XiaoMi-AI文件搜索系统
World File Search System质量检查
探索在财务文本中回答的多语言和生成大语言模型的有效性
本文研究了Fincausal 2025共享任务中使用大型语言模型（LLMS）进行财务因果关系检测，这是对生成和多语言问题答案（QA）任务的努力。我们的研究采用了生成性和歧视方法，利用GPT-4O用于生成质量质量质量和基本基础式的，XLM-ROBERTA-LARGE和XLM-ROBERTA-BASE，用于跨英语和西班牙数据集的多语言质量检查。数据集由财务披露组成，问题反映了因果关系，并与直接从文本得出的提取答案配对。使用序列答案相似性（SAS）和精确匹配（EM）指标进行评估。虽然XLM-Roberta-large模型取得了最佳总体表现，但在English中排名第五（SAS：0.9598，EM：0.7615），西班牙语中排名第四（SAS：0.9756，EM：0.8084），在11个团队中，我们的结果也很高，在11个团队中，也可以强大的结果。值得注意的是，GPT-4O在几乎没有的设置中取得了令人鼓舞的结果，SAS得分接近了微调判别模型的分数，表明尽管缺乏特定于任务特定的微调，但生成性的AP可以提供竞争性能。此比较强调了一般LLM作为强大的多功能替代方案的潜力，用于复杂的质量质量质量质量因果关系检测。
基于树的模型需要数据预处理吗？
数据预处理是机器学习管道的重要组成部分（García等，2015; Alasadi和Bhaya，2017;çetinandYıldız，2022），因为它极大地影响了数据质量（Famili等，1997），并发现可以优化机器学习模型的关系，并将其发现。尽管是一个耗时的过程（Anaconda，2022），但这是基本的，尤其是对于大型数据集，降低维度可以在随后的过程中节省时间（García等，2016）。数据预处理不仅包括质量检查，还包括关键元素，例如转换，填充丢失的数据，离群值检测以及模型的变量选择。尽管普遍认为，基于树的模型不需要预处理，因为它们可以在没有任何更改的情况下处理它，但实验表明我们可以通过适当的预处理获得更好的结果（Caruana等，2008； Grinsztajn等，20222）。这种理解可能对自动化机器学习（AUTOML）管道有益，使我们能够优化和实施一个自动化的机器学习过程，该过程可以适当地预处理数据集以获得所选模型以产生更好的结果。本文提出了一个广泛的实验，涉及38个数据预处理策略，用于二进制和多类分类以及回归任务。我们使用五个基于树的模型：决策树，随机森林，XGBOOST，LIGHTGBM和CATBOOST。我们扩展了Forester 1软件，包括更多干扰自动模型学习的预处理。有关该工具的更多信息可在附录A中获得。
升高成纤维细胞生长因子23（FGF23）对心血管系统的影响：全面的系统文献评论
成纤维细胞生长因子（FGF）是一种主要由巨噬细胞产生的细胞信号蛋白。它们对于正常发育涉及的各种生物学活动至关重要。成纤维细胞生长因子23（FGF23）是FGF内分泌亚科的最新和最年轻的成员，以及成纤维细胞生长因子19（FGF19）和成纤维细胞生长因子21（FGF21）。在这项研究中，我们对所有已知文献进行了系统的综述，以确定心血管系统中FGF23升高的风险。分析包括升高FGF23的原发性和继发原因（例如慢性肾功能不全）的心血管疾病风险。此系统文献综述遵守首选的报告项目和荟萃分析（PRISMA）标准。在不同数据库中总共确定了4,793个记录。之后，检索并审查了273个记录。仔细检查了每个报告的标题和摘要后，消除了249个其他条目。主要和次要作者筛选了其余记录中的大约24项研究，并使用常见的质量检查工具进行了质量评估。最后，这项评论包括11项研究。经过彻底的分析，我们得出的结论是，FGF23可以被视为一种新型的生物标志物，应包括在已经鉴定出的心脏生物标志物中，例如B型NATRIARITE肽（BNP），以早期鉴定出多种高度流行的心血管疾病。
CNC机床中的机器人自动化：评论
摘要：机器人技术和自动化显着转化了计算机数值控制（CNC）加工操作，提高生产力，精度和效率。机器人用于加载和卸载原材料，工件和完成的零件到CNC机器。他们可以有效处理重型组成部分，减少了手动劳动的需求，并最大程度地减少了受伤的风险。机器人也可以在CNC机床中使用，以执行自动更换系统，零件检查和工件定位等任务。自动化技术，包括在线检查系统和非破坏性测试（NDT）方法，可以集成到CNC加工细胞中，以提高准确性并减少加工操作中的废料和返工。这些系统收集有关过程参数和机床性能的实时数据，以预测维护，优化加工参数并提高整体效率。在当前的研究中，审查和讨论了机器人技术和自动化在CNC机床修改中的应用。在CNC机床中的机器人技术和自动化的不同应用，例如自动化材料处理，更换自动工具，机器人工作单元，自适应加工，机器倾斜，质量检查，数据监控和分析以及生产线集成。因此，通过分析发表论文的最新成就，提出了未来研究工作的新思想和概念。结果，可以通过在CNC加工操作中应用机器人技术和自动化来增强零件生产过程中的准确性和生产率。
vurf：视频理解的通用推理和自我填写框架
最近的研究表明，大语模型（LLM）作为推理模块的有效性，可以将复杂的任务解构为更加可行的子任务，尤其是应用于图像的视觉推理任务时。相比之下，本文根据LLM的推理能力介绍了视频理解和推理框架（Vurf）。我们的一种新颖的方法是在视频任务的背景下扩展LLM的实用性，并利用它们从上下文框架内的最小输入和输出演示中概括的能力。我们通过使用成对的指令及其相应的高级程序来呈现LLM来利用他们的上下文学习能力，以生成可执行的视觉程序以供视频理解。为了提高计划的准确性和鲁棒性，我们实施了两种重要的策略。首先，我们采用由GPT-3.5提供支持的反馈生成方法，以纠正利用不支持功能的程序中的错误。其次，从最新的LLM输出自我进行的著作中汲取动机，我们通过将初始输出与LLM不受含义示例的结构限制的初始输出与本应生成的输出的结构对齐，从而提出了一种迭代程序，以提高内在示例的质量。我们在几个特定于视频的任务上的结果，包括视觉质量质量检查，视频预期，姿势估计和多效QA，说明了这些增强功能在提高视频任务的视觉编程方法方面的功效。
大语模型的自主驾驶中的超级对象框架
摘要 - 在过去的一年中，大型语言模型（LLM）和多模式大语言模型（MLLM）的领域已取得了重大进步，尤其是在其应用自主驾驶时。这些模型在处理和与复杂信息交互方面展示了出色的能力。在自主驾驶中，LLM和MLLM被广泛使用，需要访问敏感的车辆数据，例如精确的位置，图像和道路条件。此数据将传输到基于LLM的推理云进行高级分析。然而，由于数据和隐私漏洞的保护主要取决于LLM的固有安全措施，而无需对LLM的推理输出进行额外审查或评估，因此对数据安全产生了关注。尽管其重要性，但LLM在自动驾驶中的安全方面仍未得到充实。解决这一差距，我们的研究通过使用多代理LLM方法引入了一个新型的自动驾驶汽车安全框架。该框架旨在保护与自动驾驶汽车相关的敏感信息免受潜在泄漏的影响，同时还确保LLM输出遵守驱动法规并与人类价值保持一致。它包括过滤无关的查询并验证LLM输出的安全性和可靠性的机制。利用此框架，我们评估了11个大型语言驱动的自主驾驶线索的安全性，隐私和成本方面。此外，我们对这些驾驶提示进行了质量检查测试，这些驾驶提示成功证明了该框架的功效。
质量证明：无信任的生成AI模型推断区块链
抽象生成的AI模型（例如GPT-4和稳定的扩散）在自然语言和图像任务中表现出强大而破坏性的功能。但是，将这些模型部署在分散环境中仍然具有挑战性。与传统的集中部署不同，从系统上保证了在完全分散的环境中AI模型服务的完整性，特别是在无信任的区块链上，既重要又困难。在本文中，我们提出了一种称为质量证明（POQ）的新推论范式，以使在区块链体系结构上的任意大型生成模型中部署。与基于验证推理程序（例如ZKML或OPML）的传统方法不同，我们的POQ范式着重于模型推理的结果质量。使用基于BERT的轻质跨编码器作为我们的基本质量评估模型，我们设计和实施PQML，这是对区块链现实世界中NLP生成模型推断的第一个实用协议，该模型针对流行的开源模型量身定制，例如Llama 3和Mixtral。我们的分析表明，我们的协议对生态系统中的对抗性但理性的参与者具有牢固的态度，在这种情况下，与行为良好的参与者相比，懒惰或不诚实的行为较少。验证质量评估的计算开销很小，即使仅使用CPU，也可以在几秒钟内完成质量检查。初步仿真结果表明，POQ共识以毫秒为单位生成，比任何现有方案都快1,000倍。
1 TM 24-01 技术指导和计算...
TM 24-01 符合建筑能效标准的技术指导和计算方法，2024 年 7 月 1 附录 A：简介 5 A. 基准测试和报告 7 A.1 基准测试背景 7 A.1.1 报告责任 - 谁负责收集和报告数据？7 A.1.2 涵盖的建筑 - 谁需要进行基准测试？8 A.1.2.1 部门通知。8 A.1.2.2 豁免 - 哪些建筑不需要遵守？9 A.2 基准测试要求 9 A.2.1 数据收集 10 A.2.1.1 将数据输入 ENERGY STAR Portfolio Manager 10 A.2.1.2 收集哪些数据？11 A.2.1.3 数据使用 12 A.2.1.4 能源和排放排除 12 A.2.1.4.1 食品服务设施 13 A.2.1.4.2 电动汽车充电 14 A.2.1.4.3 所需燃烧设备的排放 14 A.3 报告 15 A.3.1 报告截止日期 15 A.3.1.1 通过 ENERGY STAR Web 服务共享基准数据 15 A.3.2 验证 16 A.3.2.1 数据质量检查 16 A.3.2.2 第三方验证 17 B.性能标准和合规性演示 20 B.1 建筑能效标准背景 20 B.1.1 指标 21 B.1.1.1 净直接温室气体排放量 (kg/CO2e/ Sq Ft) 21 B.1.1.2 保留 21 21 B.1.2 合规责任 - 谁负责实现合规？21 B.1.3 覆盖建筑 - 谁需要遵守建筑能效标准？21 B.2 确定临时和最终标准 22 B.2.1 最终净直接排放标准 22 B.2.2 保留 22 B.2.3 临时净直接排放标准 24 B.2.4 保留
BeMoBIL Pipeline 用于自动分析多模式移动大脑和身体成像数据
硬件技术和分析方法的进步使脑电图 (EEG) 实验具有越来越多的移动性。除了神经活动之外，移动大脑/身体成像 (MoBI) 研究还可以记录各种类型的数据，例如运动或眼动追踪。尽管有可用的选项可以以标准化的方式分析 EEG 数据，但它们并不能完全涵盖来自移动实验的复杂多模态数据。因此，我们提出了 BeMoBIL 管道，这是 MATLAB 中一个易于使用的管道，支持时间同步处理多模态数据。它基于 EEGLAB 和 fieldtrip，由用于 EEG 预处理和随后的源分离的自动化功能组成。它还提供用于运动数据处理和从不同数据模态中提取事件标记的功能，包括使用独立成分分析从 EEG 中提取事件。该管道引入了一种新的稳健方法，用于基于感兴趣区域的独立 EEG 成分的组级聚类。最后，BeMoBIL 管道在各个处理步骤中提供分析可视化，保持分析透明并允许对结果进行质量检查。所有参数和步骤都记录在数据结构中，可以使用相同的脚本完全复制。该流程使（移动）EEG 和身体数据的处理和分析更加可靠，并且不受个别研究人员的先前经验的影响，从而促进了 EEG 的一般使用，特别是 MoBI。这是一个开源项目，可在 https://github.com/BeMoBIL/bemobil-pipeline 下载，允许将来进行社区驱动的改编。
非洲棕榈象鼻虫，Rhynchophorus
非洲棕榈象鼻虫，Rhynchophorus phoenicis F.（鞘翅目：Curculionidae）构成了尼日利亚尼日尔三角洲饮食中的重要组成部分。这项研究旨在确定从Toru-Orua社区中的食品供应商购买的加工grubs（蒸，干，油炸和新鲜）的近端成分和微生物学质量。近距离组成的确定遵循官方和分析化学品（AOAC）建议的官方方法，而微生物负荷由总板数确定。蒸的g的水分含量最高，为15％，而新鲜水分的水分最少为9.3％。蒸g的灰分含量最高，为11.47％，而新鲜的灰分最少为4.73％。新鲜g的原油最高为41.75％，而新鲜蛋白质的粗蛋白质最少为30.13％。蒸grubs的原油含量最高，为18.07％，而新鲜的原油最少为13.7％。蒸的和炸的g的原油含量最高，为10.93％，而新鲜脂肪含量最少为2.8％。蒸的g的水分含量最高，为28.35％，而干grubs的水分含量最小为20.66％。总的异养细菌计数范围为8.5 x 10 2 cfu/g - 3.7 x 10 6 cfu/g。真菌计数范围为2.2 x 10 2-3.4 x 10 3 cfu/g。微生物研究表明铜绿假单胞菌，大肠杆菌和金黄色葡萄球菌是grubs上的常见微生物。建议对此类即食食品进行频繁的微生物质量检查，并建议对食品供应商进行公共启蒙运动，以确保在加工/处理，储存和消费期间为消费者提供食品安全。