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。

.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。

本研究提出256个稀疏自编码器（SAE），用于Llama-3.1-8B-Base模型的特征提取，旨在解决语言模型中稀疏表示的可扩展性问题，促进开源生态系统的发展。

研究表明，大型语言模型容易受到注入攻击。通过 Tensor Trust 游戏玩家生成的庞大数据集，包括 126,000 个攻击和 46,000 个防御示例，是目前最大的人为对抗示例数据集。研究揭示了模型对这些攻击的脆弱性，并指出这些策略的普适性。数据和代码已公开。

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...

本文介绍了一个全面真实世界的多机器人协同感知数据集，用于推动多机器人协同感知研究。该数据集利用了空中 - 地面机器人协同的潜力，提供了不同的空间视角、互补的机器人移动性、覆盖范围和传感器模态。与现有的数据集相比，该数据集确保了多样化的传感器视角范围和足够的重叠，以促进多机器人协同感知算法的研究。通过多个协同感知任务的定性证明，该数据集具有很高的价值。

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.

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

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