谷歌推出一种新的强化学习方法，名为“价值激励的偏好优化”（Value-Incentivized Preference Optimization，简称VPO）。这种方法特别适用于在线和离线环境中的人类反馈强化学习（Reinforcement Learning from Human Feedback，简称RLHF）。RLH... 阅读全文

Meta推出新技术Nest（Nearest Neighbor Speculative Decoding，最近邻推测解码），它旨在改善大语言模型（LLMs）在生成文本时的准确性和归因能力。大型语言模型虽然在多种任务上表现出色，但它们有时会生成与现实不符的“幻觉”内容，并且在提供生成内容的来源归因方面存在不足。 主要功能：... 阅读全文

Google DeepMind推出新型多塔解码器架构Zipper，它能够将多个在不同模态上独立预训练的生成模型融合在一起，创造出比单独模型更强大的多模态生成能力。简单来说，Zipper就像一个多才多艺的艺术家，能够把不同的艺术形式（比如语言、声音和图像）融合在一起，创作出新的艺术作品。论文还提到了Zipper的一些限制... 阅读全文

Google DeepMind推出一种新的强化学习方法DRO（Direct Reward Optimisation，直接奖励优化），用于大语言模型（LLM）的对齐。这种方法旨在改善大型语言模型的行为，使其更好地符合人类的偏好。这很重要，因为一个好的语言模型不仅需要智能，还需要能够生成对用户有帮助且安全的内容。 主要功能... 阅读全文

加州大学洛杉矶分校、亚马逊和犹他大学的研究人员推出Atlas3D，它能够根据文本描述自动生成三维模型，并且这些模型在物理世界中能够自我支撑，保持稳定。例如你告诉电脑“我需要一个站立的玩具士兵模型”，Atlas3D就能够设计出这个模型，并确保它在真实世界中能够稳稳地站立，不需要额外的支撑。 项目主页：https://yu... 阅读全文

索尼推出新型文本到声音生成模型SoundCTM（Sound Consistency Trajectory Models），SoundCTM旨在为多媒体作品（如视频游戏、音乐和电影）创造声音内容，这些声音内容包括音效和Foley声音（指在后期制作中添加的声音效果，如脚步声、玻璃破碎声等）。例如，你正在制作一个视频游戏，需... 阅读全文

德国慕尼黑工业大学的研究人员推出NPGA（Neural Parametric Gaussian Avatars，神经参数高斯头像）的技术，它是一种用于创建高保真度、可控的3D虚拟头像的方法。这些头像能够从多视角视频录像中生成，并且具有精细的表情控制能力。例如，你是一名电影制片人，需要为即将上映的科幻电影制作一个外星生物... 阅读全文

谷歌发布论，探讨了大语言模型（LLMs）在发展高级心理理论（Theory of Mind，ToM）方面的能力。心理理论是一种人类能力，它允许我们推理和理解自己和他人的多重心理和情感状态，并且能够递归地进行推理（例如，我认为你相信她知道）。例如，你正在开发一个虚拟助手，它需要理解用户的情感状态以提供更好的支持。如果这个虚... 阅读全文

宾夕法尼亚大学、苹果和香港大学的研究人员推出新框架GECO（Generative Image-to-3D within a SECOnd），它能够在大约0.35秒内，使用单个图像作为输入，在单个L40 GPU上生成高质量的3D模型。GECO的目标是简化3D资产的生成过程，使其更加高效和易于访问，同时保持生成结果的高质量... 阅读全文

加州大学圣地亚哥分校和Adob​​e 研究部的研究人员推出DITTO-2，它是用于音乐生成的人工智能技术。DITTO-2的核心目标是加速可控音乐生成过程，使其能够实时或更快地生成音乐，同时提高音乐质量和控制精度。例如，你是一位电影制片人，需要为电影中的特定场景定制一段背景音乐。使用DITTO-2，你可以指定音乐的风格、... 阅读全文

蚂蚁集团推出新型检索增强型文本生成框架METRAG（Multi-layered Thoughts enhanced Retrieval-Augmented Generation），这个框架旨在解决现有大语言模型（LLMs）在知识密集型任务中遇到的一些问题，比如知识更新的不及时、成本问题以及生成幻觉（即生成与事实不符的内... 阅读全文

浙江大学的研究人员推出新型框架PLA4D（Pixel-Level Alignments for Text-to-4D Gaussian Splatting），它用于将文本描述转换成4D内容，即动态的三维对象。这项技术的核心在于它能够理解和生成具有时间维度的3D对象，这在游戏制作、自动驾驶和其他许多应用领域具有巨大的潜力... 阅读全文