Phát hiện cộng đồng và phân vùng đồ thị

Dưới đây là bản dịch của văn bản đã cung cấp: **Mô tả công việc** Chúng tôi đang tìm kiếm một Kỹ sư phần mềm có kinh nghiệm để tham gia vào nhóm phát triển của chúng tôi. Với tư cách là Kỹ sư phần mềm, bạn sẽ chịu trách nhiệm thiết kế, phát triển và duy trì các giải pháp phần mềm chất lượng cao. Bạn sẽ làm việc chặt chẽ với các thành viên trong nhóm để cung cấp các sản phẩm và dịch vụ sáng tạo đáp ứng nhu cầu của khách hàng. **Trách nhiệm** * Thiết kế, phát triển và triển khai các giải pháp phần mềm sử dụng các ngôn ngữ lập trình và công nghệ khác nhau. * Viết mã sạch, hiệu quả và có thể bảo trì được. * Tham gia vào toàn bộ vòng đời phát triển phần mềm, bao gồm phân tích yêu cầu, thiết kế, triển khai, thử nghiệm và triển khai. * Cộng tác với các thành viên trong nhóm để xác định và giải quyết các vấn đề kỹ thuật. * Tiến hành đánh giá mã để đảm bảo chất lượng và tuân thủ các tiêu chuẩn mã hóa. * Phát triển và duy trì tài liệu kỹ thuật. * Luôn cập nhật các công nghệ và xu hướng mới nổi. **Yêu cầu** * Bằng Cử nhân Khoa học Máy tính hoặc lĩnh vực liên quan. * Kinh nghiệm đã được chứng minh với tư cách là Kỹ sư phần mềm. * Thành thạo một hoặc nhiều ngôn ngữ lập trình như Java, Python, C++ hoặc JavaScript. * Kinh nghiệm với các khuôn khổ và thư viện phát triển web (ví dụ: React, Angular, Node.js). * Kiến thức về cơ sở dữ liệu (ví dụ: SQL, NoSQL). * Quen thuộc với các phương pháp phát triển Agile/Scrum. * Kỹ năng giải quyết vấn đề và phân tích xuất sắc. * Kỹ năng giao tiếp và làm việc nhóm tốt. **Điểm cộng** * Kinh nghiệm với các dịch vụ đám mây (ví dụ: AWS, Azure, Google Cloud). * Quen thuộc với các công cụ CI/CD (ví dụ: Jenkins, GitLab CI). * Đóng góp cho các dự án mã nguồn mở. * Bằng Thạc sĩ Khoa học Máy tính hoặc lĩnh vực liên quan.

Paperium Đăng ngày 8/6 • Ban đầu được xuất bản tại paperium.net Phát hiện cộng đồng và phân vùng đồ thị #ai #deeplearning #computerscience #machinelearning AI (Chuỗi 3524 phần) 1 Học tập của tác nhân thông qua kinh nghiệm ban đầu 2 MM-HELIX: Tăng cường suy luận phản xạ chuỗi dài đa phương thức với nền tảng toàn diện và tối ưu hóa chính sách lai thích ứng ... 3520 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 trong ngữ cảnh 6 DreamOmni2: Chỉnh sửa và tạo dựa trên hướng dẫn đa phương thức 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 Điệu nhảy 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, dày đặc sẽ tốt hơn 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 cùng phát triển thông qua phần thưởng tương tác 22 PickStyle: Chuyển đổi phong cách video sang video với các 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 độ 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 toàn thân hình người và tương tác cảnh 35 DexNDM: Thu hẹp khoảng cách thực tế cho xoay trong tay khéo léo thông qua mô hình động lực học thần kinh 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 sang 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 lai: 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 suy luận video khoa học trong các mô hình đa phương thức lớn. 48. Khuếch tán quy mô lớn thông qua tính nhất quán thời gian liên tục được điều hòa 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 Rubric 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 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 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 cho từ vựng mở O.