Exploring Low-Dimensional Subspaces in Diffusion Models for Controllable Image Editing 
最近，扩散模型已成为强大的生成模型类别。尽管他们成功了，但对他们的语义空间的理解仍然有限。这使得在没有额外培训的情况下实现精确和分离的图像生成，尤其是以无监督的方式实现挑战 ...
0 0 0 2025/08/21 arXiv:2409.02374v2 TJ
Real3D-AD: A Dataset of Point Cloud Anomaly Detection 
高精度点云异常检测是识别先进加工和精密制造缺陷的黄金标准。尽管该领域在方法上取得了一些进展，但数据集的稀缺和缺乏系统的基准阻碍了其发展。我们引入了 ...
0 0 0 2025/08/21 arXiv:2309.13226v3 JokerLin
CoCo-Bench: A Comprehensive Code Benchmark For Multi-task Large Language Model Evaluation 
大型语言模型（LLMS）在软件工程中起着至关重要的作用，在代码生成和维护等任务中出色。但是，现有的基准通常在范围上很狭窄，专注于特定任务，并且缺乏反映现实世界应用的全面评估框架。为了解决这些差距，我们介绍了可可基地（全面的代码基准），旨在评估四个关键维度的LLM：代码理解，代码生成，代码修改和代码审核 ...
0 0 0 2025/08/21 arXiv:2504.20673v1 tucaojun
Adaptive LoRA Merge with Parameter Pruning for Low-Resource Generation 
这项研究提出了一种简单而有效的洛拉合并方法，以实现低资源语言生成任务的LLM适应。 Lora合并技术集成了经过不同任务训练的多个LORA模块，它已成为一种有效，有效的方法，以适应LLMS来定位任务。但是，以前的方法在使洛拉参数冻结时受到限制 ...
0 0 0 2025/08/21 arXiv:2505.24174v1 15966829631
Seeing, Listening, Remembering, and Reasoning: A Multimodal Agent with Long-Term Memory 
我们介绍了M3 Agent，这是一种具有长期记忆的新型多模式框架。像人类一样，M3代理可以处理实时的视觉和听觉输入以构建和更新其长期内存。除了情节记忆之外，它还会发展出语义记忆，从而使其能够随着时间的推移积累世界知识 ...
0 0 0 2025/08/21 arXiv:2508.09736v2 hwrabbit
Search-R1: Training LLMs to Reason and Leverage Search Engines with Reinforcement Learning 
有效获取外部知识和最新信息对于大型语言模型（LLM）中的有效推理和文本生成至关重要。检索增强和工具使用培训方法，其中将搜索引擎视为工具缺乏复杂的多转弯检索灵活性或需要大规模监督数据。在推理过程中提示具有推理能力的高级LLM使用搜索引擎并不是最佳的，因为LLM无法学习如何与搜索引擎进行最佳互动 ...
0 0 0 2025/08/21 arXiv:2503.09516v5 louishsu
Efficiently Serving Large Multimodal Models Using EPD Disaggregation 
大型多模态模型 (LMM) 通过处理图像、音频和视频等不同输入来扩展大型语言模型 (LLM)，但代价是添加多模态编码阶段，从而增加计算和内存开销。此步骤有助于将原始输入转换为标记化表示，从而增加预填充阶段的标记序列，从而对关键服务级别目标 (SLO)（例如首次标记时间 (TTFT) 和端到端吞吐量）产生负面影响。我们引入了编码-预填充-解码 (EPD) 分解，这是一种新颖的框架，它将编码、预填充和 ...
0 0 0 2025/08/21 arXiv:2501.05460v4 tea5
NIPS-2010-learning-to-combine-foveal-glimpses-with-a-third-order-boltzmann-machine-Paper 

                

                

                  
                     0
                     0
                     1
                     2025/08/21
                    
                     GeoffreyHinton
                  
                

              

              

                
                  
                  GeoffreyHinton
                  
                
              

            

          

        

      

      
      
    


    

      
来一起翻译吧！

      

      
为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。

      

      
虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）