MeshMosaic: Scaling Artist Mesh Generation via Local-to-Global Assembly 
对于自回归生成模型而言，将艺术家设计的网眼缩放到高三角形数字仍然具有挑战性。现有的基于 Transformer 的方法具有长期序列瓶颈和有限的量化分辨率，这主要是由于所需的 Token 数量大量和约束量化粒度。这些问题阻止了精细的几何细节和结构化密度模式的忠实再现 ...
0 0 0 2025/09/26 arXiv:2509.19995v1 happy
Filtering Discomforting Recommendations with Large Language Models 
个性化算法可以无意间暴露于不适的建议中，可能会触发负面后果。不适的主观性和这些算法的黑盒性质使有效识别和过滤此类内容的主观性使其具有挑战性。为了解决这个问题，我们首先进行了一项形成性研究，以了解用户对不适的建议过滤的实践和期望 ...
0 0 0 2025/09/25 arXiv:2410.05411v3 nora
A Self-Supervised Descriptor for Image Copy Detection 
图像副本检测是内容审核的重要任务。我们介绍了SSCD，该模型以最新的自我监督对比训练目标为基础。我们通过更改体系结构和训练目标，包括匹配实例匹配的文献中的汇总操作员，并将对比度学习调整以增强图像的增强，将此方法调整为复制检测任务 ...
0 0 0 2025/09/25 arXiv:2202.10261v2 Romaker
Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead 
黑匣子机器学习模型目前正在整个社会中用于高利益决策，在整个医疗保健，刑事司法和其他领域中引起问题。人们希望创建用于解释这些黑匣子模型的方法可以减轻其中一些问题，但是试图\ textit {divell {divell}黑匣子模型，而不是创建\ textit {可解释}的模型，很可能会延续不良的实践并可能对社会造成灾难性伤害。有一个前进的道路 - 它是设计固有解释的模型 ...
0 0 0 2025/09/25 arXiv:1811.10154v3 shiyue
MineDojo: Building Open-Ended Embodied Agents with Internet-Scale Knowledge 
自主代理在Atari Games等专业领域取得了长足的进步。但是，他们通常在具有有限和手动构想的目标的孤立环境中学习Tabula Rasa，因此未能跨越各种任务和能力。受到人类如何不断学习和适应开放世界的启发，我们主张建立通才代理的三位一体：1）一个支持多种任务和目标的环境，2）多模式知识的大规模数据库，以及3）一种灵活且可扩展的代理体系结构 ...
0 0 0 2025/09/25 arXiv:2206.08853v2 plum
Large Scale Product Graph Construction for Recommendation in E-commerce 
构建每天为数十亿用户提供服务的推荐系统是一个具有挑战性的问题，因为该系统每秒需要基于实时用户行为进行天文数字的预测，时间复杂度为o（1）。此类大规模推荐系统通常严重依赖预先构建的产品索引来加速推荐服务 ...
0 0 0 2025/09/25 arXiv:2010.05525v1 hzlyiyibooks
SpeechCLIP+: Self-supervised multi-task representation learning for speech via CLIP and speech-image data 
最近提出的视觉扎根的语音模型语音clip是一个创新的框架，它通过剪辑通过剪辑桥接语音和文本而不依赖文本转录。在此基础上，本文向Secemplip介绍了两个扩展。首先，我们应用连续的集成和火力（CIF）模块来替换级联体系结构中固定数量的CLS Token  ...
0 0 0 2025/09/25 arXiv:2402.06959v1 ssa
Beyond Quacking: Deep Integration of Language Models and RAG into DuckDB 
知识密集型分析应用程序从结构化表格数据和非结构化的，无文本的文档中检索上下文，以进行有效的决策。大型语言模型（LLM）使原型检索和推理数据管道的原型更容易。但是，有效实施这些管道仍然需要巨大的努力，并面临一些挑战 ...
0 0 0 2025/09/25 arXiv:2504.01157v1 李大人

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）