大型语言模型（LLM）的快速发展已解锁了其在数学解决问题，代码生成和法律分析等高级推理任务中的能力。这一进展的核心是推理时间推理算法，这些算法通过探索多个解决方案路径来完善输出，而成本增加了计算需求和响应潜伏期。现有的服务系统无法适应这些算法的缩放行为或查询的不同难度，从而导致资源使用效率低下和未满足的延迟目标 ...

深度估计对于解释复杂环境至关重要，尤其是在自动驾驶汽车导航和机器人技术等领域。尽管如此，从事件相机数据中获得准确的深度读数仍然是一个巨大的挑战。事件摄像机的操作与传统数码相机的操作不同，不断捕获数据并生成异步的二进制尖峰，这些尖峰编码时间，位置和光强度 ...

文档视觉问题回答（DOCVQA）是指从文档图像中回答问题的任务。现有在DOCVQA上仅考虑单页文档。但是，在实际场景中，文档主要由多个页面组成，应完全处理 ...

大语言模型（LLM）和相关技术的最新进展，例如检索型生成（RAG）和思想图（DOT），使得创建了能够执行集群诊断和故障排除的自动智能系统。通过将这些技术与自我播放方法相结合，我们开发了一个旨在自主诊断和解决AI集群中问题的LLM代理系统。我们的创新包括针对集群诊断的知识库，增强的LLM算法，针对代理的实用部署策略以及专门设计用于评估该域中LLM功能的基准 ...

经过思考链（COT）推理已成为改善多模式大语言模型（MLLMS）中复杂解决问题能力的有力框架。但是，文本推理的详细性质引入了重要的低效率。在这项工作中，我们提出了$ \ textbf {heima} $（作为隐藏的骆驼），这是一个有效的推理框架，它利用隐藏的潜在空间来利用cots的推理 ...

测试时间缩放是一种有希望的语言建模方法，它使用额外的测试时间计算来提高性能。最近，OpenAI的O1模型显示了这种能力，但没有公开共享其方法，从而导致了许多复制工作。我们寻求最简单的方法来实现测试时间缩放和强大的推理性能 ...

我们研究了有效地使大语言模型（LLM）与预算预算在线反馈的人类偏好的方法。我们首先在上下文对决匪徒的框架内提出LLM对准问题。这种表述，包括在线RLHF和在线DPO等最新范例，固有地寻求包含在线活动探索的样品效率算法 ...

分析非结构化数据一直是数据处理中的持续挑战。大型语言模型（LLMS）在这方面表现出了希望，这导致了有关LLM驱动的非结构化数据处理的最新建议。但是，这些框架专注于在使用LLMS执行用户指定的操作时降低成本，而不是提高准确性，执行大多数操作AS-IS（在单个LLM呼叫中） ...