[공지사항]을 빙자한 안부와 근황

Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

EgoVLA: Học các mô hình thị giác-ngôn ngữ-hành động từ các video con người vị kỷ

Mã tiềm ẩn rời rạc thành phần cho các mô hình khuếch tán hiệu quả, độ trung thực cao

Mã MERA: Một khuôn khổ thống nhất để đánh giá việc tạo mã trên nhiều tác vụ

Tinh chỉnh cấp độ vị trí với đông lạnh lớp tiến triển: Hướng tới dự đoán chắc chắn về chứng loạn sản phế quản phổi từ phim chụp X-quang ngực ngày 1 ở trẻ sinh cực non

Lộ trình nghiên cứu robot liên quan đến khí hậu

Công bằng thôi là chưa đủ: Kiểm toán năng lực và thiên kiến giao thoa trong sàng lọc sơ yếu lý lịch bằng AI

MMOne: Biểu diễn nhiều phương thức trong một cảnh

SWE-MERA: Một chuẩn mực động để đánh giá tác nhân các mô hình ngôn ngữ lớn trên các tác vụ kỹ thuật phần mềm

CodeAssistBench (CAB): Bộ dữ liệu & Đánh giá chuẩn cho Hỗ trợ mã dựa trên trò chuyện nhiều lượt

Khâu mô hình nền (gần như) tự do

Phương pháp phân đoạn khối u não dựa trên CLIP và U-Net 3D với hướng dẫn ngữ nghĩa đa phương thức và hợp nhất tính năng đa cấp

KEN: Mạng lưới hướng dẫn cảm xúc và tăng cường kiến thức để phát hiện tin giả đa phương thức

THOR: Thuật toán biến đổi cho việc truy xuất theo yêu cầu

SEALGuard: Bảo vệ các cuộc hội thoại đa ngôn ngữ bằng các ngôn ngữ Đông Nam Á cho các hệ thống phần mềm LLM

KeyRe-ID: Nhận dạng lại người theo điểm chính bằng cách sử dụng biểu diễn nhận biết một phần trong video

Những nhiễu loạn tức thời tiết lộ những thành kiến giống con người trong các phản hồi khảo sát LLM

Gemini 2.5: Đẩy mạnh ranh giới với lý luận tiên tiến, đa phương thức, bối cảnh dài và khả năng tác nhân thế hệ tiếp theo

Học mô phỏng và điều khiển từ xa song phương nhanh chóng bằng cách sử dụng điều khiển lực không cảm biến thông qua mô hình động lực học chính xác

Chưng cất tập dữ liệu tạo tác cụ thể theo nhiệm vụ với lấy mẫu theo hướng dẫn độ khó

VIDEO: Phân tích, thực thi và đánh giá trực quan và tương tác phân tích văn bản với các tác nhân thông minh

ReCode: Cập nhật kiến thức API mã bằng học tăng cường

Khám phá khái niệm rời rạc xuyên lớp để diễn giải các mô hình ngôn ngữ

Tấn công tạo sinh dựa trên cấu trúc ngữ nghĩa để tăng cường khả năng chuyển giao đối nghịch

MEM1: Học cách kết hợp trí nhớ và lý luận để tạo ra các tác nhân hiệu quả trong thời gian dài

ĐàO tạo dựa trên dân số nhiều tần số

Phê bình-GRPO: Thúc đẩy lý luận LLM với ngôn ngữ tự nhiên và phản hồi số

Tinh chỉnh SLM hay nhắc nhở LLM? Trường hợp tạo quy trình làm việc mã thấp

ContextQFormer: Một phương pháp mô hình hóa ngữ cảnh mới cho các cuộc hội thoại đa phương thức nhiều lượt

Hiệu suất GPU Khả năng di động cần Tự động điều chỉnh

Tạo dữ liệu tổng hợp thông qua tăng cường để cải thiện sự giống nhau trên khuôn mặt trong DreamBooth và InstantID

Coral Protocol: Cơ sở hạ tầng mở kết nối Internet của các tác nhân

MAC-Tuning: LLM Lý luận vấn đề đa thành phần với nhận thức ranh giới kiến thức nâng cao

Học tập liên bang: Khảo sát về trí tuệ cộng tác bảo vệ quyền riêng tư

ConTextual: Cải thiện Tóm tắt Văn bản Lâm sàng trong LLM với Lọc Mã thông báo Bảo toàn Ngữ cảnh và Biểu đồ Kiến thức

Lượng tử hóa mạch tác vụ: Tận dụng khả năng định vị và diễn giải kiến thức để nén

JailDAM: Phát hiện bẻ khóa bằng bộ nhớ thích ứng cho mô hình ngôn ngữ thị giác

Mạng nơ-ron lượng tử KP

VectorFit: Tinh chỉnh vectơ thích ứng kỳ dị và vectơ thiên vị của các mô hình nền tảng được đào tạo trước

Mạng toán tử sâu hiệu quả dữ liệu cho dòng chảy không ổn định: Phương pháp tiếp cận đa độ trung thực với lấy mẫu phụ được hướng dẫn bởi vật lý

Học các mẫu di động phổ quát của con người với mô hình nền tảng để hợp nhất dữ liệu liên miền

GeoFlow-SLAM: Hệ thống đo khoảng cách quán tính RGBD và chân kết hợp chặt chẽ, mạnh mẽ dành cho robot có chân động

Một khuôn khổ đa giai đoạn với lý luận hướng dẫn phân loại để phân loại nghề nghiệp bằng cách sử dụng các mô hình ngôn ngữ lớn

Cắt tỉa nút nhiều chế độ xem để biểu diễn đồ thị chính xác

V-Max: Một khuôn khổ học tăng cường cho xe tự hành

Chuyển đổi có thể diễn giải và phân tích các mốc thời gian thông qua học tập thông qua khả năng gây ngạc nhiên

Chỉ số đánh giá quốc tế về quản trị AI (Chỉ số AGILE) năm 2024

UPCORE: Lựa chọn lõi bảo toàn tiện ích cho quá trình bỏ học cân bằng

Cải thiện Mô hình Thế giới Biến áp để RL Hiệu quả Dữ liệu

LLM-RecG: Một khuôn khổ nhận thức về thiên kiến ngữ nghĩa cho khuyến nghị tuần tự Zero-Shot

SIDDA: Thích ứng miền động SInkhorn để phân loại hình ảnh với mạng nơ-ron tương đương

Xác định độ dịch chuyển đỏ quang trắc của thiên hà bằng cách sử dụng Mạng đối nghịch tạo sinh có điều kiện (CGAN)

Pháp y giọng nói: Hướng tới việc thiết lập và phân tích bộ dữ liệu giọng nói tổng hợp toàn diện

MRGen: Công cụ phân đoạn dữ liệu cho các phương thức MRI chưa được đại diện đầy đủ

IOPO: Trao quyền cho LLM với Hướng dẫn phức tạp theo sau thông qua Tối ưu hóa tùy chọn đầu vào-đầu ra

Phục hồi ngoài phân phối với chính sách đảo ngược điểm chính lấy đối tượng làm trung tâm cho việc học mô phỏng thị giác vận động

Bộ dữ liệu thu được từ nghiên cứu của người dùng về khả năng hiểu được các thuật toán AI có thể giải thích được

ĐáNh giá ảo giác cấp độ ba hợp nhất cho các mô hình ngôn ngữ thị giác lớn

LoRA Done RITE: Cân bằng biến đổi bất biến mạnh mẽ cho tối ưu hóa LoRA

Xác định nhóm nhiệm vụ cho việc học đa nhiệm vụ bằng cách sử dụng thông tin Pointwise V-Usable

DeFine: Ra quyết định bằng lý luận tương tự trên hồ sơ yếu tố

Phân loại chuẩn cho thể loại nhạc khiêu vũ sân khấu chính

Rủi ro khi bỏ qua sự lan truyền bất ổn trong các quy trình bảo mật được tăng cường bằng AI

MedPix 2.0: Bộ dữ liệu y sinh đa phương thức toàn diện dành cho các ứng dụng AI tiên tiến với khả năng truy xuất tăng cường và đồ thị kiến thức

Tận dụng sự chồng chập lượng tử để suy ra hành vi động của mô hình tín hiệu mạng nơ-ron không gian-thời gian

Giới hạn lỗi hạng tệ nhất: Một cách tiếp cận tăng cường

TBDetector: Bộ phát hiện dựa trên biến áp cho các mối đe dọa dai dẳng nâng cao với biểu đồ nguồn gốc

Hệ thống học máy: Khảo sát từ góc nhìn hướng dữ liệu

Mục tiêu: Hướng tới khuôn khổ đa tác nhân hoàn toàn tự chủ

SmartThinker: Học cách nén và bảo toàn suy luận bằng cách kiểm soát độ dài theo từng bước

Ready Jurist One: Đánh giá chuẩn mực các tác nhân ngôn ngữ cho trí tuệ pháp lý trong môi trường năng động

NTRL: Tạo cuộc chạm trán thông qua Học tăng cường để điều chỉnh độ khó động trong Dungeons and Dragons

Phán đoán với nhiều góc nhìn: Liệu nhiều góc nhìn hơn có đồng nghĩa với việc ít định kiến hơn? Về sự khuếch đại và kháng cự định kiến trong LLM-as-Judge dựa trên nhiều tác nhân

ActionStudio: Một khuôn khổ nhẹ cho dữ liệu và đào tạo các mô hình hành động lớn

BEARCUBS: Một chuẩn mực cho các tác nhân web sử dụng máy tính

Giải mã quy hoạch MuZero: Diễn giải mô hình đã học

LLM - Tương tác người dùng-mục nâng cao: Tận dụng thông tin cạnh để tối ưu hóa các đề xuất

VideoITG: Hiểu video đa phương thức với nền tảng thời gian có hướng dẫn

VisionThink: Mô hình ngôn ngữ thị giác thông minh và hiệu quả thông qua học tăng cường

Mất cân bằng trong cân bằng: Cân bằng khái niệm trực tuyến trong các mô hình thế hệ

ĐIều khiển chính sách tiềm ẩn với các mô hình thế giới được đào tạo trước không phụ thuộc vào thể hiện

ĐàO tạo về tầm nhìn và ngôn ngữ giúp triển khai kiến thức phân loại nhưng không thay đổi cơ bản kiến thức đó

Xem xét lại độ tin cậy trong chuẩn mực ước lượng tư thế dựa trên lý luận

AbGen: Đánh giá các mô hình ngôn ngữ lớn trong thiết kế và đánh giá nghiên cứu cắt bỏ cho nghiên cứu khoa học

Hướng tới việc xác minh chính thức mã do LLM tạo ra từ các dấu nhắc ngôn ngữ tự nhiên

ĐáNh giá các thuật toán học tăng cường để điều hướng trong mô phỏng động vật bốn chân robot: Một nghiên cứu so sánh lấy cảm hứng từ hành vi của chó dẫn đường

Tổng quan về TalentCLEF 2025: Trí tuệ về kỹ năng và chức danh công việc cho Quản lý vốn nhân lực

QuestA: Mở rộng khả năng lập luận trong LLM thông qua việc tăng cường câu hỏi

Voxtral

Hợp nhất hạt nhân để tối ưu hóa Bayesian trên không gian hoán vị

Sự thích ứng hiệu quả của bộ chuyển đổi thị giác được đào tạo trước được hỗ trợ bởi Chiến lược tinh chỉnh trực giao gần đúng

Tự động hóa việc điều khiển cho các mô hình ngôn ngữ lớn đa phương thức an toàn

HATS: Bộ kiểm tra tương tự tiếng Hindi để đánh giá lý luận trong các mô hình ngôn ngữ lớn

VITA: Chính sách kết hợp tầm nhìn với hành động

$S^2M^2$: Mô hình khớp nối lập thể có khả năng mở rộng để ước tính độ sâu đáng tin cậy

Tổng hợp thực tế: Tận dụng nền tảng AI tạo sinh Midjourney để phát hiện công nhân xây dựng

Căn chỉnh con người và robot thông qua học tăng cường từ phản hồi ngầm của con người

SHIELD: Một công nghệ học tập tích hợp an toàn và nâng cao để phát hiện Deepfake mạnh mẽ chống lại các cuộc tấn công đối nghịch

Prompt Injection 2.0: Mối đe dọa AI lai

Orbis: Vượt qua những thách thức của dự đoán tầm xa trong việc điều khiển các mô hình thế giới

Học tăng cường ngược đáp ứng mô hình ngôn ngữ lớn sau đào tạo: Cơ bản, nâng cao và cơ hội

Voxtral

Created by

Haebom

Tác giả

Alexander H. Liu, Andy Ehrenberg, Andy Lo, Clement Denoix, Corentin Barreau, Guillaume Lample, Jean-Malo Delignon, Khyathi Raghavi Chandu, Patrick von Platen, Pavankumar Reddy Muddireddy, Sanchit Gandhi, Soham Ghosh, Srijan Mishra, Thomas Foubert, Abhinav Rastogi, Adam Yang, Albert Q. Jiang, Alexandre Sablayrolles, Am elie H. eliou, Am elie Martin, Anmol Agarwal, Antoine Roux, Arthur Darcet, Arthur Mensch, Baptiste Bout, Baptiste Rozi ere, Baudouin De Monicault, Chris Bamford, Christian Wallenwein, Christophe Renaudin, Cl emence Lanfranchi, Darius Dabert, Devendra Singh Chaplot, Devon Mizelle, Diego de las Casas, Elliot Chane-Sane, Emilien Fugier, Emma Bou Hanna, Gabrielle Berrada, Gauthier Delerce, Gauthier Guinet, Georgii Novikov, Guillaume Martin, Himanshu Jaju, Jan Ludziejewski, Jason Rute, Jean-Hadrien Chabran, Jessica Chudnovsky, Joachim Studnia, Joep Barmentlo, Jonas Amar, Josselin Somerville Roberts, Julien Denize, Karan Saxena, Karmesh Yadav, Kartik Khandelwal, Kush Jain, Lelio Renard Lavaud, Leonard Blier, Lingxiao Zhao, Louis Martin, Lucile Saulnier, Luyu Gao, Marie Pellat, Mathilde Guillaumin, Mathis Felardos, Matthieu Dinot, Maxime Darrin, Maximilian Augustin, Micka el Seznec, Neha Gupta, Nikhil Raghuraman, Olivier Duchenne, Patricia Wang, Patryk Saffer, Paul Jacob, Paul Wambergue, Paula Kurylowicz, Philomine Chagniot, Pierre Stock, Pravesh Agrawal, Remi Delacourt, Romain Sauvestre, Roman Soletskyi, Sagar Vaze, Sandeep Subramanian, Saurabh Garg, Shashwat Dalal, Siddharth Gandhi, Sumukh Aithal, Szymon Antoniak, Teven Le Scao, Thibault Schueller, Thibaut Lavril, Thomas Robert, Thomas Wang, Timothee Lacroix, Tom Bewley, Valeriia Nemychnikova, Victor Paltz, Virgile Richard, Wen-Ding Li, William Marshall, Hiên Vũ Chương, Yihan Wan, Yunhao Tang

Phác thảo

Chúng tôi giới thiệu hai mô hình trò chuyện âm thanh đa phương thức, Voxtral Mini và Voxtral Small. Voxtral được đào tạo để hiểu cả văn bản nói và văn bản, đạt hiệu suất vượt trội trên nhiều chuẩn âm thanh khác nhau trong khi vẫn giữ được các tính năng văn bản mạnh mẽ. Voxtral Small vượt trội hơn một số mô hình độc quyền trong khi vẫn đủ nhỏ gọn để chạy cục bộ. Nó có thể xử lý các tệp âm thanh dài tới 40 phút và các cuộc trò chuyện nhiều vòng dài với cửa sổ ngữ cảnh 32K. Chúng tôi cũng cung cấp ba chuẩn để đánh giá các mô hình hiểu lời nói về các vấn đề kiến thức và thường thức. Cả hai mô hình Voxtral đều được phát hành theo giấy phép Apache 2.0.