解码算法对于开放式文本生成至关重要，将潜在表示变成连贯且有意义的输出。本文调查了文本生成中的自我增强效应以及对减轻其的重复惩罚的有效性。但是，确定最佳重复罚款价值是具有挑战性的 ...

Vygotsky关于近端发展和动态评估区域的概念强调了个性化学习的重要性，该学习适应了学习者的需求和能力，并可以更有效地学习。在这项工作中，我们介绍了一种名为e-gostky的新型自适应学习引擎，该引擎以这些概念为基础，以个性化电子学习系统中的学习路径。 E-Gostky使用机器学习技术来选择将挑战学生但不会压倒性的下一个内容项，使学生保持其近端发展区域 ...

我们介绍了EXREC，这是一个通过语义知识追踪的个性化锻炼建议的一般框架。我们的方法基于这样的观察，即现有的练习建议方法通过知识跟踪（KT）模拟学生的表现，但它们经常忽略两个关键方面：（a）问题的语义内容和（b）学生学习的顺序，结构化的进步。为了解决这个问题，我们的EXREC提出了一条端到端的管道，从注释问题的KC和学习其语义表征到培训KT模型并优化多种强化学习（RL）方法 ...

布局到图像生成旨在创建复杂的场景，以精确控制对象的位置和安排。现有的作品表明，预先训练的文本对图像扩散模型可以实现此目标，而无需对任何特定数据培训。但是，他们经常以不精确的本地化和不切实际的人工制品面临挑战。为了关注这些弊端，我们提出了一种新颖的无培训方法Winwinlay ...

由于缺乏固有的特征，不精确的边界回归，现实世界数据集的稀缺和敏感的本地化评估，因此单帧红外小目标（SIRST）检测一直是一项具有挑战性的任务。在本文中，我们提出了针对这些挑战的全面解决方案。首先，我们发现现有的无锚标签分配方法容易误标记小目标作为背景，从而导致检测器的遗漏 ...

最近的视频基础模型（例如SAM2）在提示视频细分方面表现出色，通过将口罩视为通用原始性。但是，许多现实世界的设置都需要无提醒的细分，旨在检测和跟踪没有外部提示的视频中的所有对象，从而使当今的景观在特定于任务的模型和管道上碎片。我们将视频分割重新出现为顺序掩码预测，类似于语言建模，并引入自回归的通用分段模型（AUSM），这是一种单个体系结构，既可以统一提示和未提及的视频细分 ...

语言模型在很大程度上取决于高质量数据以获得最佳性能。现有方法依赖于手动设计的启发式方法，现有模型的困惑，培训分类器或仔细的及时工程，这些工程需要大量的专家经验和人类注释工作，同时引入偏见。我们介绍了Critiq，这是一种新型的数据选择方法，该方法自动从人类对数据质量的偏好中矿井标准，仅30个人类注销对，并执行有效的数据选择 ...

这项工作着重于视觉推理中视觉LLM（VLLM）的潜力。与先前的研究不同，我们将重点从评估标准绩效转变为引入全面的安全评估套件，涵盖了分布（OOD）概括和对抗性鲁棒性。对于OOD评估，我们提出了两个新型的VQA数据集，每个数据集具有一个变体，旨在在有挑战性的条件下测试模型性能 ...