非Transformer架构新模型爆火，从第一性原理出发，MIT CSAIL衍生团队打造
非Transformer架构新模型爆火，从第一性原理出发，MIT CSAIL衍生团队打造挑战Transformer，MIT初创团队推出LFM（Liquid Foundation Model）新架构模型爆火。
来自主题: AI技术研报
10116 点击 2024-10-02 11:48
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
挑战Transformer，MIT初创团队推出LFM（Liquid Foundation Model）新架构模型爆火。
如何基于用户的问题和当前场景的照片，生成同一场景下的第一视角的动作图像，从而更准确地指导用户执行下一步行动？
EMOVA（EMotionally Omni-present Voice Assistant），一个能够同时处理图像、文本和语音模态，能看、能听、会说的多模态全能助手，并通过情感控制，拥有更加人性化的交流能力。
在机器人研究领域，抓取任务始终是机器人操作中的一个关键问题。这项任务的核心目标是控制机械手移动到合适位置，并完成对物体的抓取。近年来，基于学习的方法在提高对不同物体的抓取的泛化能力上取得了显著进展，但针对机械手本身，尤其是复杂的灵巧手（多指机械手）之间的泛化能力仍然缺乏深入研究。由于灵巧手在不同形态和几何结构上存在显著差异，抓取策略的跨手转移一直存在挑战。
大语言模型（Large Language Models, LLMs）的强大能力推动了 LLM Agent 的迅速发展。围绕增强 LLM Agent 的能力，近期相关研究提出了若干关键组件或工作流。然而，如何将核心要素集成到一个统一的框架中，能够进行端到端优化，仍然是一个亟待解决的问题。
人工智能的能力会在未来几年内得到显著提升
在医疗领域中，大语言模型已经有了广泛的研究。然而，这些进展主要依赖于英语的基座模型，并受制于缺乏多语言医疗专业数据的限制，导致当前的医疗大模型在处理非英语问题时效果不佳。
2022年，AI大牛Ilya Sutskever曾预测：「随着时间推移，人类预期和AI实际表现差异可能会缩小」。
告别传统指令微调，大模型特定任务性能提升有新方法了。 一种新型开源增强知识框架，可以从公开数据中自动提取相关知识，针对性提升任务性能。 与基线和SOTA方法对比，本文方法在各项任务上均取得了更好的性能。
Sutton 等研究人员近期在《Nature》上发表的研究《Loss of Plasticity in Deep Continual Learning》揭示了一个重要发现：在持续学习环境中，标准深度学习方法的表现竟不及浅层网络。研究指出，这一现象的主要原因是 "可塑性损失"（Plasticity Loss）：深度神经网络在面对非平稳的训练目标持续更新时，会逐渐丧失从新数据中学习的能力。