XiaoMi-AI文件搜索系统
World File Search SystemLarge
lami：多模式人类机器人互动的大型语言模型
无缝的人类机器人相互作用（HRI）需要机器人对人类的多模式输入的熟练处理，包括语音，凝视和面部表情，以准确评估人类的影响并相应地提供帮助。同时，机器人必须通过多模态输出渠道清楚地将自己的意图清楚地传达给人类，包括语音，手势和凝视。传统上，在机器人系统中实现此功能通常需要复杂的设计。在意图估计的领域中，以前的研究通常合并意图识别模块，以基于多模式输入[3，17]对人类意图进行分类。一些系统还具有用于检测人类情感状态的专用模块，对于建立社会细微差别的互动至关重要[10，16，18]。但是，这些方法的缺点在于它们耗时且昂贵的培训过程。在输出方面，许多先前的系统集成了情绪状态[8，11]模块，以控制人形输出提示，例如音调，凝视或面部表情，增强了向人类反馈的透明度和生动性。关于运动产生，提出了多种方法，包括预先建立的运动集的混合和图表[19，25]，以及使用运动捕获数据[5，9，15]。值得注意的是，这涉及与特定状态相关的每种输出模式的动作手动设计。通过利用文本理解，推理和计划的能力，在短时间内提出了许多机器人应用[7，12，14，20，21，28]。例如，Zhang等人。大型语言模型（LLM）的最新进展，诸如聊天机器人，数据过程和代码生成之类的域中的表现令人印象深刻的功能正在揭示其在机器人技术领域的潜在应用。其中一个通常的例子是“ Saycan”机器人[1]，它能够解释人的自然语言命令，分析环境并生成具体的可执行操作序列，以通过使用LLMS来满足人类的要求。但是，机器人和人之间的互动提示仅限于语音命令，即使没有语音输出。最近，一些研究人员还试图将这种技术应用于HRI领域。利用LLM来估计人类有多少信任机器人[30]； Yoshida等人，使用LLMS生成低级控制命令来推动人形机器人运动以进行社会表达[29]，而不是用于实践援助。Baermann等人，部署了LLM不仅遵循人类的言语命令，而且还通过人类的自然语言反馈来纠正其错误[2]。然而，通信主要依赖语音相互作用，而较少关注多模式感应和表达能力。ye等。[27]驱动了一个LLM驱动的机器人系统，该系统能够与人类在VR环境中的组装任务中合作。，但是该系统仅限于处理人类语言输入并控制虚拟空间中的单臂。通常，与快速
ma-lmm：长期视频理解的内存大型多模型
随着大型语言模型（LLM）的成功，将视觉模型融入了LLM，以建立视觉语言基础模型最近引起了人们的兴趣。但是，现有的基于LLM的大型多模式模型（例如，视频播放，视频聊天）只能摄入有限数量的框架以进行简短的视频理解。在这项研究中，我们主要专注于设计一个有效有效的模型，以进行长期视频理解。我们建议以在线方式处理视频并将过去的视频信息存储在存储库中，而不是像大多数现有作品一样尝试同时进行更多框架。这使我们的模型可以参考历史视频内容以进行长期分析，而不会超过LLM的上下文长度约束或GPU内存限制。我们的内存库可以以现成的方式被缝制到当前的多模式LLMS中。我们在各种视频理解任务上进行了广泛的实验，例如长期介绍，视频问题答案和视频字幕，我们的模型可以在多个数据集中实现最新的性能。
MCD：机器人感知的多种大型多校区数据集
感知在各种机器人应用中起着至关重要的作用。但是，现有的良好的数据集偏向自动驾驶场景，而未标记的SLAM数据集则很快过于拟合，并且通常缺乏环境和域变化。为了扩大这些领域的边界，我们介绍了一个名为MCD（Multi-campus数据集）的全面数据集，其中包含各种感应方式，高准确的地面真相以及在三个欧亚大学的欧亚大学校园内的挑战性环境。MCD包括CCS（经典的圆柱旋转）和NRE（非重复性环球）LIDAR，高质量的IMU（惯性测量单元），相机和UWB（URWB（Ultra-Wideband））传感器。更重要的是，在开创性的努力中，我们引入了29堂课的语义注释，超过59k稀疏的nre lidar扫描
探索大语模型中生成精度的神经梯度体系结构
摘要 - 将神经梯度体系结构（NGA）集成到大语言模型（LLMS）中，导致了自然语言处理的明显进步，从而增强了生成文本的精确性和相干性。通过采用梯度驱动的计算，NGA根据上下文提示动态调整内部途径，从而使LLMS能够更有效地适应各种语言任务。这种方法证明了在上下文理解至关重要的情况下，诸如机器翻译，摘要和对话生成等任务的改进。NGA的融合也有助于减少常见问题（例如重复性或无关的产出），从而提高了生成内容的总体质量。此外，NGA的适应性允许在各个领域对LLM进行更有效的微调，从而促进了其在专业领域的应用，而无需大量的重新培训。经验结果表明，NGA在完善LLM的生成过程中的功效，强调了其大大提高自然语言处理系统性能的潜力。因此，NGA的采用代表了LLM体系结构演变中的关键进展，为开发更响应敏感和上下文意识到的语言模型提供了强大的框架。
培训计算最佳的大语言模型
Layton，D。“ Chatgpt - 我们如何到达今天的位置 - GPT开发的时间表。” https://medium.com/@dlaytonj2/chatgpt-how-we-we-got-to-wher-we-we-are-today-a-timeline-timeline-fppt-development-f7a35dcc660e（2023）。Lubbad，M。“ GPT-4参数：无限制指南NLP的游戏规则改变者。”https://mlubbad.medium.com/the-ultimate-guide-to-gpt-4-parameters-verything-nything-to-to-to-to-to-to-about-about-about-about-about-about-nlps-changer-changer-109b87678555a（2023）。Shree，P。“开放AI GPT模型的旅程。”https://medium.com/walmartglobaltech/the-journey-open-open-ai-gpt-models-32d95b7b7fb2（2020）。
歌剧：通过过度信托的惩罚和转录分配
幻觉是对多模态大语言模型（MLLM）的普遍挑战的幻觉，极大地阻碍了他们需要精确判断的真实用法。现有方法可以通过特定设计的数据进行培训，或通过其他来源的特定知识来缓解此问题，从而产生了不可避免的额外费用。在本文中，我们提出了一种新型的MLLM解码方法，该方法基于o-vertust pe nalty和r eTroptoction-llocation策略，它是一种几乎免费的午餐，可以减轻幻觉问题，并没有其他数据，知识，知识或培训。我们的方法始于一个有趣的观察结果，即，大多数幻觉与自我注意力矩阵所表现出的知识聚集作用紧密相关，即MLLM倾向于通过关注一些摘要的代价来产生新的代币，但并非所有以前的代币。这种部分过度信任的倾向会导致忽略图像令牌，并用幻觉描述图像内容。基于观察结果，Opera在梁搜索解码过程中引入了对模型逻辑的惩罚术语，以使Miti-Gate the Trust问题以及回滚策略回顾了在预先生成的令牌中存在摘要令牌的存在，并在必要必要时重新分配给标记。通过广泛的实验，Opera在不同的MLLM和指标上表现出明显的幻觉降低性能，证明其有效性和性质。我们的代码为：https：//github.com/shikiw/opera。
用大语言模型在语言刺激下解码语义表示
大脑解码技术为解释神经活动的解释以重现思想，情感和运动的方式铺平了道路。Tang等。 （2023）引入了一种新颖的方法，该方法将语言模型用作基于功能磁共振成像（fMRI）数据的大脑解码的生成模型。 在他们的工作中构建，这项研究探讨了使用三种其他语言模型的使用以及先前研究中使用的GPT模型，以改善解码功能。 此外，我们使用嵌入模型添加了一个评估度量，提供了比BertScore更高水平的语义相似性。 通过比较解码的表现并确定导致良好性能的因素，我们发现高解码精度并不仅仅取决于准确预测大脑活动的能力。 相反，该模型倾向于生成更精确的句子重新构造的文本类型（例如Web文本，博客，新闻文章和书籍），它倾向于生成更重要的作用。Tang等。（2023）引入了一种新颖的方法，该方法将语言模型用作基于功能磁共振成像（fMRI）数据的大脑解码的生成模型。在他们的工作中构建，这项研究探讨了使用三种其他语言模型的使用以及先前研究中使用的GPT模型，以改善解码功能。此外，我们使用嵌入模型添加了一个评估度量，提供了比BertScore更高水平的语义相似性。通过比较解码的表现并确定导致良好性能的因素，我们发现高解码精度并不仅仅取决于准确预测大脑活动的能力。相反，该模型倾向于生成更精确的句子重新构造的文本类型（例如Web文本，博客，新闻文章和书籍），它倾向于生成更重要的作用。
毫米级、大面积均匀半导体器件分层，用于物理故障分析和质量控制 Pawel Nowakowski*、Mary Ray、P
毫米级、大面积均匀半导体器件分层用于物理故障分析和质量控制 Pawel Nowakowski*、Mary Ray、Paul Fischione EA Fischione Instruments，Export，宾夕法尼亚州，美国* 通讯作者：p_nowakowski@fischione.com 不断发展的微电子设备设计越来越复杂、越来越紧凑和越来越小。这些设计可能包括越来越多的层、三维 (3D) 垂直堆叠、气隙和不同的材料成分。大批量半导体器件制造需要强大的质量控制和故障分析过程。过去几十年来，已经开发出了许多故障分析技术，包括非破坏性和破坏性技术 [1-3]。一种非常流行的技术是器件分层，即从上到下控制地去除器件层。通过这种技术获得的信息可以支持质量控制、故障分析工作、成品和工艺改进数据以及逆向工程。
引用原始发表的论文（记录的版本）：Konzock，O。，Nielsen，J。（2024）。试图评估微生物Biote的生产成本
拓扑量子材料的独特电子性能，例如受保护的表面状态和外来的准粒子，可以提供带有垂直磁各向异性磁铁的外部无磁场磁力切换所需的平面自旋偏振电流。常规自旋 - 轨道扭矩（SOT）材料仅提供平面自旋偏振电流，而最近探索的具有较低晶体对称性的材料可提供非常低的平面自旋偏振电流组件，不适用于能量固定的SOT应用。在这里，我们使用拓扑WEYL半候选牛头牛Tairte 4具有较低的晶体对称性，在室温下在室温下表现出大型的脱离平面阻尼样SOT。我们基于Tairte 4 /ni 80 Fe 20异质结构进行了自旋 - 扭矩铁磁共振（STFMR）和第二次谐波霍尔测量，并观察到大型平面外阻尼样的SOT效率。估计平面外旋转大厅的构成为（4.05±0.23）×10 4（ℏ⁄ 2 e）（ωm）-1，这比其他材料中报道的值高的数量级。
喂养大型幼犬-TLC全生活™狗食
Lamb Meal, Chicken Meal, Oatmeal, Fresh Chicken, Whole Grain Barley, Whole Brown Rice, Millet, Chicken Fat (Preserved With Mixed Tocopherols, a Natural Source of Vitamin E), Salmon Meal (Preserved with Vitamin E and Rosemary Extract), Green Peas, Whole Eggs, Chicken Liver, Potassium Chloride, Salmon Oil (Source of DHA), Quinoa, Flaxseed, Lecithin, DL蛋氨酸，菊苣根（菊粉），维生素A，维生素D3，维生素E，烟酸蛋白，维生素C，肌醇，pantotol，D-钙硫酸盐，维生素BL，核糖叶艾比，β-胡萝卜素，维生素B6，维生素B6，叶黄素，生物蛋白B12，蛋白蛋白蛋白蛋白蛋白蛋白蛋白，蛋白蛋白蛋白质，质子蛋白蛋白质，柔韧性蛋白质，蛋白蛋白，蛋白蛋白，蛋白蛋白，蛋白质，蛋白蛋白，蛋白质，蛋白质，蛋白质，蛋白质，蛋白质，蛋白质，蛋白质，蛋白质，蛋白蛋白，蛋白质，蛋白质碘酸钙，硒酵母，番茄（番茄的天然来源），葡萄糖胺，胆碱氯化物，丝兰schidigera提取物，l-肉碱，曼南纳 - 寡糖，胡萝卜，苹果，苹果，苹果，甜食，蓝莓，小溪，绿色糖果（绿色糖果蛋白酶）（绿色糖果蛋白酶）（绿色糖浆蛋白酶（绿色糖）（嗜酸菌，乳杆菌，肠球菌，粪肠球菌，双杆菌嗜热杆菌），百里香，卡西亚，茴香，茴香，辣根，杜松，杜松，姜，姜，Yarrow，Rosemary提取物。