大型视觉模型（LVLM）表示人工智能（AI）社区内的开创性范式转变，通过吸收其他方式（例如图像），超出了大语言模型（LLM）的能力 ...

视频发电的最新进展需要越来越有效的培训食谱，以减轻计算成本的升级。在本报告中，我们介绍了contentv，这是一种8B参数文本对视频模型，在对256 x 64GB神经加工单元（NPU）进行训练后，可以实现最先进的性能（在VBench上进行85.14） ...

分布式学习通常用于培训深度学习模型，尤其是大型模型。在分布式学习中，手动并行性（MP）方法需要大量的人类努力，并且灵活性有限。因此，最近提出了自动平行性（AP）方法来自动化并行策略优化过程 ...

知识图（kg）精致主要针对KG完成和校正（即错误检测） ...

我们提出Ditto，这是一种基于预训练的基于 Transformer 的语言模型的新型实体匹配系统。我们将EM定为序列对分类问题，以使用简单的体系结构来利用此类模型。我们的实验表明，在大型文本语料库中预先培训的语言模型的直接应用已经显着提高了匹配的质量，并且在基准数据集中最多占据了先前的最先前的F1（SOTA）（SOTA） ...

大型语言模型（LLMS）在提问（QA）任务上表现出了出色的表现，因为它们在自然语言理解和产生方面具有出色的能力。但是，由于推理能力差，知识过时和幻觉，基于LLM的质量检查局在复杂的质量检查任务中挣扎。最近的几项工作合成了LLM和知识图（kgs），以应对上述挑战 ...

将结构化知识从知识图（kgs）整合到大语言模型（LLMS）中增强了事实基础和推理能力。该调查文件系统地研究了公斤和LLM之间的协同作用，将现有方法分为两个主要组：kg增强的LLM，从而改善了推理，减少幻觉并启用复杂的问题答案；和LLM扬名的公斤，可促进kg的建设，完成和查询。通过全面的分析，我们确定了关键的差距，并突出了结构化知识整合的相互益处 ...

面部解析会侵入每个面部成分的像素标签，最近引起了很多关注。先前的方法表明了它们在面部解析方面的效率，但是忽略了不同面部区域之间的相关性。相关性是关于面部外观，姿势，表达等的关键线索 ...