现实世界表现出丰富的非平稳纹理。例子包括具有大规模结构的纹理，以及空间变体和不均匀纹理。尽管现有的基于示例的纹理合成方法可以很好地应对固定纹理，但非平稳纹理仍然构成了一个巨大的挑战，但仍未解决 ...

从大型数据集中发现有意义的见解，即探索性数据分析（EDA），是一项艰巨的任务，需要对数据进行彻底的探索和分析。自动化数据探索（ADE）系统使用面向目标的方法，具有大型语言模型，并增强了学习的方法来完全自动化。但是，这些方法需要人参与才能预测可能限制洞察力提取的目标，而全自动系统则需要大量的计算资源和新数据集的重新培训 ...

持续学习旨在从动态数据分布中学习一系列任务。在不访问旧培训样本的情况下，很难确定从旧任务到每个新任务的知识转移，这可能是正面的或负面的。如果旧知识会干扰学习新任务，则i ...

人工智能的最新进展导致了多模式大语言模型（MLLM）的发展。但是，将这些预训练的模型调整为动态数据分布，各种任务有效地仍然是一个挑战。针对特定任务的微调MLLM通常会导致模型先前的知识领域的性能下降，这个问题称为“灾难性遗忘” ...

我们介绍了Phi-4-Mini和Phi-4-Multimodal，紧凑但功能高度的语言和多模型模型。 PHI-4-MINI是一种3.8亿参数语言模型，该模型在高质量的Web和合成数据上训练，大大优于最近大小相似的开源模型，并匹配其在数学和编码任务上的大小和需要复杂推理的模型的性能 ...

人类可以使用视觉和触摸来完成复杂的接触式任务，并具有高反应性的功能，例如快速调整环境变化和对接触力的自适应控制；但是，对于机器人来说，这仍然具有挑战性。现有的视觉模仿学习（IL）方法依赖于动作块来建模复杂的行为，这在块执行过程中缺乏对实时触觉反馈做出立即响应的能力。此外，大多数近距离系统都难以提供细粒的触觉 /力反馈，这限制了可以执行的任务范围 ...

当前的自动驾驶汽车主要在有限的地区运行，但对更广泛的应用的需求增加。但是，随着模型的规模，它们的有限能力成为适应新场景的重大挑战。使用单个单片模型改善新情况的模型越来越困难 ...

在复杂的城市环境中规划自动驾驶车辆的安全轨迹具有挑战性，因为需要考虑大量语义元素（例如动态代理、交通灯和速度限制），。这些语义元素可能有不同的数学描述，例如障碍、约束和成本。调整语义元素的不同组合的效果以获得稳定且可概括的行为并非易事 ... ...