人工智能与环境实时互动的发展是体现智能和机器人技术的关键方面。逆动力学是一个基本的机器人问题，它从关节空间到机器人系统的扭矩空间。解决它的传统方法取决于机器人的直接物理建模，这是由于非线性和外部干扰而困难甚至不可能的 ...
扩散模型在图像生成和编辑任务中取得了巨大的成功。这些模型中的倒置旨在为真实或生成的图像恢复潜在的噪声表示形式，从而启用重建，编辑和其他下游任务。但是，迄今为止，大多数反转方法都在重建准确性和编辑灵活性之间存在固有的权衡 ...
OLAF（开放生活科学分析框架）是一个开源平台，使研究人员能够使用自然语言进行生物信息学分析。通过将大型语言模型（LLMS）与模块化代理 - 帕普 - 路由器体系结构相结合，OLAF在真实的科学数据（包括.h5ad之类的格式）上生成并执行生物信息学代码 ...
我们研究语言模型中的语言学习（ICL）如何受到语义先验和输入标签标签映射的影响。我们研究了两个具有翻转标签的设置-ICL和ICL，具有与语义无关的标签 - actross-actoss-actoss-across actross各种模型家族（GPT-3，TenchGPT，Codex，Palm和Flan-Palm）。首先，使用翻转标签的ICL实验表明，覆盖的语义先验是模型量表的新兴能力 ...
由于注释过程的劳动密集型性质和数据集中的重大类不平衡，获取高质量实例细分数据是具有挑战性的。最近的研究利用了拷贝性和扩散模型的整合来创建更多的数据集。但是，这些研究通常缺乏大型语言模型（LLM）和扩散模型之间的深入协作，并且在现有培训数据中不足以利用丰富的信息 ...
在线增强学习（RL）对培训后语言模型至关重要，但是由于棘手的可能性，其扩散模型的扩展模型仍然具有挑战性。最近的工作将反向采样过程离散以实现GRPO风格的训练，但它们继承了基本缺点，包括求解器限制，前向反向不一致以及与无分类器指导（CFG）的复杂集成。我们介绍了扩散的负感知芬特（DiffusionNFT），这是一种新的在线RL范式，可通过流匹配直接在正向过程上优化扩散模型 ...
预训练的视觉语言模型（VLMS）需要持续学习（CL），以有效地更新其知识并适应各种下游任务而无需从头开始重新培训。但是，对于VLMS而言，除了以前从下游任务中学到的知识的丧失外，在持续微调过程中，预训练的知识也被损坏。原始预训练数据的无法获得，使VLM的概括能力降低了，这使这个问题加剧了 ...
扩散和流匹配（FM）模型在语音增强（SE）方面取得了显着进展，但是它们对多步生成的依赖在计算上却很昂贵，并且容易受到离散错误的影响。一步生成建模的最新进展，尤其是平均流量，通过通过平均速度场重新制定动力学为有希望的替代方案。在这项工作中，我们提出了Cose，这是一个为SE量身定制的一步FM框架 ...
