搜索
是什么让纽约大学著名研究者谢赛宁三连呼喊「Representation matters」？他表示：「我们可能一直都在用错误的方法训练扩散模型。」即使对生成模型而言，表征也依然有用。基于此，他们提出了 REPA，即表征对齐技术，其能让「训练扩散 Transformer 变得比你想象的更简单。」
在 Claude AI 新模型发布之际，Anthropic 的CEO Dario Amodei 发表了一篇近2万字深度长文，探讨人工智能对人类的潜在积极影响。作为斯坦福大学神经科学博士，Amodei 以严谨的学术态度定义了"强人工智能"概念，并详细阐述了它在不同核心领域可能带来的积极变革。
传统的歌声任务，如歌声合成，大多是在利用输入的歌词和乐谱生成高质量的歌声。随着深度学习的发展，人们希望实现可控和能个性化定制的歌声生成。
1%的合成数据，就让LLM完全崩溃了？ 7月，登上Nature封面一篇论文证实，用合成数据训练模型就相当于「近亲繁殖」，9次迭代后就会让模型原地崩溃。
善智者，动于九天之上。
多模态大语言模型（MLLM）如今已是大势所趋。 过去的一年中，闭源阵营的GPT-4o、GPT-4V、Gemini-1.5和Claude-3.5等模型引领了时代。
教育大模型是真刚需。
计算资源并非性能提升的唯一途径：Arvind Narayanan 认为，仅仅增加计算资源并不总是能带来模型性能的等比提升。目前，数据量正逐渐成为限制AI发展的主要瓶颈。
5 大证据显示，LLM 在推理复杂问题时非常脆弱。
借助AI工具，研究人员有更多方法来快速筛选总结研究文献，他们又是如何正确/谨慎使用这些AI工具的？