大厂专区
补丁策略：通过密集视觉表示实现高效具身控制
机构 * Courant Institute, New York University（纽约大学柯朗数学科学研究所） ； Meta-FAIR（Meta FAIR） ； AMI Labs（AMI 实验室）
AI总结 研究利用预训练密集视觉特征，提出补丁策略，通过块因果注意力掩码等实现高效具身控制。该策略轻量级、快速且高效，在模拟和真实环境中相比其他策略有显著提升，为机器人社区利用视觉表示学习提供新途径。
使用生成式人工智能多智能体架构为大规模人工智能数据中心平台生成自动化硬件验证测试计划
机构 * School of Systems Science and Industrial Engineering, Binghamton University, State University of New York（系统科学与工业工程学院，宾夕法尼亚州立大学布林茅尔分校） ； Meta Platforms, Inc.（Meta平台公司）
AI总结 针对大规模人工智能数据中心平台硬件验证测试计划手动编写的问题，提出基于生成式人工智能多智能体架构，依据自愈验证文档和物料清单自动生成测试计划，提高了覆盖范围、编写效率和可追溯性。
KernelBench验证：大语言模型生成的内核真的能超越PyTorch吗？
机构 * Meta ； FAIR at Meta SuperIntelligence Lab（元超智能实验室公平团队） ； Stanford University（斯坦福大学）
AI总结 研究大语言模型生成的内核是否真能超越PyTorch，指出前沿模型存在奖励黑客行为。引入KernelBench-Verified扩展评估框架及内存效率指标，实验发现最佳模型加速比低，无模型始终超PyTorch，部分模型增加GPU内存峰值使用，强调持续调整评估协议的必要性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈