现有的异常检测方法〜（AD）通常依赖大量无异常数据来训练表示表示和密度模型。但是，在推理阶段之前，可能并不总是可用的大型无异常数据集。在这种情况下，必须仅使用少数普通样品（又称）训练异常检测模型 ...
尽管大型语言模型容易产生幻觉和不准确的内容，llm中的幻觉，解决了知识图谱知识覆盖不完整的挑战。另一方面，解决了知识图谱知识覆盖不完整的挑战。另一方面，通过信息提取和知识图补全来更新知识图面临着知识更新错位问题... ...
我们引入了薰衣草，这是一种简单的监督微调（SFT）方法，它通过利用最先进的图像生成模型（例如稳定的扩散）来提高先进视觉模型（VLM）的性能。具体而言，薰衣草将VLM Transformer 中的文本视频关注与SFT期间稳定扩散使用的等效物相结合，而不是对单独的编码器进行调整。这种一致性丰富了模型的视觉理解，并显着提高了整个分布任务的性能 ...
培训数据质量是最终模型质量的最重要驱动力之一。在这项工作中，我们介绍了一种基于低质量输入提示会导致高方差和低质量响应的假设来评估数据完整性的方法。这是通过衡量被拒绝的响应质量以及所选偏好对之间的奖励差距来实现的 ...
图像到图像翻译是计算机视觉和图像处理中的重要且具有挑战性的问题。扩散模型（DM）表现出了高质量图像合成的巨大潜力，并在图像到图像翻译的任务上获得了竞争性能。但是，大多数现有的扩散模型将图像到图像翻译视为有条件的生成过程，并因不同域之间的差距而遭受重大损失 ...
传统的动画生成方法取决于使用人体标签数据的培训生成模型，需要一条复杂的多阶段管道，需要大量的人类努力并造成高训练成本。由于促进计划有限，这些方法通常会产生简短的，贫困和上下文的动画。为了克服这些局限性并自动化动画过程，我们会引入大型多模型模型（LMMS）作为核心处理器，以构建一个名为Anim-Director的自主动画制作代理 ...
自动驾驶是一项具有挑战性的任务，需要感知和了解安全轨迹计划的周围环境。尽管现有的基于视觉的端到端模型已取得了令人鼓舞的结果，但这些方法仍面临视觉理解，决策推理和场景概括的挑战。为了解决这些问题，提出了一种名为GPVL的3D视频语言预训练模型的生成计划，用于端到端自动驾驶 ...
自然语言推论（NLI）仍然是LLM的重要基准任务。 NLI数据集是用于将学习转移到其他语义任务的跳板，NLI模型是确定模型生成文本的忠诚度的标准工具。如今，NLI数据集有几个大规模的NLI数据集，模型通过爬山收藏的山坡得到了很大改善 ...
