-
MLPerf Inference发布最新测试结果:英伟达Blackwell架构芯片性能提升明显
MLPerf Inference发布了最新测试结果,英伟达最新的Blackwell架构芯片展现出明显的性能提升,刷新了部分任务上的测试纪录。本文详细介绍了Blackwell架构的特点,性能对比结果,以及其在机器学习推理中的应用前景。- 583
- 0
-
AI自动化设计系统ADAS:让AI设计更强的智能体
了解UBC等机构研究人员提出的智能体自动化设计系统(ADAS),让AI能够自动设计更强的智能体。通过元智能体搜索算法,实现智能体的自我进化和自我设计,为AI自我设计的潜力打开新的研究方向。- 810
- 0
-
模型后训练的前沿趋势及最新研究总结
了解最新的模型后训练趋势和研究成果,Allen AI的Nathan Lambert发布了一篇总结科技巨头们所使用的后训练配方的技术博文。探讨合成数据、人类偏好数据等是模型后训练方法的重要组成部分。- 636
- 0
-
端模型简介:Hugging Face的Transformers.js让机器学习变得简单
了解端模型及Hugging Face的Transformers.js,让在本地浏览器中运行机器学习模型变得简单。使用Transformer.js在Web端实现先进的机器学习功能,如自然语言处理任务。- 138
- 0
-
向量嵌入在机器学习中的应用及创建方法
向量嵌入在机器学习领域具有重要意义,本文介绍了向量嵌入的应用及创建方法,涵盖了NLP、推荐系统等多个领域。了解如何将抽象数据转化为数字形式,并通过向量空间处理复杂数据集。- 403
- 0
-
NeuralGCM: 预测未来天气的新技术
NeuralGCM是一种结合了传统天气和气候模型与机器学习技术的新型神经通用循环模型,能够准确预测未来几天甚至几十年的天气和气候。本文介绍了NeuralGCM的创新之处、应用前景以及对气候科学领域的重要意义。- 652
- 0
-
人工智能与科学发现:萨金特教授的独特视角
探讨人工智能与科学发现之间的联系,萨金特教授分享他在机器学习领域的独特见解。了解数据驱动的人工智能如何改变信息获取方式,以及从伽利略时代延续至今的科学探索思路。- 445
- 0
-
-
手把手教程:将Kimi大模型接入微信公众号 | Coze.cn
本文为手把手教程,教你如何将Kimi大模型接入微信公众号,在Coze平台上配置智能体和工具插件,让你轻松打造个人的AI助手。快来学习吧!- 380
- 0
-
宾夕法尼亚大学Penn Medicine BioBank中的AI诊断工具
AICMTY.com报道宾夕法尼亚大学Penn Medicine BioBank中的大量匿名患者数据被利用,团队利用AI技术创建了基于AI的诊断工具,可帮助早期诊断肝脂肪变性等疾病。该系统是首批被部署到临床实践中的系统之一,代表着医疗数字化和精准医疗的进步。- 456
- 0
-
-
ARC-AGI基准被GPT-4o撼动,GPT-4o成为新的SOTA
ARC-AGI基准被GPT-4o撼动,GPT-4o以50%的公共测试集准确率成为新的SOTA。了解François Chollets创建的通用人工智能基准ARC-AGI以及GPT-4o的突破性进展。- 280
- 0
-
NLP大模型在Colab上的应用指南
了解如何在Colab上使用NLP大模型进行机器学习项目开发。Colab提供免费GPU资源和云端集成开发环境,方便用户进行各种NLP任务。同时,探索Hugging Face社区的丰富资源库和合作网络,加速技术创新和知识交流。- 511
- 0
-
扩散模型:图像生成新领域的关键技术
本文深入探讨了扩散模型在图像生成领域的重要作用,介绍了其迭代优化的关键思想,以及如何通过多次迭代生成高质量图像。2020年底起,扩散模型开始引起轰动,通过不断改进提升图像质量。了解扩散模型的工作原理,训练自己的模型,探索图像生成领域的新思路。- 618
- 0
-
机器学习远期趋势研究报告及计算、数据、硬件、算法、成本分析
Epoch AI最新研究报告关于机器学习远期趋势的深入分析,涵盖计算、数据、硬件、算法、成本等多个维度,对人工智能模型发展进行权威预测和分析。- 556
- 0
-
Depth Anything V2
Depth Anything V2 是一个先进的单目深度估计模型,它通过使用合成图像和大量未标记的真实图像进行训练,提供了比前一版本更精细、更鲁棒的深度预测。该模型在效率和准确性方面都有显著提升,速度比基于Stable Diffusion的最新模型快10倍以上。- 108
- 0
-
-
使用Sentence Transformers进行模型微调的指南
了解如何使用Sentence Transformers库进行模型微调,提高在特定任务上的性能。本文介绍了数据集、损失函数、训练参数、评估器等训练组件,帮助您有效训练模型并优化性能。- 114
- 0
-
-
-
幸运之星正在降临...
点击领取今天的签到奖励!
恭喜!您今天获得了{{mission.data.mission.credit}}积分
我的优惠劵
-
¥优惠劵使用时效:无法使用使用时效:
之前
使用时效:永久有效优惠劵ID:×
没有优惠劵可用!