Video-MME Team推出全新评估基准Video-MME，它专门用来测试多模态大语言模型（MLLMs）在视频分析方面的表现。多模态意味着模型能够同时处理和理解视频、音频、文本等多种类型的数据。 项目主页：https://video-mme.github.io/home_page.html GitHub：https... 阅读全文

普林斯顿大学计算机科学系和卡内基梅隆大学机器学习系的研究人员推出一种新型的深度学习模型架构——Transformers和状态空间模型（State-Space Models，简称SSMs）之间的关系，并提出了一种新的架构和高效的算法。论文的标题是“Transformers are SSMs: Generalized Mo... 阅读全文

人工智能领域的创新不断突破，ElevenLabs 最新推出了名为“Sound Effects”的工具，它能够根据文本描述生成最长22秒的音效，为播客、电影或游戏创作提供强大支持。这一新工具的加入，使得 ElevenLabs 的产品线更加丰富，包括原有的语音和音乐平台。ElevenLabs 与知名素材平台 Shutter... 阅读全文

上个月，微软公司推出了全新的Copilot+ PC系列，宣称其速度比苹果的MacBook Air快达58%。通常人们会认为PC会搭载AMD或英特尔的处理器，然而目前Copilot+ PC系列仅采用高通骁龙芯片，具体来说是骁龙X（Elite和Plus）系列。 新颖且颇具争议的Recall功能 微软大胆引入的Recall（... 阅读全文

华为诺亚方舟实验室推出VeLoRA，它旨在解决大语言模型（LLMs）在训练和微调过程中面临的计算和内存密集问题。尽管大型语言模型在许多语言处理任务上取得了巨大成功，但它们对硬件资源的需求非常高，这限制了它们在现有硬件上的广泛应用。VeLoRA在多个基准测试中的有效性，包括VTAB-1k微调基准测试、GLUE语言基准测试... 阅读全文

英特尔推出LLaMA-NAS，如何高效地优化大型语言模型（LLMs）的网络架构。LLaMA-NAS提供了一种有效的方法，可以在保持大语言模型性能的同时，减少模型的大小和计算成本，使得这些模型可以更广泛地应用于各种场景。例如，你有一台功能强大但耗能巨大的超级计算机，它能够处理复杂的任务，比如理解人类语言、写作文、解决复杂... 阅读全文

索尼推出新型人工智能系统Instruct-MusicGen，它能够根据文本指令来编辑音乐。想象一下，你告诉这个系统“加一段鼓点”，它就能在现有的音乐中加入鼓声，或者你让它“去掉钢琴声”，它就能把钢琴的旋律部分移除。这就像是有一个音乐编辑的魔法棒，你说什么，它就变什么。 主要功能： Instruct-MusicGen的主... 阅读全文

新加坡国立大学的研究人员推出新型框架GFlow，它能够从单目视频（即只用一个摄像头拍摄的视频）中恢复出四维（4D）世界。这里的“4D”指的是三维空间加上时间维度，也就是说，GFlow不仅能够重建视频中的场景，还能追踪场景随时间的变化以及摄像头的位置变化。目前GFlow的一些限制，比如依赖于现成的深度估计和光流算法，以及... 阅读全文

浪潮信息推出新型混合专家（Mixture of Experts，简称MoE）语言模型Yuan 2.0-M32，这个模型是基于Yuan 2.0-2B的一个变体，采用了一种特殊的架构，其中包含32个专家网络，但每次只有2个专家被激活。这种设计旨在提高模型的计算效率和准确性。实验结果表明，Yuan 2.0-M32在上述应用场... 阅读全文

爱丁堡大学推出一种新的深度神经网络（DNN）训练方法，称为2-Stage Backpropagation（简称2BP）。这种方法旨在提高大型深度神经网络（如大语言模型）在训练时的效率，特别是在多个加速器（如GPU）上并行训练时。论文中通过实验表明，使用2BP在训练具有70亿参数的类似LLaMa的变换器模型时，与传统方法... 阅读全文

M-A-P、滑铁卢大学武汉人工智能研究中心和01.AI的研究人员推出新型大型双语语言模型系列MAP-Neo，这个模型的主要目标是提供高性能和透明度，以推动大语言模型（LLMs）的研究和应用，同时解决现有商业模型不公开透明的问题。论文还讨论了MAP-Neo对社会的影响，包括促进AI资源的公平获取，以及通过开源创新实践来减... 阅读全文

西北大学和微软的研究人员推出一种新型大语言模型（LLMs）的自我探索方法，称为“自探索语言模型”（Self-Exploring Language Models，简称SELM）。这种方法专门用于在线对齐大型语言模型，即通过人类的反馈来调整和优化语言模型的行为，使其更好地遵循人类的意图。实验结果表明，当SELM应用于Zep... 阅读全文