生成的AI搜索通过提供复杂查询的端到端答案来重塑信息检索，从而减少用户对手动浏览的依赖并汇总多个网页。但是，尽管此范式增强了便利性，但它破坏了反馈驱动的改进循环，该循环历史上为传统网络搜索的演变提供了动力。 Web搜索可以通过收集大规模，细粒度的用户反馈（e ...

通用时间序列的出现预测模型已彻底改变了跨不同领域的零射击预测，但是数据多样性在训练这些模型中的关键作用仍然没有得到充实。现有的大规模时间序列数据集通常会遭受固有的偏见和不平衡分布的损失，从而导致次优模型性能和概括。为了解决这一差距，我们引入了BLAST，这是一种新型的预训练语料库，旨在通过平衡的采样策略来增强数据多样性 ...

该段的任何模型（SAM）是图像分割的基础框架。虽然它在典型的情况下表现出显着的零拍概括，但当应用于医学图像和遥感等专用领域时，其优势会降低。为了解决这一限制，本文介绍了Conv-Lora，这是一种简单而有效的参数有效的微调方法 ...

由于其广泛的应用要求，空中对象检测一直是一个热门话题。但是，大多数现有的方法只能处理预定义的类别，这限制了其对现实世界中公开方案的适用性。在本文中，我们通过利用图像和文本之间的关系扩展了空中对象检测到打开场景，并提出了OVA-DRET，这是一种高效的空中图像开放式视频检测器 ...

语言模型（LMS）具有强大的理解自然语言的能力，使其有效地将人类的指示转化为简单机器人任务的详细计划。但是，处理长途任务仍然是一个重大挑战，尤其是在合作异构机器人团队的子任务识别和分配中。为了解决这个问题，我们提出了一个语言模型驱动的多代理PDDL Planner（LAMMA-P），这是一个新型的多代理任务计划框架，可在长途任务上实现最新的性能 ...

离线增强学习（RL）旨在从一批收集的数据中学习一项良好的政策，而在培训期间与环境没有额外的互动。但是，当前的离线RL基准通常具有较大的现实差距，因为它们涉及由高度探索性政策收集的大型数据集，并且在环境中直接评估了训练有素的政策。在现实情况下，禁止运行高度探索性政策以确保系统安全，数据通常非常有限，并且在部署前应对经过培训的政策进行良好的验证 ...

在大规模培训的时代，模型合并已演变为有效地创建多任务模型的工具。它可以融合模型的知识，而无需在传统的多任务学习中需要进行大量计算。现有的合并方法通常假定重量矩阵中相同位置的条目具有相同的功能，从而可以直接的入口比较和合并 ...

实现逼真的动画人体化身需要对姿势依赖的服装变形进行准确的建模。现有的基于学习的方法在很大程度上依赖于微型套的人类模型（如SMPL）的线性混合肤色（LB）来模型变形。但是，他们努力处理宽松的衣服，例如长裙，当衣服远离身体时，规范化过程就会不明显，从而导致脱节和分散的效果 ...