XiaoMi-AI文件搜索系统
World File Search System基准
零射击学习的多模式基准和改进的体系结构
在这项工作中，我们证明，由于现有评估协议和数据集中的不足，因此有必要重新审视并全面研究Mul-timodal零射击学习（MZSL）问题问题。具体来说，我们解决了MZSL方法面临的两个主要挑战。 （1）既定基线的情况通常是无与伦比的，而且有时甚至是有缺陷的，因为现有的评估数据集通常与培训数据集有一些重叠，因此违反了零照片范式； （2）大多数现有的方法都偏向可见的类，这在对可见和看不见的类别进行评估时会大大降低性能。为了应对这些挑战，我们首先引入了一个新的多模式数据集，用于零照片评估，称为MZSL-50，其中有4462个视频来自50个广泛多元化的类别，并且与培训数据没有重叠。此外，我们提出了一种新型的多模式零射击变压器（MZST）体系结构，该体系结构利用了吸引瓶颈进行多模式融合。我们的模型可以直接预测语义表示，并且在将偏见降低到可见的类别方面表现出色。我们进行了广泛的消融研究，并在三个基准数据集和我们的新型MZSL-50数据集上实现最先进的结果。具体来说，我们提高了传统的MZSL绩效2。1％，9。81％和8。 vgg-sound，UCF-101和ActivityNet的68％。 最后，我们希望引入MZSL-50数据集将促进对社区中多模式零射击的深入研究。 181％和8。vgg-sound，UCF-101和ActivityNet的68％。最后，我们希望引入MZSL-50数据集将促进对社区中多模式零射击的深入研究。1
用于缓解量子误差的开销基准测试管道
零噪声外推 (ZNE) 是一种量子经典混合技术。它运行噪声水平不断增加的量子电路，提取每个电路的期望值，然后使用经典拟合外推无噪声环境中的理想期望值。在 Mitiq 的 ZNE 实现中，有两个相关的经典变量：(1) 用于查找 y 截距（理想期望值）的外推或拟合类型和 (2) 噪声缩放值，它们决定了噪声在运行的每个附加电路中如何增长 [3]。
S2N -TLS基准测试和比较分析-libraetd
jmz8rm@virginia.edu摘要作为亚马逊Web服务的实习生（AWS），我以前无需使用AWS的S2N-TLS和其他公共运输层安全（TLS）库的简单且可靠的比较基准，以确定优化和确定S2N-TLS的区域。S2N-TLS每秒处理数亿美元的连接，从而使任何小的优化可节省大量成本。基准线束将每个库（S2N-TLS，OpenSSL和Rustls）适应一个共同的接口，并测量握手延迟，吞吐量和内存使用情况。s2n-tls比Rustls和OpenSSL更具性能，但要比Rustls更高的内存使用，这使得内存成为优化的可能目标。未来的工作包括将基准纳入测试中，以防止部署前的性能回归，更详细的测试以获得更具体的见解，并使用更多参数进行测试。1。简介TLS是一个网络协议，可确保两个端点（例如，您的计算机和Web服务器）安全通信。TLS有两个主要目标：身份验证和加密。身份验证是对端点身份的验证，它阻止了不良演员假装是客户端可能想要与之交谈的服务器。加密保护在运输中数据的安全性，这可以防止
迈向自动动力电池检测：新挑战基准数据集和基线
我们对一项名为动力电池检测（PBD）的新任务进行了全面的研究，该任务旨在从 X 射线图像中定位密集的阴极和阳极板端点，以评估动力电池的质量。现有制造商通常依靠人眼观察来完成 PBD，这使得很难平衡检测的准确性和效率。为了解决这个问题并让更多人关注这个有意义的任务，我们首先精心收集了一个称为 X 射线 PBD 的数据集，该数据集包含从 5 家制造商的数千个动力电池中选择的 1,500 张不同的 X 射线图像，具有 7 种不同的视觉干扰。然后，我们提出了一种基于分割的新型 PBD 解决方案，称为多维协作网络（MDCNet）。借助线和计数预测器，可以在语义和细节方面改进点分割分支的表示。此外，我们设计了一种有效的距离自适应掩模生成策略，可以缓解由板分布密度不一致引起的视觉挑战，从而为 MDCNet 提供稳定的监督。无需任何花哨的修饰，我们基于分割的 MDCNet 始终优于其他各种角点检测、人群计数和基于一般/微小物体检测的解决方案，使其成为有助于促进 PBD 未来研究的强大基础。最后，我们分享了一些潜在的困难和未来研究的工作。源代码和数据集将在 X-ray PBD 上公开提供。
svgeditBench：用于定量评估LLM SVG编辑功能的基准数据集
文本到图像模型近年来已显示出进展。随着这一进展，从文本中生成向量图也已提出。svg是向量图形的流行效果，SVG代表带有XML文本的场景。因此，大型语言模型可以直接处理SVG代码。考虑到这一点，我们专注于使用LLMS编辑SVG。用于定量评估LLMS编辑SVG的能力，我们提出了SVGeditBench。svgeditBench是评估LLMS编辑SVG代码能力的基准。在提议的基准下进行评估时，我们还显示了GPT-4和GPT-3.5结果。在实验中，GPT-4在定量和质量上都显示出与GPT-3.5的优势。该数据集可在https://github.com/mti-lab/svgeditBench上找到。
条例01-O-25，“健康建筑条例”修改城市法规第4-22条“建筑能源和水利用基准测试”以合并建筑物
建议采取的行动：环境委员会和公用事业委员会建议采用法令01- O-25，以创建公平的社区主导的脱碳方法。建议采取的行动：环境委员会和公用事业委员会建议采用法令01- O-25，以创建公平的社区主导的脱碳方法。建议采取的行动：环境委员会和公用事业委员会建议采用法令01- O-25，以创建公平的社区主导的脱碳方法。鲤鱼：市政业务，建筑效率，可再生能源，弹性法规，实施，问责制和合伙企业：市政运营，建筑效率，可再生能源，可再生能源，弹性法规，实施，问责制，责任及合伙企业
FedRAMP 基准修订版 5 过渡指南
■ 客户可以使用 CSP 时间表和 CRM 来了解其自身实施计划的计划变更。● 在 POA&M 管理流程和/或下一次年度评估（如适用）期间，评估修订版 4 到修订版 5 过渡计划的实施情况。修订版 5 控制措施的实施必须在下一次年度评估之前完成，以支持控制措施实施的测试。
基准作为未来经济的基础
不幸的是，今天，竞争性问题通常仅从生产的角度考虑，而不会影响其他领域。现代思想假设确保无形资产和智力资本发挥竞争力的主要作用[1]。但是，该声明与市场上的俄罗斯现实并不完全一致：公司之间的信息链接仍然太弱，创新的引入薄弱，法律框架尚未充分准备[2]。另一方面，俄罗斯公司对各种因素，尤其是危机现象的越来越大的压力导致对他们之间的市场份额的竞争加剧。同时，大多数公司很少关注，也不在决策领域进行研究，以制定竞争性发展的战略。在经济各个部门管理生产方面和企业经济活动方面的有效机制之一是一项比较研究，是确定，理解和适应最近竞争性公司有效运作的现有示例的建模，以提高自己的绩效[3]。模型和决策方法，用于管理自己的竞争力
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、
将AI基准数据映射到通过专家启发的定量风险估计
文献和多位专家指出了大型语言模型（LLM）的许多潜在风险，但对实际危害的直接测量仍然很少。AI风险评估到目前为止一直集中在衡量模型的功能上，但是模型的功能只是风险的指标，而不是衡量风险的指标。更好地建模和量化AI风险方案可以帮助桥接这种断开连接，并将LLM的功能与有形现实世界的危害联系起来。本文通过证明如何使用现有的AI基准来促进风险估计的创建，从而为该领域做出了早期贡献。我们描述了一项试点研究的结果，其中专家使用AI基准Cybench的信息来生成概率估计。我们表明，对于此目的，该方法似乎很有希望，同时指出可以进一步加强其在定量AI风险评估中的应用。