信息检索系统对于有效访问大型文档收集至关重要。最近的方法利用了大型语言模型（LLM）来通过查询增强来提高检索性能，但通常依靠需要大量计算资源和手工标记数据的昂贵监督学习或蒸馏技术。在本文中，我们介绍了DeepRetReval，这是一种基于新颖的增强学习方法，该方法训练LLMS通过反复试验直接通过反复试验进行查询增强，而无需监督数据 ...

使机器人能够以数据有效的方式学习新任务是一个长期的挑战。常见策略涉及仔细利用先前的经验，尤其是在相关任务上收集的过渡数据。尽管对于一般的采摘操作已经取得了很多进展，但在确切控制至关重要的情况下，研究较少的研究已经研究了接触丰富的组装任务 ...

近年来，使用神经体系结构搜索（NAS）技术可以自动化神经网络的设计。使用此类神经网络具有不同硬件特性的设备的扩散，以及减少搜索功耗的需求，导致实现了一次（OFA）一次，这是一种生态友好的算法，其特征是通过单个学习过程能够通过单个学习过程生成易于适应的可易于适应的算法。为了改善这种范式并发展出高性能但环保的NAS技术，本文介绍了OFAV2，旨在提高其性能的扩展，同时保持相同的生态优势 ...

分布式培训和有效注意机制的进步已大大扩大了大语模型（LLM）的上下文窗口大小。但是，最近的工作表明，开源LLM的有效上下文长度通常不足，通常不超过其训练长度的一半。在这项工作中，我们将此限制归因于LLMS训练和训练后阶段中相对位置的左旋转频率分布，这阻碍了他们有效收集遥远信息的能力 ...

大型视觉模型（LVLM）的最新进展揭示了\ textit {过度思考}现象，其中模型在所有任务中都会在所有任务中产生冗长的推理。为了解决此问题，我们提出了\ textbf {fast}，这是一个新颖的\ textbf {fa} st- \ textbf {s} low \ textbf {t} hinking框架，该框架基于问题特征动态调整推理深度。通过经验分析，我们通过研究响应长度和数据分布如何 ...

放射学报告的生成对于效率至关重要，但是当前模型缺乏专家的结构化推理，通过无法将视觉发现与精确的解剖位置联系起来，从而阻碍了临床信任和解释性。本文介绍了BoxMed-RL，这是一个开创性的统一培训框架，用于生成可验证和可解释的放射学报告。 BoxMed-RL建立在大型视觉语言模型的基础上，通过两个集成阶段彻底改变了报告的生成：（1）在预处理阶段，我们使用医学概念学习来完善该模型，并使用经过想象的监督 ...

层次训练后量化已成为一种广泛使用的技术，用于压缩大型语言模型（LLMS）而无需重新培训。但是，这一研究的最新进展是饱和，强调了重新审视其核心限制并探索进一步改进的必要性。这项研究确定了现有的层PTQ方法中的关键瓶颈：跨层的量化错误的积累大大降低了性能，尤其是在低位方案中 ...

多元神经元 - 激活一组无关特征的神经元被视为朝着任务优化深网的解释性的重要障碍，对AI安全的影响。多功能性的经典起源故事是，与神经元相比，数据包含更多的``功能''，以便学习执行网络以将多个无关的特征共同分配到同一神经元上的多个非相关特征，从而危及我们的内部处理能力。在这项工作中，我们提出了第二个和非急性排除的多重源性的多源性来源 ...