Mảng thưa các chữ ký để nhận dạng ký tự trực tuyến

NVIDIA đã công bố một loạt các công cụ và dịch vụ mới được thiết kế để giúp các nhà phát triển xây dựng và triển khai các ứng dụng AI tạo sinh (generative AI) tùy chỉnh. Các công cụ này, được gọi là NVIDIA AI Foundations, bao gồm các mô hình nền tảng được đào tạo trước, các công cụ phát triển và các dịch vụ đám mây. Các mô hình nền tảng được đào tạo trước bao gồm các mô hình ngôn ngữ lớn (LLM), các mô hình văn bản sang hình ảnh và các mô hình sinh học. Các mô hình này có thể được tinh chỉnh cho các trường hợp sử dụng cụ thể bằng cách sử dụng dữ liệu của riêng nhà phát triển. Các công cụ phát triển bao gồm NVIDIA NeMo, một khung để xây dựng, đào tạo và triển khai LLM, và NVIDIA BioNeMo, một khung tương tự cho các mô hình sinh học. Các công cụ này cung cấp cho các nhà phát triển một bộ công cụ toàn diện để xây dựng các ứng dụng AI tạo sinh tùy chỉnh. Các dịch vụ đám mây bao gồm NVIDIA DGX Cloud, một dịch vụ đám mây AI được quản lý, và NVIDIA AI Enterprise, một bộ phần mềm AI cấp doanh nghiệp. Các dịch vụ này cung cấp cho các nhà phát triển cơ sở hạ tầng và phần mềm cần thiết để triển khai các ứng dụng AI tạo sinh của họ ở quy mô lớn. NVIDIA AI Foundations được thiết kế để giúp các nhà phát triển thuộc mọi cấp độ kỹ năng xây dựng và triển khai các ứng dụng AI tạo sinh tùy chỉnh. Các công cụ và dịch vụ này hiện có sẵn thông qua NVIDIA. **Các tính năng chính của NVIDIA AI Foundations:** * **Các mô hình nền tảng được đào tạo trước:** Các mô hình ngôn ngữ lớn (LLM), các mô hình văn bản sang hình ảnh và các mô hình sinh học có thể được tinh chỉnh cho các trường hợp sử dụng cụ thể. * **Các công cụ phát triển:** NVIDIA NeMo và NVIDIA BioNeMo cung cấp các khung toàn diện để xây dựng, đào tạo và triển khai các mô hình AI tạo sinh. * **Các dịch vụ đám mây:** NVIDIA DGX Cloud và NVIDIA AI Enterprise cung cấp cơ sở hạ tầng và phần mềm cần thiết để triển khai các ứng dụng AI tạo sinh ở quy mô lớn. **Lợi ích của việc sử dụng NVIDIA AI Foundations:** * **Tăng tốc phát triển:** Các mô hình nền tảng được đào tạo trước và các công cụ phát triển giúp các nhà phát triển nhanh chóng xây dựng và triển khai các ứng dụng AI tạo sinh. * **Cải thiện hiệu suất:** Các dịch vụ đám mây của NVIDIA cung cấp cơ sở hạ tầng và phần mềm cần thiết để triển khai các ứng dụng AI tạo sinh ở quy mô lớn. * **Giảm chi phí:** NVIDIA AI Foundations giúp các nhà phát triển giảm chi phí phát triển và triển khai các ứng dụng AI tạo sinh. **Các trường hợp sử dụng:** NVIDIA AI Foundations có thể được sử dụng để xây dựng một loạt các ứng dụng AI tạo sinh, bao gồm: * **Chatbot và trợ lý ảo:** Các LLM có thể được sử dụng để tạo chatbot và trợ lý ảo có thể hiểu và phản hồi các truy vấn của người dùng. * **Tạo nội dung:** Các mô hình văn bản sang hình ảnh có thể được sử dụng để tạo hình ảnh, video và các dạng nội dung khác. * **Khám phá thuốc:** Các mô hình sinh học có thể được sử dụng để khám phá các loại thuốc và phương pháp điều trị mới. * **Sáng tạo sản phẩm:** Các mô hình AI tạo sinh có thể được sử dụng để tạo ra các ý tưởng sản phẩm mới và nguyên mẫu. NVIDIA AI Foundations là một bộ công cụ và dịch vụ mạnh mẽ có thể giúp các nhà phát triển xây dựng và triển khai các ứng dụng AI tạo sinh tùy chỉnh. Các công cụ và dịch vụ này hiện có sẵn thông qua NVIDIA.

Paperium Đăng ngày 10/7 • Ban đầu được xuất bản tại paperium.net Mảng thưa thớt các chữ ký để nhận dạng ký tự trực tuyến #ai #deeplearning #computerscience #machinelearning AI (Loạt 4175 phần) 1 Học tập của tác nhân thông qua kinh nghiệm ban đầu 2 MM-HELIX: Tăng cường suy luận phản chiếu chuỗi dài đa phương thức với nền tảng toàn diện và tối ưu hóa chính sách lai thích ứng ... 4171 phần khác... 3 MemMamba: Suy nghĩ lại các mẫu bộ nhớ trong mô hình không gian trạng thái 4 UniVideo: Hiểu, tạo và chỉnh sửa video thống nhất 5 VideoCanvas: Hoàn thiện video thống nhất từ các bản vá không gian-thời gian tùy ý thông qua điều kiện theo ngữ cảnh 6 DreamOmni2: Chỉnh sửa và tạo đa phương thức dựa trên hướng dẫn 7 Từ cái gì đến tại sao: Một hệ thống đa tác nhân để suy luận điều kiện phản ứng hóa học dựa trên bằng chứng 8 Nhận thức siêu cấp tăng cường các mô hình suy luận: Học tăng cường tự điều chỉnh 9 Khi suy nghĩ gặp sự thật: Suy luận có thể tái sử dụng cho các mô hình ngôn ngữ lớn (LLM) ngữ cảnh dài 10 Các token có xác suất thấp duy trì khám phá trong học tăng cường với phần thưởng có thể kiểm chứng 11 Vũ điệu điều chỉnh: Đào tạo đồng thời các tác nhân để hợp tác vì sự an toàn 12 Tối ưu hóa chính sách tương đối nhóm không cần đào tạo 13 Tăng cường lai: Khi phần thưởng thưa thớt, tốt hơn là nên dày đặc 14 NewtonBench: Đánh giá khám phá luật khoa học tổng quát trong các tác nhân LLM 15 ARTDECO: Hướng tới tái tạo 3D hiệu quả và độ trung thực cao tức thì với biểu diễn cảnh có cấu trúc 16 DeepPrune: Mở rộng song song không có sự dư thừa giữa các dấu vết 17 Lần thử đầu tiên quan trọng: Xem xét lại vai trò của sự phản ánh trong các mô hình suy luận 18 LLM học cách lừa dối một cách vô ý: Sự sai lệch xuất hiện trong sự không trung thực từ các mẫu sai lệch đến tương tác người-AI thiên vị 19 UniMMVSR: Một khung đa phương thức thống nhất cho siêu phân giải video xếp tầng 20 NaViL: Suy nghĩ lại các thuộc tính mở rộng của các mô hình ngôn ngữ lớn đa phương thức gốc dưới các ràng buộc dữ liệu 21 CoMAS: Các hệ thống đa tác nhân đồng tiến hóa thông qua phần thưởng tương tác 22 PickStyle: Chuyển đổi phong cách video sang video với bộ điều hợp ngữ cảnh-phong cách 23 UNIDOC-BENCH: Một điểm chuẩn thống nhất cho RAG đa phương thức tập trung vào tài liệu 24 InstructX: Hướng tới chỉnh sửa hình ảnh thống nhất với hướng dẫn MLLM 25 LongRM: Tiết lộ và mở khóa ranh giới ngữ cảnh của mô hình hóa phần thưởng 26 Học trong công việc: Một tác nhân tự tiến hóa dựa trên kinh nghiệm cho các nhiệm vụ dài hạn 27 Tăng cường các mô hình khuếch tán bằng cách tối ưu hóa ưu tiên nhóm trực tiếp 28 Kiểm soát tạo video chuyển văn bản thành âm thanh thông qua điều kiện và tương tác phương thức nâng cao 29 Kích hoạt điều hòa Entropy: Tăng cường kiểm soát liên tục, các mô hình ngôn ngữ lớn và phân loại hình ảnh với kích hoạt như 30 Truy xuất và củng cố bộ nhớ trong các mô hình ngôn ngữ lớn thông qua các token chức năng 31 Tái chế các điểm kiểm tra được đào tạo trước: Tăng trưởng trực giao của hỗn hợp chuyên gia để đào tạo trước mô hình ngôn ngữ lớn hiệu quả 32 GCPO: Khi tương phản thất bại, hãy chọn vàng 33 UP2You: Tái tạo nhanh chóng bản thân từ các bộ sưu tập ảnh không giới hạn 34 OmniRetarget: Tạo dữ liệu bảo toàn tương tác cho thao tác di chuyển và tương tác cảnh toàn thân của người máy hình người 35 DexNDM: Thu hẹp khoảng cách thực tế cho xoay trong tay khéo léo thông qua mô hình động lực học thần kinh theo khớp 36. A^2Search: Trả lời câu hỏi nhận biết sự mơ hồ bằng học tăng cường. 37. Học cách định tuyến các mô hình ngôn ngữ lớn (LLM) từ phản hồi Bandit: Một chính sách, nhiều sự đánh đổi. 38. Search-R3: Thống nhất suy luận và tạo nhúng trong các mô hình ngôn ngữ lớn. 39. R2RGEN: Tạo dữ liệu 3D từ thực tế đến thực tế để thao tác tổng quát hóa không gian. 40. Drive&Gen: Đồng đánh giá các mô hình lái xe đầu cuối và tạo video. 41. Vượt ra ngoài các giá trị ngoại lệ: Một nghiên cứu về các bộ tối ưu hóa trong lượng tử hóa. 42. SViM3D: Khuếch tán vật liệu video ổn định để tạo 3D từ một hình ảnh. 43. GyroSwin: Các mô hình thay thế 5D cho mô phỏng nhiễu loạn plasma Gyrokinetic. 44. Hướng tới chỉnh sửa 3D có thể mở rộng và nhất quán. 45. Sử dụng mạng trực tuyến nếu có thể: Hướng tới học tăng cường nhanh và ổn định. 46. Thành phần dữ liệu nhận biết độ trung thực để tổng quát hóa robot mạnh mẽ. 47. SciVideoBench: Đánh giá khả năng suy luận video khoa học trong các mô hình đa phương thức lớn. 48. Khuếch tán quy mô lớn thông qua tính nhất quán theo thời gian liên tục được điều chỉnh theo điểm số. 49. Vượt qua giới hạn lượt: Huấn luyện các tác nhân tìm kiếm sâu với cửa sổ ngữ cảnh động. 50. OpenRubrics: Hướng tới tạo tiêu chí tổng hợp có thể mở rộng để mô hình hóa phần thưởng và căn chỉnh LLM. 51. Tư duy bằng camera: Một mô hình đa phương thức thống nhất để hiểu và tạo ra lấy camera làm trung tâm. 52. D2E: Mở rộng tiền huấn luyện thị giác-hành động trên dữ liệu máy tính để chuyển sang AI thể hiện. 53. TAG: Hướng dẫn khuếch đại tiếp tuyến để lấy mẫu khuếch tán chống ảo giác. 54. Tối ưu hóa lời nhắc đa phương thức: Tại sao không tận dụng nhiều phương thức cho MLLM. 55. AutoPR: Hãy tự động hóa việc thăng tiến học thuật của bạn! 56. R-Horizon: Mô hình suy luận lớn của bạn có thể đi xa đến đâu về chiều rộng và chiều sâu? 57. Webscale-RL: Quy trình dữ liệu tự động để mở rộng dữ liệu RL đến cấp độ tiền huấn luyện. 58. SpaceVista: Suy luận không gian trực quan ở mọi quy mô từ mm đến km. 59. StreamingVLM: Hiểu biết thời gian thực cho các luồng video vô hạn. 60. Đừng lãng phí sai lầm: Tận dụng các nhóm RL tiêu cực thông qua việc điều chỉnh lại độ tin cậy. 61. ARES: Suy luận thích ứng đa phương thức thông qua định hình entropy cấp mã thông báo nhận biết độ khó. 62. KORMo: Mô hình suy luận mở tiếng Hàn cho mọi người. 63. DISCO: Đa dạng hóa cô đặc mẫu để đánh giá mô hình hiệu quả. 64. Kết nối suy luận với học tập: Làm sáng tỏ ảo ảnh bằng cách tổng quát hóa độ phức tạp ngoài phân phối. 65. Biến đổi Gaussian lũy tiến với lấy mẫu nhận biết dị hướng.