剑指专业领域零部件级3D生成!Meta联手牛津推出全新多视图扩散模型
Meta与牛津大学研究人员发布PartGen,能够生成子结构可分离的高质量3D模型,解决现有AI生成3D对象缺乏零部件信息的问题。
Meta与牛津大学研究人员发布PartGen,能够生成子结构可分离的高质量3D模型,解决现有AI生成3D对象缺乏零部件信息的问题。
赵宇飞、Mehtaab Sawhney与Ben Green合作证明了高斯素数猜想,使用Gowers范数分析x, y组合分布的均匀性,最终得出目标公式。两人因研究Gowers范数而结缘,格林和索尼的合作始于20年前的共同成果。
研究团队提出FilterNet模型,通过频率滤波器简化时间序列预测架构。该方法已在八个基准数据集上展示出卓越的性能,并且在效率方面表现出色。
神经学研究专用基准BrainBench显示,经过训练的LLM预测结果准确率为81.4%,远超人类专家的63%。论文提出了一个新基准测试,评估LLM预测神经科学结果的能力,并发现LLMs学习了广泛的科学模式而不是记忆数据。
牛津大学提出Kinetix框架,训练通用RL智能体在2D物理环境中执行多样化任务,涵盖机器人任务、经典RL环境等。通过Jax2D硬件加速引擎模拟数十亿次交互生成多样任务。研究发现微调使通用智能体能显著减少特定任务学习所需样本数,并带来新能力。