Apple navrhuje LEAD, aby sa dlhé uvažovanie modelov vedelo zotaviť z chýb
Metóda LEAD kombinuje rozklad úlohy s krátkym výhľadom a prekrývajúcimi sa pokusmi. Má obmedziť situácie, keď jediný chybný krok nenávratne pokazí celé dlhé riešenie.
Tag
#Apple
Všetky publikované články, v ktorých sa téma Apple objavuje ako dôležitý kontext. Aktuálne 47 textov v archíve.
Apple skúša trénovať API agentov bez hotového prostredia
Nový výskum Apple opisuje generovanie syntetických trajektórií pre API-calling agentov iba zo špecifikácií rozhraní. Cieľom je obísť drahú prípravu plných sandboxov a databáz.
Apple zrýchľuje generovanie videa cez kalibrovanú riedku pozornosť
Výskumný tím Apple ukazuje CalibAtt, tréningovo voľný spôsob, ako pri difúznych text-to-video modeloch preskakovať stabilne nedôležité spojenia v pozornosti bez výraznej straty kvality.
Apple predstavuje LVSum, benchmark pre časovo presné sumarizovanie dlhých videí
LVSum skúša, či multimodálne modely vedia sumarizovať dlhé videá nielen vecne, ale aj s presným časovým ukotvením. Benchmark obsahuje ľudské anotácie s odkazmi na konkrétne momenty vo videu.
Apple navrhuje LenVM na presnejšie riadenie dĺžky odpovedí modelov
Výskumný tím Apple opisuje Length Value Model, ktorý odhaduje zvyšnú dĺžku generovania na úrovni tokenov. Cieľom je lepšie vyvažovať cenu inferencie, čas odpovede a výkon pri úlohách, kde dlhšie uvažovanie pomáha iba niekedy.
Apple navrhuje RayRoPE pre pozíciu lúčov vo viacpohľadových vizuálnych modeloch
Výskum Apple a Carnegie Mellon rieši, ako má transformer rozlišovať obrazové záplaty z viacerých kalibrovaných kamier bez toho, aby stratil geometriu scény.
Apple testuje, či vizuálne modely vedia odvodiť pojem iba z príkladov
Apple predstavil úlohu VICIS pre vizuálne odvodzovanie pojmov zo sád obrázkov. Výsledky naznačujú, že dnešné vision-language modely stále často ignorujú vizuálny kontext a vracajú sa k zaujatým generáciám.
Apple skúma, kedy môže byť odúčanie dát lacnejšie vďaka bodom s nízkym vplyvom
Nový výskumný článok Apple navrhuje neodúčať všetky dáta rovnako: body s minimálnym vplyvom na výstupy modelu môžu znížiť náklady pri machine unlearningu.
Apple skúma, ako lacnejšie overovať tvrdenia nad veľkými dátami
Dve nové práce z Apple Machine Learning Research riešia interaktívne dôkazy, pri ktorých overovateľ nemusí čítať celé dáta. Pre AI je to dôležitý základ pre auditovanie modelov, dátových analýz a tvrdení, ktoré vznikajú nad rozsiahlymi distribúciami.
Apple navrhuje CLaRa, RAG s kompresiou dokumentov v spojitom latentnom priestore
CLaRa spája retrieval a generovanie v jednom optimalizačnom priestore. Namiesto posielania dlhých textov do generátora používa komprimované vektory a trénuje reranker aj generátor spoločnou jazykovou stratou.
Apple skúma, ako merať neistotu pri volaní nástrojov veľkými jazykovými modelmi
Apple Machine Learning Research predstavuje evaluáciu metód na kvantifikáciu neistoty pri function-callingu. Pri nevratných akciách, ako je mazanie dát alebo finančné operácie, môže byť odhad neistoty rozhodujúcou bezpečnostnou brzdou.
Apple ukazuje, že jednoduchá self-distillation vie zlepšiť generovanie kódu
Výskumný tím Apple opisuje Simple Self-Distillation: model sa zlepšuje na vlastných vzorkách bez učiteľa, verifikátora alebo reinforcement learningu.