续阅读后 NotebookLM:您的新人工智能教学助理首先出现在 Shake Up Learning 上。

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。