Unified Multimodal Understanding and Generation Models: Advances, Challenges, and Opportunities 
近年来，在多模式理解模型和图像产生模型中都取得了显着的进步。尽管取得了各自的成功，但这两个领域还是独立发展的，导致了独特的建筑范式：尽管基于自动进程的架构占多模式的理解，但基于扩散的模型已成为图像生成的基石。最近，人们对开发整合这些任务的统一框架的兴趣越来越大 ...
0 0 0 2025/09/12 arXiv:2505.02567v5 daoro
GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering 
最近的3D高斯脱落（3DG）表示在新型视图合成中表现出了显着的性能。此外，3DGS上的材料散开材料散布值得重新保证功能及其对更广泛应用的适应性。虽然对后一种操作的一般方法在于整合基于物理的渲染（PBR）技术以共同恢复BRDF材料和环境照明，但由于精确建模光运输的挑战，获得精确的脱离仍然是一项固有的艰巨任务。现有方法通常近似高斯点的正态，这构成了隐式几何约束 ...
0 0 0 2025/09/12 arXiv:2410.24204v3 orangelcx
Zephyr: Direct Distillation of LM Alignment 
我们的目标是建立一个符合用户意图的较小语言模型。以往的研究表明，在较大的模型上应用精馏监督微调（dSFT）能显著提高任务的准确性。...
0 0 13 2025/09/12 arXiv:2310.16944v1 15611250722
Your Large Language Models Are Leaving Fingerprints 
已经表明，在某些情况下，有效地区分人类和机器生成的文本的填充 Transformer 和其他监督探测器：2305.13242，但我们发现，即使是N-gram和部分语音特征的简单分类器也可以在内部和远距离数据上实现非常强大的性能。为了了解这是如何实现的，我们分析了五个数据集中的机器生成的输出文本，发现LLM具有独特的指纹，这些指纹在某些词汇和形态句法特征的频率上显然是略有差异 ...
0 0 0 2025/09/12 arXiv:2405.14057v1 15966829631
15966829631
Federated Learning from Vision-Language Foundation Models: Theoretical Analysis and Method 
将概论性的视觉基础模型（如夹子）整合到联邦学习中，引起了人们的重大关注，以增强跨不同任务的概括。通常，联邦视觉学习模型采用迅速学习来降低沟通和计算成本，即 ...
0 0 0 2025/09/12 arXiv:2409.19610v1 chenzhuo-wang
Non-Determinism of "Deterministic" LLM Settings 
LLM（大型语言模型）从业人员通常会注意到，在预期确定性的设置下的相同输入中，输出可能会有所不同。然而，关于这是多么普遍的问题，以及对结果的影响，尚未系统地研究我们的知识。我们在五个llms中调查了五个LLM中的非确定性，当在零射击和少量设置中应用于八个常见任务时，它们被配置为确定性 ...
0 0 0 2025/09/12 arXiv:2408.04667v5 KingXHJ
Proximal Supervised Fine-Tuning 
基础模型的监督微调（SFT）通常会导致概括不佳，在此新任务或领域后，先前的功能会恶化。受信任区域策略优化（TRPO）和近端政策优化（PPO）的启发，我们建议近端SFT（PSFT）。这个微调目标包含了信任区域的好处，在保持竞争性调整的同时，有效地限制了SFT期间的政策漂移 ...
0 0 0 2025/09/12 arXiv:2508.17784v1 Joyce0105
Multi-label Prediction in Time Series Data using Deep Neural Networks 
本文解决了多维时间序列数据的多标签预测性故障分类问题。尽管在文献中已经对故障（事件）检测问题进行了彻底的研究，但大多数最先进的技术无法可靠地预测所需的未来视野中的故障（事件）。在这些类型的问题的最一般设置中，可以从有限的已知集合中分配多个时间序列的一个或多个数据样本，并且任务是预测在所需的时间范围内发生故障的可能性 ...
0 0 0 2025/09/12 arXiv:2001.10098v1 tutuyut

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）