As diffusion models dominating visual content generation, efforts have been made to adapt these models for multi-view image generation to create 3D content. Traditionally, these methods implicitly...

都直击过去建模流程里的痛点

Intro Let’s have a conceptual look at error modeling. I will use Node.js ecosystem and TypeScript in these examples (and some pseudo-code). I find built-in error management in the JS ecosystem...

本研究解决了现有基准无法反映真实世界问题复杂性的挑战，提出了一个新基准——ModelingBench，涵盖多领域的开放性数学建模问题。本文的创新之处在于提出了一个多代理框架——ModelingAgent，能够协调工具使用并支持迭代自我完善，以产生高质量的解决方案。实验证明，ModelingAgent显著优于强基线，其解决方案与人类专家的结果难以区分，推动了现实世界问题解决的评估与进展。

本研究针对无文本语音到语音翻译（S2ST）模型在提取跨模态语言特征和学习长序列不同语言对齐方面的挑战，提出了单位语言的方法。通过多任务学习，本研究成功解决了源语言和目标语言单位的冲突，实验结果显示该方法在多种语言数据集上相较于强基线显著提升了性能，并与文本训练模型的表现相当。

本研究解决了在比较LLM作为评判者框架中的不确定性估计问题。论文提出了一种广义的概率建模方法，能够提供更准确的个体比较不确定性估计，并通过结合绝对和比较评分显著提高性能。实验结果表明，该方法减少了所需比较次数约50%，有效提升了系统的效率。

Threat modeling is a systems engineering practice where teams examine how data flows through systems to identify what can go wrong - a deceptively simple act that reveals security...

本研究解决了大型语言模型（LLMs）在生成有害内容时的监测问题，特别是后门触发的响应。通过采用一种无监督的方法，我们提出了一个实时框架，能够在有害输出出现之前预测这些输出，并展示了模型可以通过因果机制产生有害内容的能力。我们开发的安全网框架成功实现了96%的准确率，能够有效检测到有害行为。

本研究针对语言模型在逻辑形式（LFLMs）方面的应用，指出其比文本模型更具数据效率。我们提出了基于图的形式逻辑分布语义（GFoLDS）原型，以证明LFLMs的可行性，并通过实验证明其在少量数据下能显著超越传统文本模型，展示了LFLMs在实际应用中的潜力。

本研究针对当前教育领域中学生知识追踪和行为建模的个性化不足、学习活动多样性建模不充分以及知识获取与行为模式间相互关系被忽视的问题，提出了一种新的知识建模与材料预测方法KMaP。该方法通过集群化的学生画像提升了对未来学习资源偏好的预测能力，并在真实数据集实验中验证了其有效性与学生群体间显著的行为差异。