AWS launched a standalone Sustainability console with API access, configurable CSV exports, and Scope 1-3 emissions data by service and Region. The console decouples emissions reporting from...

大型语言模型（LLMs）具有良好的推理能力，但其决策过程不透明，导致异常时难以追踪原因。去年，我们推出了Gemma Scope工具包，以帮助研究人员理解Gemma 2的内部机制。

本研究提出了一种新方法SCOPE，通过压缩数学推理步骤，显著降低过程注释的计算成本。该方法将自然语言推理转化为代码并归一化，构建压缩前缀树，从而提升性能并节约资源。

本研究提出了一种新的深度学习框架用于检测Bankart损伤，并引入了首个公开的肩部病症数据集ScopeMRI。研究结果表明，该模型在常规MRI上的诊断性能与放射科医生相当，展示了深度学习在非侵入性影像诊断中的潜力。

本研究针对大语言模型在对话中的效率问题，提出了一种新的对话规划方法——语义空间对话规划（SCOPE）。该方法通过利用对话的密集语义表示，在语义空间内进行规划，显著提高了对话规划的效率，使其速度比传统方法快70倍，同时在实际应用中获得了更高的奖励。

本研究提出SCOPE框架，优化长上下文生成中的键值缓存，提升预填充和解码阶段的性能，显著改善长输出生成任务的效果。

.NET中的“Captive Dependency”问题涉及生命周期长的服务（Singleton）依赖生命周期短的服务（Scope）。在Development环境下，.NET DI会校验并报错，而在其他环境下可能不会。尽管支持Captive Dependency，开发者需谨慎处理以避免线程安全问题，建议在Development环境中调试依赖注入。

本研究利用结构修剪技术生成更小的语言模型Sheared-LLaMA系列，展示其优势。通过稀疏自编码器解决特征提取和可解释性问题，提出优化方法以降低资源消耗并保持分类精度，促进对上下文学习机制的理解。

本研究提出了一种新方法，结合意图分类与超出范围检测，解决虚拟助手系统中的超出范围查询拒绝问题。该方法通过结合交叉熵损失与自动编码器学习的嵌入重构损失，提高了拒绝超出样本的准确度，同时保持了意图分类性能。

本文介绍了“PINCH”框架在异构硬件平台提取攻击中的应用，评估了21种模型架构的攻击特征。研究表明，Prompt Injection攻击对大型语言模型（LLMs）有效，Model Leeching能够有效提取任务知识。通过构建数据集，探讨了注入攻击的防御方法，并提出了黑盒和白盒防御策略，强调了开源模型的隐私攻击风险。

Scope 1, 2, and 3 emissions are greenhouse gases that are released across an organization’s entire value chain. Scope 3 emissions are the most complex, as they are released before and after a...

本文介绍了新数据集“InScope”，旨在解决自动驾驶中的遮挡问题，提升3D多物体检测和跟踪性能。研究分析了现有感知数据集，提出了多机器人协同感知数据集，涵盖多种环境和传感器，推动相关研究。还介绍了多个合成和真实世界数据集，以支持自动驾驶系统的场景理解和性能评估。

Gemma Scope是一套工具，帮助研究人员了解Gemma 2开放式语言模型的内部运作。它使用稀疏自编码器来解释模型的激活并识别其使用的特征。Gemma Scope包括数百个免费的稀疏自编码器和一个名为Mishax的工具。发布Gemma Scope旨在促进更具野心的可解释性研究，并帮助构建更强大的系统。该工具允许研究人员研究特征在模型中如何演变和相互作用以生成更复杂的特征。

Announcing a comprehensive, open suite of sparse autoencoders for language model interpretability.

Announcing a comprehensive, open suite of sparse autoencoders for language model interpretability.