XiaoMi-AI文件搜索系统
World File Search System基准
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。
供应链基准领先工具比较
doyensec进行了三个流行的软件组成分析（SCA）工具（Semgrep，Snyk和Displyabot）的并排比较，以评估其能力，以正确地确定应用程序的第三方库，具有已知漏洞是否在该应用程序中确实引入了可利用的条件。这包括确认不仅包括脆弱的库版本，而且还包括公开披露中所述实际使用的脆弱功能或配置。需要高度准确性，以减少误报的总数，从而减少专业人员所需的整体分式分三名努力。通过手动分析，我们测量了真实和误报，并确定了安全团队来调查工具发现所需的努力水平。
基于AI的CNS肿瘤的组织病理学分类 n-基因分类与数据的机器学习模型... Bach2调节T细胞谱系状态以克服由补品汽车信号驱动的功能障碍Tien-Ching Chang 1,2，Amanda听到了1,2，John Lattin 2， 扩展数据图1。与rfdiffusion的β链配对支架的设计。利用rfdiffusion的各种生成潜力，而 太阳能：用于黑辅助限制基准测试的太阳能热电厂模拟器 小农户的侵害性和风险行为对Nyando盆地CSV的气候诱发压力：设计家庭和乡村级别方法的影响
Artem Shmatko 1,3，*，Patel 1：4,5,6，*，Ramin Rahmanzade 4.5，红色4.5，Luke Friedrich Schrimmpf 4.5.7，Big 4.5，Henri Bogumil 4.5，Sybren L.N.5月8日，马丁·西尔·詹妮克（Martin Sill Jannik）11,13，大卫·鲁斯（David Reuss），克里斯蒂安·埃罗德·孟德（Christian Herold-Mende）9，技能M琼斯6:14，Stefan M. Pfister，Arnault Esparia-Sack 31,32，Pascal Varlet 31,32，Brandner 33，Xiangzhi Bai 2，Andreas von Deimling 4.5，
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda
ProAI：适用于汽车应用的高效嵌入式 AI 硬件——基准研究
多年来，单板计算机 (SBC) 领域的发展一直在不断加快。它们在计算性能和功耗之间实现了良好的平衡，这通常是移动平台所必需的，例如用于高级驾驶辅助系统 (ADAS) 和自动驾驶 (AD) 的车辆应用。然而，对更强大、更高效的 SBC 的需求日益增长，这些 SBC 可以实时运行功耗密集型深度神经网络 (DNN)，还可以满足必要的功能安全要求，例如汽车安全完整性等级 (ASIL)。ZF 正在开发“ProAI”，主要用于运行强大而高效的应用程序，例如多任务 DNN，此外，它还具有 AD 所需的安全认证。在这项工作中，我们基于功耗密集型多任务 DNN 架构 Multitask-CenterNet，就 FPS 和功率效率等性能指标比较和讨论了最先进的 SBC。作为一款汽车超级计算机，ProAI 实现了性能和效率的完美结合，其每瓦 FPS 数量几乎是现代工作站笔记本电脑的两倍，几乎是 Jetson Nano 的四倍。此外，根据基准测试期间的 CPU/GPU 利用率，还显示 ProAI 上仍有剩余电量用于执行进一步更复杂的任务。
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。
发件人：海军记录修正委员会主席 收件人：海军部长 主题：审查美国海军 XXX-XX- 的海军记录 参考：（a）第 10 章 USC § 1552（b）DoD 7000.14-R FMR 第 7A 卷，第 1 章 附件：（1）DD 表格 149 及附件（2）当事人的海军记录 1. 根据参考（a）的规定，当事人（以下称为申请人）向海军记录修正委员会（委员会）提交了附件（1），要求更正她的海军记录，以显示申请人的薪资入职基准日期（PEBD）已调整为包括她在加入美国海军之前在陆军国民警卫队服役的可记名服役期。 2. 委员会由 、 和 组成，于 2023 年 1 月 5 日审查了请愿人的错误和不公正指控，并根据其规定，决定根据现有的记录证据采取以下纠正措施。委员会审议的文件材料包括附件、请愿人海军记录的相关部分以及适用的法规、条例和政策。 3. 委员会审查了与请愿人的错误和不公正指控有关的所有记录事实，发现如下：a. 2016 年 11 月 9 日，申请人加入国民警卫队，服役 8 年，服役期限为 2024 年 11 月 8 日。根据军事处理记录 - 美国武装部队（DD 表格 1966/1），申请人的退役日期为 2016 年 11 月 9 日。2019 年 1 月 18 日，申请人收到国民警卫队退役报告和服役记录（NGB 表格 22），入伍日期为 2016 年 11 月 9 日。此外，带薪服役总时间为 2 年 2 个月 10 天。申请人的预备役/军事服役义务终止日期被列为不适用。b. 2019 年 4 月 30 日，申请人加入海军预备役 8 年。根据 DD 表格 1966，请愿人的 PEBD 列为 2019 年 12 月 4 日，请愿人进行了以下记录：“我于 2016 年 11 月加入陆军国民警卫队。我于 2019 年 1 月退役。” 2019 年 12 月 4 日，请愿人开始服现役 4 年，现役义务服役结束 (EAOS) 为 2023 年 12 月 3 日，现役义务服役软结束 (SEAOS) 为 2024 年 12 月 3 日。
发件人：海军记录修正委员会主席 收件人：海军部长 主题：审查美国海军 XXX-XX- 的海军记录 参考：（a）第 10 章 USC § 1552（b）DoD 7000.14-R FMR 第 7A 卷，第 1 章 附件：（1）DD 表格 149 及附件（2）当事人的海军记录 1. 根据参考（a）的规定，当事人（以下称为申请人）向海军记录修正委员会（委员会）提交了附件（1），要求更正她的海军记录，以显示申请人的薪资入职基准日期（PEBD）已调整为包括她在加入美国海军之前在陆军国民警卫队服役的可记名服役期。 2. 委员会由 、 和 组成，于 2023 年 1 月 5 日审查了请愿人的错误和不公正指控，并根据其规定，决定根据现有的记录证据采取以下纠正措施。委员会审议的文件材料包括附件、请愿人海军记录的相关部分以及适用的法规、条例和政策。 3. 委员会审查了与请愿人的错误和不公正指控有关的所有记录事实，发现如下：a. 2016 年 11 月 9 日，申请人加入国民警卫队，服役 8 年，服役期限为 2024 年 11 月 8 日。根据军事处理记录 - 美国武装部队（DD 表格 1966/1），申请人的退役日期为 2016 年 11 月 9 日。2019 年 1 月 18 日，申请人收到国民警卫队退役报告和服役记录（NGB 表格 22），入伍日期为 2016 年 11 月 9 日。此外，带薪服役总时间为 2 年 2 个月 10 天。申请人的预备役/军事服役义务终止日期被列为不适用。b. 2019 年 4 月 30 日，申请人加入海军预备役 8 年。根据 DD 表格 1966，请愿人的 PEBD 列为 2019 年 12 月 4 日，请愿人进行了以下记录：“我于 2016 年 11 月加入陆军国民警卫队。我于 2019 年 1 月退役。” 2019 年 12 月 4 日，请愿人开始服现役 4 年，现役义务服役结束 (EAOS) 为 2023 年 12 月 3 日，现役义务服役软结束 (SEAOS) 为 2024 年 12 月 3 日。
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。
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。