大型语言模型（LLMS）在两个封闭的任务（包括解决问题和代码生成）和开放任务（包括创意写作）中表现出色，但现有的对其能力的解释缺乏与现实世界人类智能的联系。为了填补这一空白，本文通过``人类仿真''的角度系统地研究了LLM智能，解决了三个核心问题：（1）人格特质如何影响封闭任务中的问题解决问题？ （2）特征如何在开放任务中塑造创造力？ （3）单格绩效如何影响多代理协作？通过为LLM代理商分配五个个 ...

大约最近的邻居搜索（ANN）是找到最接近给定查询向量的数据库向量的任务。基于图的ANN是一种方法家族，具有最佳的数百万尺度数据集的准确性和速度平衡。但是，基于图的方法具有较长索引构建时间的缺点 ...

HyperGraph具有强大的捕获高阶关系的能力，最近引起了极大的关注。因此，已经出现了许多超图表学习方法，以模拟超图之间的复杂关系。通常，这些方法利用经典的扩展​​方法将超图转换为加权或两分图，并进一步采用消息传递机制来对超图中的复杂结构进行建模 ...

投机抽样是加速大型语言模型（LLMS）解码阶段的一种有前途的方法。利用目标LLM的上下文信息（例如隐藏状态和KV缓存）的最新进展已显示出显着的实际改进。但是，这些方法在训练和解码之间存在不一致的情况 ...

现有的多模态大语言模型（MLLM）越来越强调对各种视觉元素的复杂理解，包括多个对象、文本信息和空间关系。它们的综合视觉感知的发展取决于高质量图像文本数据集的可用性，这些数据集提供不同的视觉元素和整个图像描述。然而，此类超详细数据集的稀缺目前阻碍了 MLLM 社区的进步 ...

可以直接综合看不见的场景的新型视图的跨性别概括的NERF模型已成为NERF领域的新聚光灯。现有的几项尝试依赖于越来越多的端到端“神经化”架构，即 ...

大型语言模型在各种自然语言处理任务中取得了巨大的成功，但推断期间的高计算成本仍然是主要的瓶颈。本文介绍了稀疏的专家激活修剪（SEAP），这是一种无训练的修剪方法，有选择地保留与任务相关的参数以减少推理开销。 SEAP受到隐藏状态和激活的聚类模式的启发，SEAP确定了特定于任务的专家激活模式并修剪模型，同时保留任务性能并提高计算效率 ...

本文介绍了一种新颖的方法，用于通过将嵌入式3D高斯语言与大语言模型（LLMS）相结合（LLMS），以自动驾驶中的开放式3D场景查询。我们建议利用LLM生成上下文规范的短语，并帮助积极的单词来增强细分和场景解释。我们的方法利用GPT-3 ...