近年来，大型语言模型（LLMS）显示出大大提高的性能，这归因于大小和广泛的培训数据。这一进步导致了行业和公众的普遍利益和收养。但是，机器学习模型中的训练数据记忆具有模型尺寸的尺度，尤其是与LLM有关的尺度 ...

对视觉细节的高分辨率感知对于日常任务至关重要。但是，当前的视力预训练仍然仅限于低分辨率（例如 ...

视觉语言模型（VLM）在多模态推理任务中显示出显着的进步。然而，由于幻觉的图像理解或不完善的推理路径等问题，它们仍然经常产生不准确或不相关的响应。为了应对这些挑战，我们引入了 Critic-V，这是一种受 Actor-Critic 范式启发的新颖框架，旨在提高 VLM 的推理能力 ...

现实世界中的家庭任务对移动操纵机器人面临着重大挑战。对现有机器人技术基准的分析表明，成功的任务绩效取决于三个关键的全身控制功能：双层协调，稳定且精确的导航以及广泛的最终效果可达性。实现这些功能需要仔细的硬件设计，但是由此产生的系统复杂性进一步使视觉运动策略学习变得复杂 ...

大型语言模型（LLM）服务与无线网络中的传统深度神经网络（DNN）应用从根本上有所不同。我们确定了三个关键区别：（1）与具有单向数据流的传统DNN不同，LLM的多模式相互作用会产生双向重负荷，并具有对比鲜明的瓶颈，需要方向吸引的资源调度； （2）虽然传统的DNN表现出固定的计算模式，但LLM的高度可变推理时间与网络切片相互作用，导致动态瓶颈迁移； （3）与可预测的DNN流量相反，LLM的 Toke ...

大型语言模型（LLM）在各个应用程序领域都表现出了很大的成功，但是它们的巨大规模和计算需求对在资源受限的边缘设备上的部署构成了重大挑战。为了解决这个问题，我们提出了一个新颖的分布在设备上的LLM推理框架，该框架利用张量并行性来分区神经网络张量（例如， ...

大语言模型（LLM）的出现彻底改变了人工智能，在推理，概括和零声学习方面提供了前所未有的能力。这些优势在无线通信方面开辟了新的边界，在这种情况下，增加的复杂性和动态需要智能和适应性解决方案。本文探讨了LLMS在跨三个关键方向转换无线系统中的作用：适应核心通信任务的验证LLM，开发无线特定的基础模型以平衡多功能性和效率，并启用具有自主推理和协调能力的代理LLM ...

扩散模型显示出生成高质量时间序列（TS）数据的有希望的能力。尽管取得了最初的成功，但现有的作品主要集中在个人级别的数据真实性上，但要少注意保留整个数据集中的人口级属性。这样的人群级特性包括每个维度的价值分布和某些功能依赖性的分布（e ...