XiaoMi-AI文件搜索系统
World File Search System模型改进
IFRS 9覆盖层和新型风险的模型改进
正如预期的那样，大多数受访者表示使用叠加层，如果他们遵循强大的方法，这是适当的。很重要的是，在一年之内，银行为气候和环境（C＆E）风险提供的风险从16％上升到55％，尽管具有不同程度的复杂程度。这是一个最初的迹象，表明已经理解和接受了针对性的建议和有针对性的建议。但是，要注意，还有很长的路要走，而不仅仅是C＆E风险。尽管大多数银行都积极考虑这些风险，但某些银行的方法论与风险敞口并不相称，在许多情况下，它们甚至是矛盾的。例如，尽管银行使用特定数据来计算预期损失，但其中许多人在阶段转移方面忽略了相同的信息。这种做法不仅会系统地低估贷款损失，而且还与IFRS 9.
使用大语言模型改进自动VQA评估
提出了视觉问题回答（VQA）任务8年后，准确性仍然是自动评估的主要指标。VQA准确性在IID评估设置中一直有效。但是，我们的社区正在转向开放式生成模型和OOD评估。在这个新的范式中，现有的VQA准确度度量过于严格，低估了VQA系统的性能。因此，有必要开发更强大的自动VQA指标，以作为人类判断的代理。在这项工作中，我们建议利用教学调节的大语言模型（LLMS）的文化学习能力来构建更好的VQA指标。我们将VQA评估作为答案评估任务，其中指示LLM给出一组参考答案的候选人答案的准确性。与几种VQA模型和基准的现有指标相比，我们证明了所提出的指标与人类判断的更好相关。我们希望广泛采用我们的指标将有助于更好地估计VQA任务的研究进度。我们计划发布评估法规并收集人类判断。
使用大型人工智能模型改进全球天气和海浪预报
摘要 特别是近年来人工智能技术的飞速发展，催生了若干大参数人工智能天气预报模型。这些模型代表了重大突破，克服了传统数值天气预报模型的局限性，并预示着大气-海洋预报的巨大潜在工具的出现。本研究探讨了这些先进的人工智能预报模型的演变，并根据发现的共同点，提出了大型天气预报模型的“三大规则”：参数数量多、预测对象数量多、潜在应用范围大。我们讨论了人工智能彻底改变数值天气预报的能力，简要概述了天气预报显着改进的根本原因。在承认大型人工智能预报模型高精度、计算效率高、易于部署的同时，我们也强调传统数值预报不可替代的价值，并探讨了大型人工智能大气-海洋预报模型未来发展面临的挑战。我们认为，大气-海洋天气预报的最佳未来在于实现人工智能与传统数值模型的无缝集成。预计这种综合将为改进大气-海洋预报提供更先进、更可靠的方法。最后，我们通过构建全球海浪预报的人工智能模型，通过一个例子来说明预报员如何利用大型天气预报模型。
利用知识增强生成模型改进分子生成和药物发现
摘要 — 生成模型的最新进展为分子和新型候选药物的生成建立了最先进的基准。尽管取得了这些成功，但生成模型与大量生物医学知识的利用之间仍然存在巨大差距，这些知识通常在知识图谱中系统化，其为生成过程提供信息和增强的潜力尚未实现。在本文中，我们提出了一种新方法，通过开发一个名为 KARL 的知识增强生成模型框架来弥合这一鸿沟。我们开发了一种可扩展的方法来扩展知识图谱的功能，同时保持语义完整性，并将这些上下文信息合并到生成框架中以指导基于扩散的模型。知识图谱嵌入与我们的生成模型的集成提供了一种强大的机制，可以生成具有特定特征的新型候选药物，同时确保有效性和可合成性。KARL 在无条件和有针对性的生成任务上都优于最先进的生成模型。
使用生成模型改进LFT中的Heatbath算法-41st Grattice Conference，Liverpool，UK
培训数据：我们生成了P V（V I，J）的V I，J的样本作为培训集。在这里，p v（v i，j）= unif（[[2。5，15]×[ - 8，0]×[ - 20，20]）为λ∈[2。5，15]，m2∈[ - 8，0]和κi，j∈[ - 20，20]是选择用于训练的参数范围。
先进的水电和 PSH 容量扩展模型：HydroWIRES D1 容量扩展模型改进最终报告
本研究由美国能源部 (DOE) 的可持续能源联盟有限责任公司运营的国家可再生能源实验室 (NREL) 撰写，合同编号为 DE-AC36- 08GO28308；并得到美国能源部水力技术办公室的 HydroWIRES 计划和美国能源部战略重点与影响分析办公室的支持。作者要感谢 NREL 的 Trieu Mai 和 Jaquelin Cochran、美国能源部水力技术办公室的 Kyle DeSomber、电力研究所的 John Bistline 和 OnLocation, Inc. 的 Frances Wood 审阅本报告，以及美国能源部水力技术办公室的 Marisol Bonnet、Kathryn Jackson、Patrick Soltis 和 Samuel Bockenhauer 在整个项目过程中提供的支持和指导。作者还要感谢 Michael Bailey、Erin Foraker、Todd Gaston、Michael Kintner-Meyer、Vladimir Koritarov、Justin Niedzialek、Gia Schneider 和 Brennan Smith 参与这项工作的技术审查委员会。
美国宇航局太空天气计划更新
• 每年协调 ROSES 空间天气征集 • 具有量化不确定性的空间天气：NSF 进行征集，NASA 为其提供意见和资金，包括目前资助两个提案以及共同资助另一个提案 • 与 NOAA 的速赢努力：GONG 磁通量图和 WSA 模型改进 • 空间天气桌面练习：APL 领导跨机构练习，通过模拟空间天气事件的日常生活，确保国家对极端空间天气风暴的适应能力
我们的地下水可持续发展计划
实施前瞻性重点：填补数据空白，以支持持续监测和模型改进 • 扩大地下水位和质量监测 • 扩大海水入侵监测网络 • 扩大自愿井计量 • 评估地下水 - 地表水相互作用 • 利益相关者激励计划：回扣 • 增强地下水井数据库：井登记 • 更新盆地数值模型项目以 GSP 开发期间启动的项目为基础，并将尽可能继续争取赠款资金
BIGHORN 人工智能套件™
当今的人工智能适应速度不够快：在当今不断发展的现代化作战中，许多能力都依赖于机器学习 (ML)/人工智能来执行任务功能，例如地形测绘和物体检测/分类。在瞬息万变的环境中（例如灾难响应、战时战场），快速更新这些 ML/AI 能力的能力对于任务成功至关重要。如今，ML/AI 模型更新可能需要数月时间。Bighorn 可以在几分钟内完成模型改进，即使在正在进行的任务中也是如此。
人工智能与竞争政策 - ...
其次，我们将在很大程度上抽象出人工智能工作原理的技术细节，将事情保持在较高的水平，以便专注于经济学家感兴趣的基本问题。特别是，我们将区分基于客户生成的数据的人工智能模型改进和基于公开可用或获取的数据的改进。这很重要，因为前者可以产生数据反馈循环，而后者则不会。然而，我们不会详细讨论数据转化为模型输出改进的不同方式。因此，数据是用于微调模型还是用于改进其推断，以及这是连续进行的还是通过离散升级偶尔进行的，都是技术上的区别，对于我们的目的来说，数据是来自客户使用还是从外部来源获取，这些都不那么重要。