提出了一种多尺度动作学习变压器（MALT）方法，包括用于特征融合的新颖循环解码器、多个编码分支的分层编码器和使用稀疏注意力的显式帧评分机制，该方法在两个基准数据集（THUMOS'14 和 TVSeries）上取得了优于现有模型的性能。
Malt通过实施检索-排序架构，利用Qdrant数据库显著提升了自由职业者与项目的匹配效率。Nicolas Mauti介绍了如何通过多语言变换器模型优化语义搜索，将应用延迟从10秒减少到1秒，提升了平台的性能和可扩展性。Qdrant因其高性能和准确的地理空间过滤能力而被选用。
完成下面两步后，将自动完成登录并继续当前操作。
