Probing the 3D Awareness of Visual Foundation Models
专题命中 知识编辑与模型理解 :foundation model(title,abstract);pretraining(abstract)
Comments Accepted to CVPR 2024. Project page: https://github.com/mbanani/probe3d
AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
专题命中 知识编辑与模型理解 :foundation model(title,abstract);pretraining(abstract)
Comments Accepted to CVPR 2024. Project page: https://github.com/mbanani/probe3d
专题命中 知识编辑与模型理解 :language model(title);foundation model(abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments 27 pages. ICLR 2024
专题命中 知识编辑与模型理解 :language model(title,abstract);large language model(abstract)
专题命中 知识编辑与模型理解 :prompting(title,abstract);language model(abstract)
Comments WACV24
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments NeurIPS 2023
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments EMNLP 2023 (main)
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments accepted at ACL2023 (Findings)
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments ACL 2023 Short Paper
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments NeurIPS 2022
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments Findings of EMNLP 2022
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments NAACL 2022
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments EMNLP 2021
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments 11 pages, 8 figures, Accepted to ACL 2021
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI、cs.LG
Comments To appear at EMNLP 2019
稀疏探针与模糊物理:连续介质动力学基础模型可解释性挑战的案例研究
机构 * Gates Foundation(盖茨基金会) ; UC Davis(加州大学戴维斯分校)
专题命中 知识编辑与模型理解 :foundation model(title,abstract);分类 cs.AI、cs.LG
AI总结 本研究通过稀疏自编码器探针分析连续介质动力学基础模型Walrus的内部机制,发现其内部特征与物理分解不完全一致,并存在输出级偏差,揭示了科学基础模型可解释性的关键挑战。
Comments 8 pages, 5 figures
Journal ref ICLR 2026 Workshop on Foundation Models for Science
基础模型的威力
机构 * IIIS, Tsinghua University(清华大学信息学院) ; Shanghai Artificial Intelligence Laboratory(上海人工智能实验室) ; Shanghai Qi Zhi Institute(上海启智研究院)
专题命中 知识编辑与模型理解 :foundation model(title,abstract);分类 cs.AI、cs.LG;LLM(comments)
AI总结 本文通过范畴论探讨基础模型在提示学习和微调中的能力限制及泛化理论,提出新的泛化定理。
Comments ICML'23. This version polished paper with the help of LLM, fixed a few notational issues
机构 * Proofpoint ; Indian Institute of Science(印度科学研究院) ; Linkedin ; Meta FAIR
专题命中 知识编辑与模型理解 :LLM(title,abstract);分类 cs.AI、cs.LG
Comments NeurIPS 2025 Workshop on Evaluating the Evolving LLM Lifecycle: Benchmarks, Emergent Abilities, and Scaling
机构 * Birla AI Labs, Office of Ananya Birla(Birla AI实验室,Ananya Birla办公室) ; BITS Pilani ; KIIT Bhubaneswar(KIIT巴尔班格斯)
专题命中 知识编辑与模型理解 :foundation model(title,abstract);分类 cs.AI、cs.LG
Journal ref NeurIPS 2025 Workshop on Recent Advances in Time Series Foundation Models (BERT2S)
机构 * University of Toronto(多伦多大学) ; Vector Institute(向量研究所)
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.LG
Comments EMNLP 2024 Main at https://aclanthology.org/2024.emnlp-main.695/ See 'Language Models, Graph Searching, and Supervision Adulteration: When More Supervision is Less and How to Make More More' for a follow-up work
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL、cs.AI;foundation model(comments)
Comments 10 pages, 4 figures, accepted to the AAAI 2025 Workshop on Towards Knowledgeable Foundation Models
专题命中 知识编辑与模型理解 :foundation model(title,abstract);分类 cs.AI、cs.LG
Comments The preliminary version of the work appeared in the ICML 2024 Workshop on Foundation Models in the Wild
专题命中 知识编辑与模型理解 :foundation model(title,abstract);分类 cs.AI、cs.LG
Comments Short Paper accepted to RLC 2024 Workshop on Training Agents with Foundation Models
问答式还是基于文档式?界面类型对屏幕阅读器用户访问互联文档的影响
专题命中 知识编辑与模型理解 :LLM(abstract,abstract_cn);large language model(abstract);language model(abstract);分类 cs.AI
AI总结 该研究对比问答界面(QAI)与文档界面(DI)对16名屏幕阅读器盲/低视力用户探索虚构世界的影响,发现DI更利于知识构建,但多数用户仍偏好QAI且存在认知偏差,凸显QAI访问信息空间的风险。
Comments 17 pages, 12 figures, accepted at ASSETS 2026
解决可解释人工智能中的选择问题
机构 * Carnegie Mellon University(卡内基梅隆大学)
专题命中 知识编辑与模型理解 :LLM(summary_cn,abstract);分类 cs.AI
AI总结 针对可解释人工智能(XAI)中用户难以选择合适技术的问题,研究提出多智能体大语言模型(LLM)编排工具,将用户查询转化为对应XAI解释技术,以解决选择问题。
Comments Accepted to the Workshop on Explainable Artificial Intelligence at the International Joint Conference on Artificial Intelligence 2026 (XAI@IJCAI26)