Red Hat представила дистрибутив Linux, оптимизированный для задач искусственного интеллекта
RHEL AI 主要设计用于与 IBM Granite 系列的大型语言模型配合使用。
IEEE Transactions on Evolutionary Computation, Volume 29, Issue 5, October 2025
1) 客座社论进化动态优化作者：Danial Yazdani、罗文建、杨胜翔页数：1458 - 14622) 动态事件如何改变旅行商问题的适应度？作者：佟浩、李米青、刘家林、姚鑫页数：1463 - 14743) 历史 动态多模态优化的信息辅助动态响应集成和自适应利基方法作者：Kunjie Yu, Xuyang Zhang, Dezheng Zhang, Jing Liang, Yumeng Li, Heshan Wang, Ke Chen, Caitong YuePages: 1475 - 14894) 使用进化贪心的动态级联流程车间调度 算法作者：Qiu-Ying Li、Quan-Ke Pa
Disentangled Safety Adapters Enable Efficient Guardrails and Flexible Inference-Time Alignment
现有用于确保AI安全性的范例，例如护栏模型和对齐训练，通常会损害推理效率或发展灵活性。我们引入了解开的安全适配器（DSA），这是一个新颖的框架，通过将特定于任务优化的基本模型解耦来解决这些挑战。 DSA利用轻巧的适配器来利用基本模型的内部表示形式，从而实现了多种而灵活的安全功能，对推断成本的影响很小。从经验上讲，基于DSA的安全护栏的表现要优于相当优于……
IEEE Transactions on Evolutionary Computation, Volume 29, Issue 2, April 2025
1）知识结构保存基于进化的多任务优化授课者：Yi Jiang，Zhi-hui Zhan，Kay Chen Tan，Sam Kwong，Jun Zhangpages：287-3012）贝叶斯贝叶斯贝叶斯贝叶斯贝叶斯对质量多样性的优化，可搜索质量多样性，并使用Coupled distriptor functore functore functore functor functions functions jeantor（s）： BrankePages: 302 - 3163) Machine Learning-Assisted Multiobjective Evolutionary Algorit
自然语言处理正在迅速发展，重点是针对特定任务优化大型语言模型 (LLM)。这些模型通常包含数十亿个参数，对定制提出了重大挑战。目标是开发高效且更好的方法来微调这些模型以适应特定的下游任务，而无需过高的计算成本。这需要创新的方法来处理 DeepSeek AI 研究人员提出专家专业微调或 ESFT，以减少高达 90% 的内存和高达 30% 的时间，首先出现在 AI Quantum Intelligence 上。
IEEE Transactions on Emerging Topics in Computational Intelligence, Volume 8, Number 3, June 2024
1) 深度学习在 B 型超声分割中的进展：综合综述作者：Mohammed Yusuf Ansari、Iffa Afsa Changaai Mangalote、Pramod Kumar Meher、Omar Aboumarzouk、Abdulla Al-Ansari、Osama Halabi、Sarada Prasad Dakua页数：2126 - 21492) 机器反学习：解决方案和挑战作者：Jie Xu、Zihan Wu、Cong Wang、Xiaohua Jia页数：2150 - 21683) MuralDiff：基于大规模预训练的古代壁画修复扩散作者：Zishan Xu、Xiaofeng
