深度强化学习（RL）算法是解决视觉运动决策任务的强大工具。但是，训练有素的模型通常很难解释，因为它们被表示为端到端的深神经网络。在本文中，我们通过分析任务执行期间所使用的像素，并将它们与人类执行相同任务的像素进行比较，从而阐明了这些受过训练的模型的内部工作 ...

大型语言模型（LLM）代理正在迅速改进，以处理日益复杂的基于Web的任务。这些代理中的大多数都依靠通用，专有模型（例如GPT-4），并专注于设计更好的提示以提高其计划能力。但是，通用LLM并未经过专门培训以了解HTML等专业网络环境，并且他们经常在长马计划中挣扎 ...

社区检测技术对于社交媒体平台很有用，可以发现共享共同利益的用户群体紧密相连。但是，这种功能通常是因为无意间揭示其口味或偏好而可能使个人违反隐私侵犯的牺牲。因此，有些用户可能希望保留其匿名性，并出于各种原因（例如与政治或宗教组织的隶属关系）选择退出社区发现，而无需离开平台 ...

在知识密集型任务中，尤其是在很少的学习限制下，检索增强的生成（RAG）模型在知识密集型任务中表现出色。我们介绍了Corag，这是一个将抹布扩展到协作设置的框架，客户使用协作通道商店共同培训共享模型。为了评估Corag，我们介绍了Crab，这是协作均质开放域问题答案的基准 ...

通过将外部的，特定于域的数据纳入生成过程，检索增强的生成（RAG）通过将外部，特定领域的数据结合到生成过程来增强大型语言模型（LLMS）。尽管LLM具有很高的能力，但它们通常依赖于静态的，预训练的数据集，从而限制了它们集成动态或私人数据的能力。传统的抹布系统通常使用单格架构来处理查询生成，数据检索和响应综合 ...

最近，零射击异常检测（ZSAD）已成为一个关键范式，用于识别看不见类别中的缺陷，而无需在训练阶段需要目标样本。但是，由于表示不足，现有的ZSAD方法与小小的和复杂缺陷的边界斗争。他们中的大多数人都使用手动设计的提示，无法为各种对象和异常工作 ...

大型语言模型（LLM）在语言任务中表现出了令人印象深刻的功能，但是它们需要高计算能力并依靠静态知识。为了克服这些局限性，检索功能的生成（RAG）将最新的外部信息纳入了LLM，而无需进行广泛的微调。同时，部署在边缘设备上的小语言模型（SLM）提供效率和低延迟，但通常在复杂的推理任务上挣扎 ...

小语言模型（SLM）支持在资源受限的边缘设备上有效部署，但其有限的容量损害了推理性能。检索增强的生成（RAG）是通过集成外部数据库来增强模型性能的有前途的解决方案，而无需大量的内部设备模型再培训。但是，大规模的公共数据库和特定于用户的私人上下文文档通常位于云上，并且分别位于设备上，而现有的RAG实现主要集中 ...