XiaoMi-AI文件搜索系统
World File Search SystemBenchmark
使用嵌入式处理器在边缘增加智能
lmbench基准BW_MEM测量已达到的内存副本性能。参数CP执行数组副本，而Bcopy参数使用Memcpy（）标准函数的运行时GLIBC版本。GLIBC使用了高度优化的实现，例如使用SIMD，从而导致更高的性能。大小参数等于或小于给定级别的高速缓存大小，可以测量典型的loop或memcpy（）类型操作的软件可实现的内存带宽。典型用途用于外部存储器带宽计算。带宽计算为字节读取和书面计数为1，这大约是流副本结果的一半。表3-1显示了所测得的带宽和与理论电线相比的效率。使用的电线速率是DDR MT/s速率倍宽度除以两个（读写副本都消耗了总线）。基准进一步允许使用-p参数创建并行线程。要获得最大的多核心存储器带宽，创建与可用于操作系统可用的核心相同的线程，对于AM62X Linux（-p 4）为4。
基准测试和能源效率门户 (BEEP) 用户指南
注意：如果请求单个建筑物中少于 4 个位置的使用数据，系统将提示用户确认所有帐号。如果用户请求单个建筑物中 4 个或更多位置的使用数据，则需要提供其中一个帐号。此处将进行另一项检查，以确保不会将同一位置添加到多个建筑物中。
引入应用空气动力学替代建模基准案例
从飞机设计到认证，需要大量空气动力学数据以确保最佳性能，符合监管标准并保持结构完整性。这些数据必须跨越整个飞行包络，包括压力和剪切应力分布，全局系数和衍生物。传统上来自飞行测试，风洞实验或数值模拟，这些数据通常具有不同的保真度，从手册方法到高分辨率模拟。近年来，由于人工智能和机器学习的进步，对这些数据有效使用的需求已经增长，从而可以开发快速运行的替代模型。与传统的高保真模拟或实验设置不同，这些设置可能是资源密集型的替代模型，该模型在这些数据集中训练，可以提供与数据库查询相当的快速预测。AIAA应用的空气动力学替代建模（AASM）组的成立是为了将集中在航空航天科学中的数据驱动和AI建模上，并将来自学术界，工业和政府机构的专家团结在一起。AASM组优先考虑对航空航天应用的替代建模的开发，准确性和适用性，包括设计优化，不确定性量化，系统工程和任务分析，这对数字工程生态系统至关重要。为了支持方法论的评估和比较，本文介绍了四个基准案例：一个集成式机翼性能系数的空气动力学数据库，6DOF生成的导弹案例，以及两个集中在表面压力分布的数据集。这些基准强调了相关的替代建模挑战，并将通过AIAA公开提供，为航空航天社区提供宝贵的资源。
厨房：用于6D物体姿势估算厨房环境中的现实世界基准和数据集
摘要 - 尽管最近在6D对象构成了机器人抓握的方法方面取得了进展，但在现有数据集中这些甲基多种多样的能力与现实世界中的握把和移动操作任务之间的功能之间存在很大的表现差距，尤其是当机器人完全依靠其单声学egocentric领域（Fov）。现有的现实世界数据集主要关注桌面抓地力方案，其中机器人臂放在固定位置，并且对象集中在固定外部相机的FOV中。评估此类数据集上的性能可能无法准确反映厨房环境中日常抓握和移动操作任务所面临的挑战，例如从较高的架子，水槽，洗碗机，烤箱，冰箱，冰箱或微波炉中检索物体。为了解决这一差距，我们提出了厨房，这是一种专门估算厨房环境中各个位置的物体的6D姿势的新颖基准测试。为此，我们录制了一个全面的数据集，该数据集包含约205K现实世界的RGBD图像，用于在两个不同的厨房中捕获的111个厨房对象，利用具有以自我为中心的人的人形机器人。随后，我们开发了一个半自动的注释管道，以简化此类数据集的标签过程，从而产生2D对象标签，2D对象分割掩码和6D对象，并以最少的人为努力构成。基准，数据集和注释管道可在https：//kitchen-dataset.github.io/kitchen上公开获得。
彭博全球固定收益与巴黎一致的基准方法
该指数旨在提供投资级公司债券的敞口，以寻求相对于其母公司指数至少减少50％的绝对温室气体（“ GHG”）排放，相对于其母公司指数在下面的附录III中列出，平均每年至少降低了7％。该指数使用1.5°C的温度场景，没有或有限的过冲，如从政府间气候变化（“ IPCC”）中的1.5°C全球变暖的特别报告中提到，作为参考温度方案，以构建方法。将选择，加权或排除每个索引的组成部分，目的是，由联合国批准的《联合国气候变化》案件批准的《联合国气候变化》概述的《巴黎协定》第2条与2016年10月5日批准的《联合国气候变化案例》（“巴黎协定”）的目标（“巴黎协定”）。每个指数旨在遵守欧洲委员会授权法案规定的最低技术要求，并将被标记为“欧盟巴黎一致的基准”。
英国现代奴隶制基准 - 2024 年
金融与经济的其他部分密不可分，金融部门的行动有助于改变整个全球经济的运作方式。作为企业的管理者，投资者可以与企业领导人合作，确保更好的做法得到规范和激励。作为投资者，我们可以分析公司的方法，将其与最佳实践进行比较，并在必要时与公司合作以加强他们的方法。我们从与投资者和公司的交谈中得知，“发现、修复、预防”联盟的投资者在与基准中列出的公司合作时一直使用去年的基准。
Hilti Slam挑战2023：基准单 +多...
摘要 - 中等定位和映射系统是在手持和机器人应用中定位的关键推动剂。过去几年中组织的希尔蒂大满贯挑战在基准以高准确性为世界上最好的大满贯系统基准测试。但是，这些系统的更多功能尚待探索，例如在各种传感器套房和多课程大满贯之间的平台不可知论。这些因素间接用作现实应用程序中鲁棒性和易于部署的指标。没有公开可用的数据集和基准组合，这考虑了这些因素的总和。HILTI SLAM挑战2023数据集和基准测试解决了此问题。此外，我们提出了一种新型的效果标记设计，以从地面上的预先调查点进行预测，从安装在机器人上的架子上的激光雷达和算法可以估算其在MM级准确性上的位置。挑战的结果表明，整体参与的增加，单课大满贯系统变得越来越准确，在不同的传感器套件中成功运行，但相对较少的参与者进行了多课大满贯。数据集URL：https：//www.hilti-challenge.com/dataset-2023.html
MSCI ESG气候巴黎对齐基准选择索引方法
还季度审查了索引，以与父母索引的常规索引审查相吻合。更改是在2月底和8月实施的。一般而言，Pro Forma指数在生效日期之前的九个工作日宣布。对于季度指数审查，MSCI ESG评级，MSCI ESG争议评分评估和MSCI BISR数据从索引审查之前的月底开始，即1月，7月和10月。对于某些证券，在索引审查之前的月底之前，MSCI ESG研究不得发布此数据。对于此类证券，MSCI将使用月底后发布的ESG数据（如果可用）来重新平衡MSCI ESG气候巴黎的重新平衡。在季度索引审查中，如果不符合第2.2节中描述的资格标准，则将现有成分从MSCI ESG气候巴黎对准基准选择索引中删除。符合资格标准的现有成分保留在指数中。
动态情报评估：在通往AGI的道路上基准LLM，重点是模型置信
摘要 - 随着机器智能的发展，需要测试和比较不同AI模型的问题解决能力的需求。但是，当前的基准通常很简单，允许模型均匀地表现良好，并且很难区分其功能。此外，基准通常依赖于模型可能记住或猜测的静态问答对。为了解决这些局限性，我们引入了动态智能评估（DIA），这是一种使用动态问题模板测试AI模型的新方法，并改善了多个学科的指标，例如数学，密码学，网络安全性和计算机科学。随附的数据集，Dia-Bench包含各种挑战模板的集合，这些挑战模板具有各种形式的可变参数，包括文本，PDF，编译的二进制文件，视觉难题和CTF风格的网络安全挑战。我们的框架介绍了四个新指标，以评估多次尝试的模型的可靠性和信心。这些指标表明，以不同形式摆姿势时，即使是简单的问题也经常被错误地回答，从而突出了模型的可靠性中的显着差距。值得注意的是，像GPT-4O这样的API模型通常高估了其数学功能，而ChatGpt-4O由于有效的工具使用而显示出更好的性能。在自我评估的Openai的O1-Mini中，证明其应尝试解决哪些任务是最好的判断。我们使用DIA-Bench评估了25个最先进的LLMS，这表明当前的模型在复杂的任务中遇到了困难，并且即使有更简单的问题也表现出意外的较低信心。DIA框架设定了一个新标准，不仅可以评估解决问题的问题，还设定了模型的自适应智能和评估其局限性的能力。该数据集在项目页面上公开可用：https：//github.com/dia-bench。索引术语 - 手工智能，大语言模型，动态基准测试，性能指标，可靠性
台式：基准测试多代理增强学习
多机构增强学习（MARL）的领域目前正面临生产性危机。虽然已经提出了用于解决该问题的标准化报告解决方案，但我们仍然缺乏一个实现标准化和可重复性的基准测试工具，同时利用了尖端的加固学习（RL）实现。在本文中，我们介绍了台式，这是创建的第一个MARL培训库，目的是在不同的al-gorithm，模型和环境中启用标准化的基准测试。Benchmarl使用Torchrl作为后端，授予其高性能并维护最先进的实现，同时解决Marl Pytorch用户的广泛社区。其设计启用系统配置和报告，从而使用户可以通过简单的单行输入创建和运行复杂的基准测试。Benchmarl在github上开源：https：//github.com/facebookresearch/benchmarl。