位图是一种数据结构，用于表示元素特性。文章介绍了计算位图中比特为1的数量（Hamming weight）的方法，包括分治法和打表法，并提供了三种不同的C语言实现以提高效率。最后提到许多处理器支持直接计算Hamming weight的指令。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

地理加权回归（GWR）是一种分析空间非平稳性的统计方法。传统GWR基于空间距离计算权重，但忽视了情境相似性。浙江省GIS实验室提出的CatGWR模型结合注意力机制和情境相似性，提升了空间非平稳性估计的准确性。研究表明，CatGWR在模拟和深圳房价数据上表现优越，有效捕捉空间异质性和情境影响。

本研究提出情景建模和类比分布的方法，解决了AI安全评估中风险度量不足的问题，全面评估AI风险，验证了其在AI风险分析中的有效性，为未来的AI安全评估奠定了可靠基础。

本研究针对自主驾驶汽车在动态多样的环境中确保安全性和效率面临的挑战，提出了对深度强化学习（DRL）算法的全面评估。通过总结不同驾驶场景的决策制定策略，研究表明这些算法在处理复杂环境时表现优于传统规则方法，并以安全性、效率等五个标准对其进行分析，为未来的DRL算法提供指导。

本文利用深度学习设计了预测全球水平辐照度的模型，并提出了预测不确定性分布的方法。该方法在太阳辐照度预测中表现出鲁棒性，有潜力促进太阳能与电网的整合。

ClipSitu方法利用CLIP模型预测满足动词关联的名词，并提供全面的场景理解。ClipSitu XTF通过跨注意力Transformer模型建立了语义角色查询和视觉令牌表示之间的连接，表现出卓越性能。还提出了基于动词的角色预测模型，并在生成超领域图像的情境摘要方面展示了准确性。在视频情境识别方面，取得了与最先进方法相当的性能。

本研究使用 Moral Machine 框架，比较了 LML 和人类在道德决策倾向上的一致性。发现 LML 和人类在许多方面保持一致，但 PaLM 2 和 Llama 2 表现出明显差异。此外，LML 在决策的坚决程度上可能更强。这些发现揭示了 LML 对自动驾驶的潜在影响。

通过行为测试，我们引入了一系列基于问答和指令遵循的行为测试来量化 LLM 的情境感知能力，并创建了包含 7 个任务类别和超过 13,000 个问题的基准测试集 SAD。在 SAD 上评估了 16 个 LLM，包括基本 (pretrained) 和聊天模型。聊天模型在 SAD 上的表现优于其对应的基本模型，但在一般知识任务上并不优于它们。这个研究的目的是通过量化能力来促进对 LLM...

该论文介绍了一种新的上下文学习机制，In-Image Learning（I²L），通过将示范示例、视觉线索和指令结合到一张图像中，增强了GPT-4V的能力。实验测试了I²L在复杂多模态推理任务中的有效性以及对语言幻觉和视觉错觉的缓解作用，并探讨了图像分辨率、示范示例数量和位置对I²L有效性的影响。

该论文提出了一种基于编码器-解码器的吸引因子计算方法，用于支持不同数量的说话人，并利用自我注意力端到端神经说话人分离网络（SA-EEND）来提取讲话嵌入序列和生成说话人活动。实验结果表明，该方法在模拟的双说话人条件和未知说话人数量的条件下都取得了更好的说话人分离性能。

我们将一种最近发展起来的评估模型应用于多模态模型，通过目标导向的游戏来评估模型的性能，我们发现最大的闭合模型在我们定义的游戏中表现相当好，而最好的开放式模型却困难重重。进一步分析发现，最大模型的卓越深层描述能力推动了一些性能。两种模型均有进一步发展的空间，保证了基准的持续重要性。

本文探讨了基于自监督学习 (SSL) 多语言模型的 ZMM-TTS 语言适应能力，研究发现了预训练语言和目标语言的语音学相似性、语言类别、微调数据集大小以及说话人数量对适应性的影响，并且发现相对于配对数据，仅音频数据在微调中并不总是最优选择。同时，研究还包括了说话人相似度、语言识别以及预测的 MOS。

智能自主系统与其他系统相互作用以完成复杂环境中的任务，但其有限的认知过程导致了共享情境意识的缺乏，从而对团队的有效性产生了不利影响。本研究通过讨论情境理论的概念，探讨了人类与智能自主系统相互配合时开发系统共享情境意识的方式，并在此基础上提出了三个对未来系统设计和开发有益的主要猜想。

人工智能中的情景环境和顺序环境是软件代理运行的区域。情景环境是独立的，每个情节都是独立的，而顺序环境是连续的，行动和观察是相互关联的。情景环境没有长期后果，而顺序环境的行动会产生长期后果。选择情节式环境还是顺序式环境取决于问题领域和任务性质。