在本文中，我们提出了视觉排列器，这是一种概念上简单且具有数据效率的MLP样体系结构，用于视觉识别。通过意识到2D特征表示携带的位置信息的重要性，与沿扁平的空间维度编码空间信息的最新类似MLP的模型不同，Vision置换器分别用线性预测沿高度和宽度维度编码特征表示。这允许视觉排列器沿一个空间方向捕获远程依赖关系，同时保留沿另一个方向的精确位置信息 ...

随着与大语言模型（LLMS）的多转交谈更长，更复杂，用户如何更好地评估和审查其对话目标的进度？我们提出了一个LLM聊天界面的Ongoal，可帮助用户更好地管理目标进度。 Ongoal通过LLM辅助评估提供了有关目标对齐的实时反馈，示例评估结果的解释以及随着时间的推移概述目标进步，使用户能够更有效地导航复杂的对话。通过与20名参与者的写作任务的研究，我们对基线聊天界面进行了评估，而无需目标跟踪 .. ...

我们推出成像，一种文本到图像的扩散模型，具有前所未有的照片真实感和深层次的语言理解。成像建立在大型 Transformer 语言模型在理解文本方面的能力之上，并依赖于扩散模型在高保真图像生成方面的能力。我们的关键发现是通用的大语言模型（例如 ... ...

表结构识别是文档图像分析域的关键部分。它的困难在于需要同时解析每个单元的物理坐标和逻辑指标。但是，现有的方法很难实现这两个目标，尤其是当表分裂线被模糊或倾斜时 ...

理解表是自然语言理解的重要方面。现有的用于表理解的模型需要对表结构进行线性化，其中行或列顺序被编码为不必要的偏差。这种虚假的偏见使该模型容易受到行和列顺序扰动的影响 ...

目标检测的进展是由数据集推动的，这些数据集将研究界的注意力集中在开放挑战上。这个过程引导我们从简单图像到复杂场景 ...

现代AI的计算需求激发了对光学神经网络（ONN）的兴趣，这些神经网络（ONNS）提供了增加速度和降低功耗的潜在好处。但是，当前的ONN面临着各种挑战，最明显的是有限的计算精度（通常约为4位），并且需要高分辨率信号格式转换器（数字到Analogue转换（DAC）和模数转换（ADC））的要求。这些挑战是其模拟计算本质所固有的，并在实际实施中构成了重大障碍 ...

传统上，机器人技术中的视觉导航依赖于全球一致的3D地图或学习的控制器，这在计算上可能很昂贵，并且难以在不同的环境中推广。在这项工作中，我们提出了一种新颖的仅RGB，仅对象级的上式导航管道，该管道可实现零射击，长远程机器人导航，而无需3D地图或预训练的控制器。我们的方法将全球拓扑路径计划与局部度量轨迹控制集成在一起，从而使机器人可以朝对象级别的子目标导航，同时避免障碍 ...