Enhancing the Geometric Problem-Solving Ability of Multimodal LLMs via Symbolic-Neural Integration 
多模式大语言模型（MLLM）的最新进展在一般领域取得了显着的进步，并在多模式数学推理中表现出了希望。但是，由于缺乏准确的逐步解决方案数据和推理过程中严重的幻觉，将MLLM应用于几何问题解决（GPS）仍然具有挑战性。在本文中，我们提出了一个可以自动生成几何图的逐步推理路径的管道 ...
0 0 0 2025/04/22 arXiv:2504.12773v1 Dreamer
OLMoE: Open Mixture-of-Experts Language Models 
我们引入 OLMoE，这是一种完全开放、最先进的语言模型，利用稀疏专家混合 (MoE)。 OLMoE-1B-7B 有 70 亿个 (B) 参数，但每个输入 Token 仅使用 1B。我们在 5 万亿个 Token 上对其进行预训练，并进一步对其进行调整以创建 OLMoE-1B-7B-Instruct ...
0 0 0 2025/04/22 arXiv:2409.02060v2 cccclkk
AgentDojo: A Dynamic Environment to Evaluate Prompt Injection Attacks and Defenses for LLM Agents 
AI代理的目的是通过将基于文本的推理与外部工具调用相结合来解决复杂的任务。不幸的是，AI代理很容易受到促使注射攻击的攻击，在这些攻击中，外部工具返回的数据劫持了代理执行恶意任务。为了衡量AI代理的对抗性鲁棒性，我们介绍了AgentOjo，这是对代理的评估框架，该框架可以通过不受信任的数据执行工具 ...
0 0 0 2025/04/22 arXiv:2406.13352v3 dropout
Replay Consolidation with Label Propagation for Continual Object Detection 
持续学习（CL）旨在学习新数据，同时记住先前获得的知识。与CL进行图像分类相反，用于对象检测的CL面临其他挑战，例如丢失的注释问题。在这种情况下，以前任务的图像可能包含未知类的实例，这些实例可能会重新出现为未来任务中的标记，从而导致任务干扰基于重播的方法 ...
0 0 0 2025/04/22 arXiv:2409.05650v3 19396386025
YOLOOC: YOLO-based Open-Class Incremental Object Detection with Novel Class Discovery 
由于其在实践中的使用，开放世界对象检测（OWOD）最近引起了很多关注。挑战是模型如何检测新颖的课程，然后逐步学习它们，而不会忘记以前已知的课程。以前的方法在强烈监督或弱监督的新颖级别数据中取决于新型级别检测，这可能不适用于实际应用 ...
0 0 0 2025/04/22 arXiv:2404.00257v2 19396386025
The Double Sphere Camera Model 
基于视觉的运动估计和3D重建，它们具有许多应用（例如，自动驾驶，用于空中设备的导航系统和增强现实的导航系统）正在受到极大的研究关注 ...
0 0 0 2025/04/22 arXiv:1807.08957v2 hoolol
2D-Curri-DPO: Two-Dimensional Curriculum Learning for Direct Preference Optimization 
将大语言模型与人类偏好保持一致对于安全部署至关重要。虽然直接偏好优化（DPO）为从人类反馈中学习提供了有效的替代方法，但传统的DPO方法受到对单个偏好对的依赖的限制。最近的工作（例如Curriculum-DPO）使用基于成对区分性（PD）的一维难度课程集成了多对，但忽略了输入提示本身的复杂性 ...
0 0 0 2025/04/22 arXiv:2504.07856v2 byron_
GenTranslate: Large Language Models are Generative Multilingual Speech and Machine Translators 
大型语言模型（LLM）的最新进展已通过其减少的表示错误并结合了外部知识来发展多语言语音和机器翻译。但是，这两个翻译任务通常都利用梁搜索解码和TOP-1假设选择进行推理。这些技术难以充分利用各种n最好的假设中的丰富信息，这使得它们对于需要单个高质量的输出序列的翻译任务降低了 ...
0 0 1 2025/04/22 arXiv:2402.06894v2 Abidalswark

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）