XiaoMi-AI文件搜索系统
World File Search System基准
量子启发式求解器的基准......
最近，受量子退火的启发，许多专门用于无约束二元二次规划问题的求解器已经开发出来。为了进一步改进和应用这些求解器，明确它们对不同类型问题的性能差异非常重要。在本研究中，对四种二次无约束二元优化问题求解器的性能进行了基准测试，即 D-Wave 混合求解器服务 (HSS)、东芝模拟分叉机 (SBM)、富士通数字退火器 (DA) 和个人计算机上的模拟退火。用于基准测试的问题是 MQLib 中的真实问题实例、随机不全相等 3-SAT (NAE 3-SAT) 的 SAT-UNSAT 相变点实例以及 Ising 自旋玻璃 Sherrington-Kirkpatrick (SK) 模型。对于 MQLib 实例，HSS 性能排名第一；对于 NAE 3-SAT，DA 性能排名第一；对于 SK 模型，SBM 性能排名第一。这些结果可能有助于理解这些求解器的优点和缺点。
EEG 迁移学习竞赛基准
构建用于 EEG 解码的独立于受试者的深度学习模型面临着跨不同数据集、受试者和记录会话的强协变量转移的挑战。我们解决这一困难的方法是使用简单的统计技术以及具有更多表示能力的可训练方法明确对齐深度学习模型各个层的特征分布。这与基于协方差的对齐方法 [1] 类似，后者通常用于黎曼流形上下文 [2]。本文提出的方法在 NeurIPS 会议 2 举办的 2021 年 EEG 迁移学习基准 (BEETL) 竞赛 1 中荣获第一名。竞赛的第一项任务是睡眠阶段分类，这需要将在年轻受试者身上训练的模型转移到对多名年龄较大的受试者进行推理，而无需个性化的校准数据，因此需要独立于受试者的模型。第二项任务需要将在一个或多个源运动想象数据集的受试者上训练的模型转移到两个目标数据集上进行推理，为多个测试对象提供一小组个性化校准数据。
ACODE 技术增强学习基准
ACODE 基准旨在帮助机构为学生和教职员工提供优质的技术增强学习 (TEL) 体验（认识到一些机构使用诸如电子学习、在线或灵活学习、混合等术语来指代他们的实践）。有九个基准，每个基准都可以用作独立指标，也可以集体使用以提供整个机构的视角。然而，这些基准在与其他机构联合使用时会变得更加强大，作为 ACODE 每两年促进的合作机构间基准测试活动的一部分。在这种情况下，一个或多个机构愿意根据其内部基准测试活动的结果与其他机构分享他们在 TEL 方面的实践和历程。
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。
如何建立整个寿命碳基准
1欧洲委员会。 （com（2020）662最终）。 “欧洲的翻新浪潮 - 绿化我们的建筑物，创造就业机会，改善生活”。 可访问：https：//eur-lex.europa.eu/legal-content/en/txt/?uri=celex%3A52020DC0662 2欧盟委员会。 （n.d。）。 ''欧洲绿色协议 - 努力成为第一个气候中立大陆'。 可访问：https：// commiss.europa.eu/strategy-and-policy/priorities-2019-2024/european-green-deal_en 3欧盟委员会。 （n.d。）。 ''欧盟排放交易系统（EU ETS）。 可访问：https：//climate.ec.europa.eu/eu-action/eu-eu-- emassions-trading-system-system-eu-ets_en 4欧洲委员会。 （n.d。）。 ''建筑产品法规的评论'。 可访问：https：//single-market-economy.ec.europa。 EU/soter/struction/struction-products-crenducty-cpr/eview_en 5指令2024/1275。 指令（EU）2024/1275欧洲议会和2024年4月24日理事会关于建筑物的能源绩效（重铸）。 可访问：https：//eur-lex.europa.eu/legal-content/en/txt/html/?uri=oj:l_202401275#d1e38-57-11欧洲委员会。（com（2020）662最终）。“欧洲的翻新浪潮 - 绿化我们的建筑物，创造就业机会，改善生活”。可访问：https：//eur-lex.europa.eu/legal-content/en/txt/?uri=celex%3A52020DC0662 2欧盟委员会。（n.d。）。''欧洲绿色协议 - 努力成为第一个气候中立大陆'。可访问：https：// commiss.europa.eu/strategy-and-policy/priorities-2019-2024/european-green-deal_en 3欧盟委员会。（n.d。）。''欧盟排放交易系统（EU ETS）。可访问：https：//climate.ec.europa.eu/eu-action/eu-eu-- emassions-trading-system-system-eu-ets_en 4欧洲委员会。（n.d。）。''建筑产品法规的评论'。可访问：https：//single-market-economy.ec.europa。EU/soter/struction/struction-products-crenducty-cpr/eview_en 5指令2024/1275。指令（EU）2024/1275欧洲议会和2024年4月24日理事会关于建筑物的能源绩效（重铸）。可访问：https：//eur-lex.europa.eu/legal-content/en/txt/html/?uri=oj:l_202401275#d1e38-57-1
yolov11变体的性能基准测试 -
使用指标（例如平均平均精度（MAP，标准度量测量检测准确性）在整个交叉点（IOU）阈值从50％到95％（定义了预测和地面实现框之间的重叠），精度，召回和GPU和CPU的跨越速度。The results highlight trade-offs between model complexity and performance: smaller variants like YOLOv11-n achieved faster inference speeds (170.74 FPS on GPU and 5.86 ms on GPU), while larger models like YOLOv11-x excelled in detection accuracy and recall but at the cost of slower speeds (240.03 FPS on GPU and 4.17 ms on GPU).yolov11-s提供了最高FPS（1120.46 GPU FPS）的平衡，但准确性和回忆为中等。这些发现证明了Yolov11变体对应用程序要求的适应性，从高速实时系统到优先级检测准确性的场景。这项研究通过为yolov11变体提供详细的性能基准来推进对象检测。它提供了在不同领域中部署Yolov11的实用见解，包括物流，交付跟踪和其他需要有效且准确的对象检测的域。关键字：Yolo; Yolov11;对象检测模型；深度学习计算机视觉；神经网络；
mlregtest：普通语言的机器学习基准
由形式语言构建的合成数据集允许对序列分类的机器学习系统的学习和泛化功能进行细粒度检查。本文在序列分类中为机器学习系统提供了一个新的基准，称为MLREGTEST，其中包含来自1,800种普通语言的培训，开发和测试集。不同种类的形式语言代表了不同种类的长距离依赖，并且正确识别序列中的长距离依赖性是ML系统成功概括的已知挑战。mlregtest根据其逻辑复杂性（Monadic的二阶，第一顺序，命题或受限命题）及其逻辑文字（字符串，层，弦，弦，子序列或组合）的种类组织语言。逻辑上的复杂性和文字选择提供了一种系统的方式来理解普通语言中不同种类的长距离依赖性，因此可以理解不同的ML系统的能力，以学习这种长距离依赖的依赖。最后，检查了不同神经网络（简单的RNN，LSTM，Gru，Trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans）的性能。主要的结论是，性能在很大程度上取决于测试集，语言类别和神经网络体系结构。
SITARA™AM62X基准（修订版B）
Industrial subsystem: • 2× Gigabit Industrial Communication Subsystems (PRU_ICSSG) – Optional support for Profinet IRT, Profinet RT, EtherNet/IP, EtherCAT, Time-Sensitive Networking (TSN), and other Networking Protocols – Backwards compatibility with 10/100Mb PRU- ICSS – Each PRU_ICSSG contains: • 3× PRU RISC Cores per Slice (2× Slice per PRU_ICSSG) – PRU General Use core (PRU) – PRU Real-Time Unit core (PRU-RTU) – PRU Transmit core (PRU-TX) • Each PRU core supports the following features: – Instruction RAM with ECC – Broadside RAM – Multiplier with optional accumulator (MAC) – CRC16/32 hardware accelerator – Byte swap for Big/Little Endian conversion – SUM32 hardware accelerator for UDP checksum – Task Manager for preemption support • Up to 2× Ethernet ports – RGMII (10/100/1000) – MII (10/100) • Three Data RAMs with ECC • 8 banks of 30 × 32-bit register scratchpad memory • Interrupt controller and task manager • 2× 64-bit Industrial Ethernet Peripherals (IEPs) for time stamping and其他时间同步函数•18×Sigma-Delta滤波器模块（SDFM）接口 - 短路逻辑 - 过度电流逻辑•6×多协议位置编码器界面•1×增强捕获模块（ECAP）•16550-Compatible UART - 专用UART - 专用的192mhz时钟，支持122mbps Prifib pricibus
眼镜蛇：机器人应用程序的可复合基准
摘要 - 遵守道路规则对于自动驾驶汽车的安全操作至关重要。以前的工作表明，可以通过基于车辆可及的搜索空间来限制搜索空间来加快符合规则的运动计划。我们提出了一种算法，以使车辆在粘附在线性时间逻辑规范时可以达到的状态过度陈述。通过将模型检查整合到可及性分析中，我们可以尽早排除许多不合规的状态。我们只需要在必要时在语义上分配可及的集合，以决定规范的有效性。与现有方法相比，这大大减少了计算时间。我们在录制的现实世界情景中基准了我们的方法，以展示其实时功能。
机器学习的复杂性 - 校准基准...
循环神经网络用于预测金融，气候，语言和许多其他领域的时间序列。储层计算机是一种特别容易训练的复发性神经网络形式。最近，引入了一台“下一代”储层计算机，其中内存跟踪仅涉及有限数量的先前符号。我们探讨了这个有趣的建议中有限记忆痕迹的固有局限性。fano的不平等现象的下限表明，在大型概率状态机器产生的高度非马克维亚过程中，具有相当长的内存轨迹的下一代储层计算机具有相当长的错误概率，其误差概率至少比最小可行的误差概率高约60％，以预测下一步观察。更普遍地，看来流行的复发性神经网络远远远远远远没有预测这种复杂的过程。这些结果突出了新一代优化的复发神经网络体系结构的需求。除了这一发现之外，我们为随机生成但复杂的过程提供了量度集合的结果。一个结论是，大型的概率状态机器（特别是大型机器）是为地面流动的复发性神经网络体系结构产生具有挑战性和结构上悬而未决的刺激的关键。