已经证明，经过深思熟虑的（COT）提示可以改善各种任务的大型语言模型（LLM）。通过这种方法，LLM似乎在提供答案之前产生了类似人类的推理步骤（也是如此（也是如此） ...
无监督的技能发现（USD）允许代理人在没有特定特定任务的奖励的情况下自主学习多种行为。尽管最近的美元方法已经显示出希望，但它们在现实世界机器人技术中的应用仍未得到充实。在本文中，我们提出了一个模块化的USD框架，以应对学习技能的安全性，解释性和可部署性的挑战 ...
操作系统使用诸如过程，容器和隔离技术等摘要来强制逻辑隔离，以保护系统免受恶意或货物代码的影响。在本文中，我们通过文件系统展示了新型的侧渠道，这些侧频系统破坏了这种逻辑隔离。文件系统在操作系统中起着至关重要的作用，管理应用程序层和物理存储设备之间的所有I/O活动 ...
现代面部识别（FR）模型在受限的场景中表现出色，但由于围绕被捕获的面部数据的质量的不确定性而部署在不受限制的（现实世界中）环境中时的性能下降。面部图像质量评估（FIQA）技术旨在通过为FR模型提供样品质量预测来减轻这些性能降低，这些预测可用于拒绝低质量样本并减少错误的匹配错误。但是，尽管有稳定的改进，但确保具有不同特征的面部图像的可靠质量估计仍然具有挑战性 ...
我们研究对象导航 - 要求位于新环境中的虚拟机器人导航到对象。先前的工作表明，在人类示范数据集上使用行为克隆（BC）的模仿学习（IL）取得了令人鼓舞的结果。但是，这有局限性 - 1）BC政策对新州的推广不佳，因为培训模仿行动而不是其后果，而2）收集示威很昂贵 ...
大型语言模型（LLM）正在催化科学发现的范式转变，从特定于任务的自动化工具变成了越来越多的自主代理，并从根本上重新定义了研究过程和人类AI协作。这项调查系统地绘制了这个新兴的领域，将LLMS在科学中不断变化的角色和不断提高的能力上提升的核心重点。通过科学方法的镜头，我们介绍了一个基础三级分类工具，分析师和科学家，以描绘其在研究生命周期内升级的自主权和不断发展的责任 ...
LLMS学习的最新进步在消除不必要的数据模型影响方面取得了巨大的成功，同时保留了模型的合法知识实用性。尽管有这些进步，但稀疏的Experts（MOE）LLMS（LLM家族的关键子集）在不学习的背景下仍未探索。由于Moe LLM因其出色的表现而受到庆祝，因此我们问：如何在Moe LLM上有效，有效地进行学习？我们的试点研究表明，MOE LLMS的动态路由性质引入了独特的挑战，从而导致过度遗忘，不受控 ...
随着大型多模式模型的出现，科学现在正处于基于AI的技术转型的一个门槛上。最近，已经提出了众多新的AI模型和工具，有望使全球研究人员和学者更有效，有效地进行研究。这包括研究周期的所有方面，特别是（1）寻找相关文献； （2）产生研究思想和进行实验；生成（3）基于文本的和（4）多模式内容（e ...
