（sft）（llm）的关键一步，使它们能够与人类指令保持一致并增强其在下游任务中的能力。大幅增加指令数据是使模型与更广泛的下游任务保持一致或，使它们能够与人类指令保持一致并增强其在下游任务中的能力。大幅增加指令数据是使模型与更广泛的下游任务保持一致或显着提高其在特定任务上的性能的直接解决方案。然而，llm中的世界知识... ...

双曲线几何形状在建模复杂的结构化数据中显示出显着的潜力，尤其是那些具有基础树状和分层结构的数据。尽管各个领域的各种双曲线神经网络的性能令人印象深刻，但有关将 Transformer 适应双曲线空间的研究仍然有限。以前的尝试主要集中于修改 Transformer 中的自我发场模块 ...

视频文本检索一直是多模式研究中的至关重要和基本任务。大型多模式对比预训练的发展，视频文本检索的发展已大大推动，这主要集中在粗粒或细粒对比度上。但是，在先前的研究中很少探索过跨粒度的对比，这是粗粒表示和细粒度表示之间的对比 ...

我们报告了在3.5 Sigma显着性水平的星系簇中的动力学Sunyaev-Zel'Dovich（KSZ）效应的直接检测。测量是通过将Planck地图堆叠在217 GHz的位于Wen-Han-Liu（WHL）目录的星系簇位置的217 GHz ...

图像分割仍然是医学图像分析中的关键成分，有助于提取关键信息以进行精确的诊断实践。随着深度学习的出现，自动化图像分割方法已提高到突出，展现了处理医学图像的非凡水平。由段的任何模型（SAM）-A基础模型以其出色的精确性和可靠的概括能力而闻名，以分割2D自然图像，我们引入了SAM3D，这是一种针对3D体积医学图像分析的创新适应性 ...

学识渊博的运动策略可以迅速适应与训练过程中经历的不同环境，但在分布外测试环境中失败时缺乏快速调整的机制。这需要一个缓慢而迭代的奖励和环境重新设计的循环，以便在新任务上实现良好的绩效。作为替代方案，我们建议学习一项单一的政策，该政策编码一个结构化的运动策略家族，该策略以不同的方式解决训练任务，从而导致了多种行为（MOB） ...

异常检测是一个重要的问题，在各种研究领域和应用领域中都进行了充分研究。这项调查的目的是两个方面，首先，我们提出了基于深度学习的异常检测中研究方法的结构化和全面的概述。此外，我们回顾了这些方法在各个应用领域中采用异常方法并评估其有效性 ...

LLMS的测试时间计算的增加显示了跨域的希望，但尽管广泛研究了数学研究，但在代码生成中仍未充满信心。在本文中，我们提出了S*，这是第一个混合测试时间缩放框架，可大大提高生成代码的覆盖范围和选择精度。 S*通过顺序缩放扩展了现有的并行缩放范式以推动性能边界 ...