实体类型标记是将类别标签分配给文档中每个实体的任务。尽管标准系统专注于一系列类型，但最近的工作（Ling和Weld，2012）表明，使用大型细粒标签集可以导致下游任务的巨大改进。在没有标记的培训数据的情况下，现有的细粒标记系统会自动获得示例，并使用从知识库中提取的解决实体及其类型自动获取示例 ...
配备了网络搜索功能的大型语言模型（LLM）表现出了深入研究任务的令人印象深刻的潜力。但是，当前的方法主要依赖于在受控检索仪（基于RAG）环境（基于RAG）环境（基于RAG）中的手动工程提示（基于工程的提示）（及时工程），这些提示（基于RAG）无法捕获现实世界互动的复杂性。在本文中，我们介绍了Deepresearcher，这是通过缩放强化增强学习（RL）在具有正宗的Web搜索交互的现实环境中通过缩放 ...
广义问题被广泛认为是检测深击的关键挑战。以前的大多数工作都认为，概括差距是由各种伪造方法之间的差异引起的。但是，我们的调查表明，当伪造的因素转移时，仍可能发生概括问题 ...
持续学习是一个充满挑战的现实问题，用于以流媒体方式提供数据时构建成熟的AI系统。尽管连续分类最近取得了进展，但持续对象检测的研究仍会受到每个图像中对象的不同大小和数量的影响。与以前调整所有任务网络的工作不同，在这项工作中，我们提出了一个简单而灵活的框架，用于通过典型的任务相关性指导的门控机制（Rosetta）进行连续对象检测 ...
网络威胁知识的指数增长，例如Miatre-CVE和NVD等数据库的扩展为网络威胁分析带来了重大挑战。安全专业人员越来越受到信息的数量和复杂性的负担，迫切需要有效的工具来导航，合成和采取大规模数据，以积极应对不断发展的威胁。但是，常规威胁情报工具通常无法随着这些数据的动态性质而扩展，并且缺乏支持多样化威胁智能任务的适应性 ...
本文介绍了一个新颖的框架，用于使用 Transformer 体系结构的统一增量少量对象检测（IFSOD）和实例分割（IFSIS）。我们的目标是为只有几个新颖对象类示例的情况创建一个最佳解决方案，而无法访问基础或旧课程的培训数据，同时在基础和新颖类中保持高性能。为了实现这一目标，我们将Mask-Dino扩展到两个阶段的增量学习框架 ...
关于行人姿势估计的大多数现有作品都不考虑估计被阻塞的行人的姿势，因为相关的汽车数据集中没有遮挡零件的注释。例如，在汽车场景中用于行人检测的众所周知的数据集Citypersons不提供姿势注释，而MS-Coco（非自动驱动数据集）MS-Coco包含人类的姿势估计。在这项工作中，我们提出了一个多任务框架，以通过检测和实例分割任务在这两个分布上执行 ...
OpenAI的GPT4O模型的最新突破表现出了令人惊讶的良好能力在图像生成和编辑中，从而引起了社区的极大兴奋。该技术报告介绍了第一观评估基准（命名为GPT-Imgeval），在三个关键维度上进行了定量和质量地诊断GPT-4O的性能：（1）生成质量，（2）编辑能力和（3）世界知识知识的语义合成。在这三个任务中，GPT-4O表现出强劲的性能，在图像生成控制和输出质量中都显着超过了现有方法，同时还展示了 ...
