XiaoMi-AI文件搜索系统
World File Search SystemBenchmark
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
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。
BEHAVIOR-1K：具有 1,000 个日常活动和现实模拟的具身 AI 基准
摘要：我们提出了 BEHAVIOR-1K，一个以人为本的机器人综合模拟基准。BEHAVIOR-1K 包括两个部分，分别由“您希望机器人为您做什么？”这一广泛调查的结果指导和推动。第一个部分是定义 1,000 种日常活动，基于 50 个场景（房屋、花园、餐厅、办公室等），其中有 5,000 多个对象，并标注了丰富的物理和语义属性。第二个部分是 O MNI G IBSON，这是一个新颖的模拟环境，它通过逼真的物理模拟和刚体、可变形体和液体的渲染来支持这些活动。我们的实验表明，BEHAVIOR-1K 中的活动是长期的并且依赖于复杂的操作技能，这两者对于最先进的机器人学习解决方案来说仍然是一个挑战。为了校准 BEHAVIOR-1K 的模拟与现实之间的差距，我们提供了一项初步研究，研究如何在模拟公寓中使用移动机械手学到的解决方案转移到现实世界中。我们希望 BEHAVIOR-1K 的人性化本质、多样性和现实性能够使其对具身化 AI 和机器人学习研究有价值。项目网站：https://behavior.stanford.edu。
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
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。
dlbench+：定量和定性数据湖评估的基准
摘要。在过去几年中，数据湖的概念已成为数据存储和分析的时尚。因此，已经提出了几种方法来构建数据湖系统。但是，由于没有通常的共享标准来比较数据湖系统，因此很难评估此类建议。因此，我们在本文中介绍了DLBench+，这是一种评估和比较支持文本和/或表格内容的数据湖实现的基准。更具体地说，我们提出了一个由文本和CSV文档制成的数据模型，该模型是由一组各种任务组成的工作负载模型以及一组基于绩效的指标，所有这些指标都与数据湖的上下文有关。除了纯粹的定量评估之外，我们还提出了一种方法，以通过评估用户体验来定性评估数据湖系统。作为概念证明，我们使用dlbench+评估我们开发的开源数据湖系统。
AMB2025-04基准测量和挑战问题：激光热线定向能量沉积（DED）3D基于镍的Superalloy 718 TES
图1显示了构建的一般几何形状。激光焊缝在电线馈周周围有三个梁同心。挑战相关的测量值将包括残留应力/应变成分，在构建机器上拔掉后的底板偏转以及在构建过程中的底板温度。在构建过程中，激光功率保持恒定，但是进料速度和行进速度变化以产生良好的几何形状。激光校准数据，电线和底板材料组成，广泛的构建信息，包括编程的进料速率和旅行速度（G代码）以及一些热电偶数据。我们将不提供材料属性数据。
AMB2025-01基准测量和挑战问题
•基准挑战CHAL-ABS2025-01-SR：预测平均固体尺寸，平均最大和最小隔离的NB和MO在细胞壁和细胞内部的NB和MO的质量分数，以及在AS-Buuguign微型结构中不包括氧化物的沉淀物的体积分数。预测在870°C的应力释放热处理1小时后，在微观结构中的沉淀物的体积分数（不包括氧化物）。 •基准挑战CHAL-BAMB2025-01-H：在细胞壁和细胞内部的NB和MO分别预测NB和MO的平均固定细胞大小，平均最大和最小隔离质量分数，以及在构造的微观结构中排除氧化物的沉淀物的体积分数。预测在1150°C均质热处理1小时后，在微观结构中的沉淀物的体积分数，不包括氧化物。
基准语句：GPR 250世界净指数（CHF）JPN（GPR000007846）
基准是根据确保其准确性的最大努力来计算的。尽管如此，索引确定和计算过程中的错误，例如遗漏或不正确的公司行动实施，使用不正确的输入数据或基准测试方法的不正确应用，可能会不时地出于各种原因，无论是内部的，均以溶液性AG和外部而发生。按照预定的过程，将对未来的效果纠正错误。此外，如果事件发生后的两个工作日内已经确定了此类错误，则此类错误也可能导致过去的索引值重述。与管理和交易费用相关的错误都可能导致重述，而不管发现时间如何。在某些情况下，指数委员会将单独评估错误。