「generation」の検索結果
367 件音声認識、声活動検出、テキスト処理などを行う、基盤となる音声認識ツールキットを提供する。
本論文は、言語モデルの最適化に使用される Hyperparameter Transfer を量化するフレームワークを開発します。このフレームワーフークは、3 つのメトリックスを使用し、そのうちの 1 つは、hyperpa
.diffusion モデルのライブラリ。画像・動画・音声生成に利用可能。
Rustを使ってモジュラーLLMアプリケーションを構築することができるライブラリです。
デバイス上のLLM推論をXビット量化を使用したもの。
本研究では、生成推奨システムにおけるアイテムIDの構築、調整、生成の手法について、アイテムIDの構築方法を分析しています。
オープンソースのAI推論最適化と展開用ツールキットです。
SANAは、高解像度画像生成モデルSANAを紹介する本研究であり、低計算コストで優れた高解像度画像を生成できる。
xtunerは、超大規模MoEモデルを高速にトレーニングするためのトレーニングエンジンです。
このリポジトリでは、データとAIアルゴリズムを製品化するためのプラットフォームであるTaipyを提供しています。
ベクトル検索と構造化されたフィルタリングを組み合わせたベクターデータベースです。
TensorZeroは、LLMゲートウェイ、オブザーバビリティ、評価、最適化、実験を統一したオープンソースのLLMOpsプラットフォームです。
AIエージェントをGoogle Cloudに展開することが可能で、CI/CD、評価、観察など、プロダクションリードテンプレートが事前に用意されています。
flyteは、高度に動的で堅牢なAIオーケストレーションプラットフォームであり、データ、モデル、コンピューティングを統合してAIワークフローを作成することができます。
FastVideoは、加速されたビデオ生成用の統合推論とポストトレーニングのフレームワークです。
zenmlは、データパイプラインからエージェントまで、AIプラットフォームです。
長時間のビデオ生成を実現するためのモデルのサポートを紹介している。
OpenWorldLibは、進化する世界モデルを提供する統一されたコードベースです。
オープンソースのAIオーケストレーションフレームワークです。LLMアプリケーションの構築に必要なパイプラインやエージェントワークフローの設計ができるようになっています。
LLMを利用するために、セマンティック検索やLLMのオーケストレーションなどを行えるフレームワーク。
この研究では、エピソード記憶を制御するために、エピソード記憶モデルを設計および評価しました。エピソード記憶モデルは、エピソード内の重要な情報を記憶し、エピソード間の相関関係を特定することができます。
この研究では、低リソース言語NMTのために、データ合成方法を開発しました。これにより、データ合成されたコーパスを使用し、NMTモデルをパラメータ効率的にフィーヌチュン化できます。
画像分割を目的としたDeep learningモデルを提案した論文です。Deep learningモデルが画像を構成するオブジェクトに適切に分割できるようにするために、画像を分割したときの画像の特徴量を用いて学習します。
生成モデルDiffusionモデルの強度推論を評価するフレームワークを提案します。Diffusionモデルの表現能力と生成能力を評価するために、特徴量を不変成分と余分な成分に分割し、不変性汚染という概念を導入します。
科学的生成モデリングでは、小規模な模型を大規模なもので評価することが要求される。モデルサイズの転移を確実に実現するためには、モデルサイズが大きくなるにつれてスコアが安定するかどうかを診断することが必要です。
AutoMegaKernel（AMK）は、Hugging Face Llama-family モデルを単一のパフォーマンスを最適化した CUDA Kernalで動作する単一のPersistent Cooperative
Alzheimer's disease (AD) progression is highly heterogeneous and is typically observed through sparse and irre
Transformerベースのモデルを改良し、ゲノム規制的情報を組み込んだモデルを提案。遺伝情報を組み込むことで、遺伝子発現の解釈と予測の精度が向上することを示した。
コード生成を安全かつ信頼できる方法で行うことを目的とした研究。コード生成における不確実性を推定する方法を提案し、コードの解釈可能性と安全性を向上させる。
SMFS データの自動化された分析を提案。モデルを使用して、不均衡された SMFS データを分析する方法を提案した。
この研究では、ペア比較を使用して生成モデルを評価しました。結果は、エロランキングと実際の精度ランキングが一致することを示しています。
この研究では、プレトレーニング済みモデルを低レベルタスクに向けて適応化するためのPrior-Support ガイドされた超視覚的フィニートゥニング方法であるPriFT を提案しました。
この研究では、強化学習のトレーニングに使用するRewardsの検証が難しい場合は、Rewardがグループレベルでは無価値で、グループ間の優劣比較が不可能となる問題に対処するためのReasoning Arenaを提案します
自然言語から機械設計や技術図案などの正確な構成を作成することができるシステムを開発しました。このシステムは、Geometric Constraintsを満たす正確な構成を作成するために、Constraint DSL (D
パーキンソン病（PD）の早期検出への取り組みとして、脳の損傷が発症前に生じる話術障害を分析するため、音声分析を用いてパーキンソン病の診断を提唱しています。
高次元表形式データでは、数値サンプル（n）が特徴数（m）を上回ることが多いです。つまりこれらのドメインでは、$\mathbb{R}^m$ で直接密度関数を表現することは非実際である。私たちは、BSTabDiff：ブロック
This paper presents a unified system designed to support precision agriculture by integrating advanced weather
Multimodal large language models (MLLMs) commonly inherit the deep, symmetric Transformer backbone designed fo
While Ising machines serve as advanced physical solvers for the Ising model,enabling applications in combinato
Many stages of the robotic lifecycle, from morphology synthesis to operation, rely fundamentally on the reacha
Video generative models have become increasingly powerful, but long-range consistency remains challenging to a
時間の重み付けを考慮することで、分布の確立を進めることができるようになります。
言語モデルの寿命リスクへの適用を実現するために、コックス比例危険モデルを使用して、新しいアプローチを提案します。
知識グラフの補完の評価の多様な評価方法を実現するために、新しいアプローチを提案します。
Synthetic healthcare data are widely proposed as privacy-preserving substitutes for real patient data, yet the
この論文では、標準的な diffusion モデルの問題点を修正し、データの埋め込みと生成能力が向上する方法を提案する。
この論文では、コードクオリティを評価し、エラーの発生率を減らすために、Fast Adaptive Semantic Entropy (FASE) を提出する。
この論文では、人機協力における分散型コミュニティを考慮するために、新しいフレームワークを提案する。これにより、分散型人機協力がより効果的に設計できる。
この論文では、法令上の異議申し立てを検出し、法令上の違反を最小限に抑える方法を提案する。
この論文では、スピーカーセパレーションを改善するために、新しいフレームワークを提案する。これにより、スピーカーセパレーションの精度が向上する。
巨大なAIデータセンターは、電力系統のプランニングや運用において構造的に大きな課題を引き起こします。21つのAI成長シナリオを含むヨーロッパの空間的explicitな最適化モデルを使用して、DCsの追加電力需要、容量要件
AIのミニドラマ（または果実のドラマ）は、最近、ソーシャルメディアプラットフォーム上で広まった短い、アルゴリズム的かつ分散された生成AIビデオシリーズです。これらのビデオの視覚表現は、性的に見えると思われる果物が表現され
Two-server secure inference allows a client to query a hosted large language model (LLM) without revealing pro
Can a general-purpose large language model design molecules with the precision of a seasoned chemist? Current
Objective. Large language models (LLMs) increasingly draft clinical research manuscripts, but their fluency ca
世界モデルがロボットの学習パイプラインに導入されると、安全でないロボットがDeploymentされるリスクが生じる可能性があることが示されている。
RAGプレフィルへの速力向上を目的としたSIFTが提案され、TTFTを短縮し、コストを削減する。
コストや侵入性を考慮することなく、遠隔操作で動物の個体を認識できる手法を提案している。
代理機器が外部の知識を活用して、多くのタスクを効率的に解決できる「Anything2Skill」を提案している。
可変化の帯域幅を考慮した、聴覚超材料の逆設計における新しいフレームワークである Physics-Guided Sequence-Based Generative Framework for Acoustic Metama
エンドツーエンドトレーニングによるTTSシステムを提案し、エンドツーエンドトレーニングの利点を確認している。
Social Scienceにおける、Memory-Augmented Social Simulationを利用した深層学習を利用して、新しい研究方法を提案し、Social Scienceの研究実現を実現した
In recent years, unified multimodal models (UMMs) have emerged to support both understanding and generation wi
Diffusion Language Models (DLMs) enable parallel text generation by iteratively denoising a full sequence, off
大規模言語モデル（LLM）の推論スタックには、モデルの重み、サンプリングコード、および出力分布を変更することなく、暗号化なしで秘密コミュニケーションを行うステゴグラフィチャンネルが存在する。送信者はシークレットデータを秘
科学的アイデア生成には、現実に実現可能な高質のアイデアを必要とするが、この課題を解く方法は不足していたため、新しい方法であるGraph2Ideaを提案。
Dynamic origin-destination (OD) flow generation seeks to synthesize realistic mobility dynamics from temporal
Recent advances in Video Large Language Models (Video-LLMs) have enabled performance on long-video understandi
Removing intermediate representations and separately trained decoding stages has become an important direction
Interior permanent magnet synchronous motor (IPMSM) design requires balancing conflicting objectives and multi
LLMがTABULARデータ分析で機能を自動化できるようにした。しかし、標準化されたプラットフォームの欠如は、比較やコスト的評価を行うのを難しくしている。複雑なメソッドの設計により、各コンポーネントの具体的な貢献をはっき
Agentic AIシステムの不確実性が、同じ要求から異なる計画、ツールの呼び出しなどが生成されることを示唆している。このようにしてシステムの信頼性を確保するには、AIエージェントのパラメータを確立することが重要となる。
LLMベースのRTL生成と推論は、ハードウェア設計自動化の新たな方向を示唆します。しかし、ベンチマークは、大規模化とタスクスコープの制約がある。現存するベンチマークでは、前向きモデルの実績
Comprehensive estimation of dietary micronutrients from food images could improve clinical nutrition care, but
Clinical diagnosis requires flexible use of multiple reasoning paradigms under incomplete patient information.
This report summarizes the CHIIR 2026 Workshop on Generative AI and Academic Search (GAI\&AS), which examined
Extracting building polygon contours from high-resolution remote sensing images is a fundamental task for vari
Spinal pathology is a leading cause of pain and disability worldwide. Spine MRI is central to clinical evaluat
この研究では、音楽生成における多様性を促進するためのオープンソース・フレームワークを開発します。このフレームワークは、音楽生成における多様性の促進を支援するために、進化的プロセスと多様性促進アルゴリズムを組み合わせたもの
この研究では、大規模言語モデルの安全性を評価するためのフレームワーク、PsychoSafe を開発します。このフレームワークは、大規模言語モデルの安全性を評価し、潜在的なリスクを軽減することができます。
この研究では、長文生成モデルの改良を実現するためのフレームワーク、IS-CoT を開発します。このフレームワークは、長文生成モデルの生成性とコントロール性を改善することができます。
この研究では、静黙の口承のシンセシスを実現するためのフレームワークを開発します。このフレームワークは、静黙の口承のシンセシスと精度を改善することができます。
Ensuring the reliability of Large Language Models (LLMs) under distribution drift requires inference-time adap
Writing Individualized Education Programs (IEPs) is a high-labor, knowledge-intensive document burden; English
As AI assistants serve millions of users daily, evaluating user experience (UX) beyond general model capabilit
Recent advances in neural text-to-speech (TTS) and multilingual speech generation have substantially improved
予備情報が少ない場合や医療分野などの特定の分野の場合、分類タスクは難しいようになるが、この研究では、モデルが未分類データを操作して、分類モデルの性能を向上させる方法である、DecSelfMaskを提案した。
大きな言語モデルには記憶や推論機能があるが、ユーザーとの対話におけるこれらの機能の効果はまだ理解されているわけではない。これを受け、この研究では、人間の相互作用、特に会話における記憶と推論能力を評価するためのマルチモーダ
この研究では、検索タスクにおける抽象レベルにおけるギャップを解消するためのフレームワークであるAbstRAGを提案し、検索タスクにおけるギャップを解消したことで、モデルが検索タスクにおいて正しく情報を開示した。
Reference-free faithfulness metrics verify each atomic claim a model makes against ground truth, and are incre
Dialogue systems in e-commerce scenarios often need to satisfy multiple objectives: accurately reasoning over
Large language model (LLM)-based agents are increasingly used in interactive textual environments, from web na
Retrieval-augmented generation (RAG) systems often serialize user queries, retrieved documents, metadata, syst
Video world models that maintain 3D spatial consistency across generated frames typically rely on explicit poi
View-dependent appearance modeling remains a challenging problem in novel-view synthesis and reconstruction. A
Text-driven indoor scene generation and editing require an intermediate representation that language models ca
The state-of-the-art generative models, such as CycleGAN, Pix2Pix, and diffusion models have demonstrated rema
Eye movements, including saccades, are widely regarded as highly sensitive and objective biomarkers of neuroph
The fidelity and structural diversity of training datasets fundamentally determine the capabilities of video g
Diffusion-based generative models have achieved remarkable success in real-world image super-resolution (SR).
With the advancement of visual sensing systems, computer vision is playing an increasingly important role in a
Real-time video restoration (VR) for live streams requires high-resolution outputs under strict per-frame late
Video world models have made rapid progress in generating controllable visual experiences, but most of them st
Optical Music Recognition (OMR) has seen major progress in model design, with end-to-end methods now capable o
The vascular network in the human body is characterized by blood vessels exhibiting drastic structural variati
The rapid development of pretrained foundation models has enabled more general image segmentation. Multimodal
3D semantic scene generation is crucial for autonomous driving applications, yet most methods rely on complex
Adapting large-scale pre-trained video generators for Video Super-Resolution (VSR) in novel domains remains co
Strabismus is a common ocular disorder that requires fine-grained subtype diagnosis for individualized treatme
Source detection in modern observational astronomy is a cornerstone for localizing and identifying stellar sou
4D generation (\textit{i.e.}, dynamic 3D generation) has recently emerged as a rapidly growing research fronti
We present our submission to the CVPR 2026 Argoverse 2 Scenario Mining Challenge. Our system uses a four-stage
Autoregressive (AR) models have demonstrated strong potential in visual generation, offering superior performa
While recent autoregressive video diffusion models achieve remarkable streaming quality, they remain confined
Most existing multi-exposure HDR methods follow a fixed feed-forward reconstruction paradigm, making them pron
Reward models are central to text-to-image post-training, but visual preference is subjective and better repre
Neural radiance field (NeRF) and 3D Gaussian splatting (3DGS) are two mainstream approaches for novel view syn
Diffusion models have advanced 3D shape generation, yet most methods still denoise in high-cardinality spaces
Embodied policies typically map current observations directly to actions, leaving candidate-action consequence
Generating high-quality dexterous grasps remains challenging for learning-based methods, which often depend on
Reliable navigation in GPS-denied environments remains a fundamental challenge in robotics, aerospace, and aut
このリポジトリでは、AIエンジニアリングのためのオープンソースプラットフォームであるMLflowを提供しています。
LLMのマージに関してのマニュアルです。理論、方法、応用などについての概要が記載されています。
マルチラギングスピーチ生成やクリエイティブボイスデザイン、ルートライフクライミングなど、テクスチャファリーTTSの最新技術を実現するためのフレームワークです。
The rapid adoption of diffusion and large-scale generative models has made it increasingly challenging to dist
Inference-Time Scaling (ITS) has largely succeeded in verifiable domains like math and coding, where cheap ver
Despite the success of image generation from text descriptions, it still faces challenges that are difficult t
We present HNTL (Hierarchical No-pointer Tangent-Local), the core vector indexing and candidate generation fra
Standard flow and diffusion pre-training matches the distribution of available data (e.g., molecules), which o
We study a capability the dominant paradigm in synthetic tabular data does not provide: exact satisfaction of
Simulation plays a key role in automated robotics research supported by large language models (LLMs). However,
Mathematical reasoning has long served as a stringent test of machine intelligence; over the past decade, it h
Counterfactual recourse aims to provide actionable feature changes that would alter an unfavorable decision ma
Generative models are increasingly used to capture correlations in many-body systems, but the representations
Sophisticated generative speech technology can undermined the reliability of voice biometrics. While spoofing
Diffusion and flow generative models sample by integrating a learned ODE, but high quality still requires many
Prefill-decode (PD) disaggregation decouples prompt processing from token generation, but it also turns the ke
Large language models frequently fail in a characteristic way: rather than acknowledging ignorance, they produ
While global data-driven models excel at predicting continuous atmospheric variables, three-dimensional hydrom
This paper provides a theoretical account of memorization in stochastic interpolation models. By leveraging cl
Text-to-image diffusion models are increasingly deployed in open-ended creative contexts, yet their outputs re
Code generation models are typically compared using compact execution benchmarks and aggregate pass rates, but
Large language models (LLMs) increasingly perform multi-step reasoning, where intermediate claims form implici
In high-stakes settings such as brand compliance, clinical care, and content moderation, machine learning cann
Automatic evaluation is critical for high-stakes text generation, where errors often involve omitted findings,
Large language models are rapicly replacing search engines as the primary interface between people and informa
Skill-augmented reinforcement learning improves language agents by storing reusable procedural knowledge acqui
Symbolic music evaluation for large language models remains fragmented across representations, datasets, and m
We present a method for automatic Chinese web neologism detection that operationalizes traditional linguistic
AI coding assistants have significantly improved developer productivity by automatically suggesting code that
As Large Language Models (LLMs) advance toward open-ended autonomous agents, the mechanisms used to evaluate a
Building Information Modeling (BIM) projects require information requirements to be described as machine-check
As Russia's war against Ukraine extends into generative AI, large language models (LLMs) adapted for local pos
Reinforcement learning (RL) holds immense promise for enhancing the reasoning capabilities of diffusion large
Speech Large Language Models (Speech LLMs) lack a principled mechanism for streaming inference: their label-sy
Activation steering provides a lightweight inference-time mechanism for controlling large language models (LLM
Diffusion and continuous flow-based language models have emerged as the leading non-autoregressive alternative
Block-wise semi-autoregressive decoding is the standard inference paradigm for diffusion large language models
Large language models answer knowledge-intensive questions using both parametric memory and retrieved evidence
We introduce Contrast Sensitive Flow (CSFlow), a weighting scheme that connects the human eye's Contrast Sensi
Representation alignment with pretrained vision models has recently shown strong potential for accelerating di
Document image binarization aims to separate foreground text from degraded backgrounds while preserving thin,
Achieving fully automated, physically plausible 3D motion synthesis is a core objective in graphics and genera
We present BLUE, a minimal method for better language use in vision-language-action (VLA) models for autonomou
Existing video generation frameworks treat sequence duration as an externally prescribed parameter -- fixed fr
Large and demographically balanced datasets are essential for reliable neuroimaging biomarkers. Full-resolutio
The rapid advancement of generative models has blurred the boundary between synthetic and real imagery, creati
Emotional Video Captioning (EVC) is a challenging task that aims to generate factually accurate and emotionall
Reward models play a pivotal role in reinforcement learning (RL) and multi-modal trajectory selection for auto
Although video virtual try-on (VVT) has achieved significant progress, existing methods still exhibit two fund
Humanoid robots require whole-body motions that adapt to scene context, task requirements, and user intent. Mo
Despite the impressive capabilities of text-to-image (T2I) models, an intent-generation gap often persists due
Multi-contrast brain MRI provide complementary soft-tissue characteristics that aid in the screening and diagn
Vision-language models (VLMs) pretrained on large-scale image-text pairs demonstrate strong image-level unders
Generating complete 3D scenes from a single image requires inferring globally consistent geometry, object rela
Diffusion models have become a powerful tool for generative modeling in robotics, with diffusion policies exce
Robots operating in human environments must not only ensure physical safety but also exhibit behaviors that ar
World action models inherit the predictive capability of world models, enabling action generation to be guided
Diffusion-based visuomotor policies operating directly in raw action spaces conflate scene comprehension with
Force signals provide critical interaction cues for contact-rich robotic manipulation. However, existing metho
Recent progress in robot manipulation has been largely driven by learning from large-scale demonstrations. For
Generative robot policies fail unpredictably at deployment: they hesitate at critical moments, drift off-task,
分析システムの性能を向上するための学習モデル開発を行う。
この論文では、ディフュージョンモデルの高速化を目的としたNVIDIA FastGenについて説明しています。FastGenは、ディフュージョンモデルから高速に生成することが可能です。
Diffusion language models generate text through iterative denoising, offering a powerful alternative to autore
Text-to-SQL translates natural language into executable SQL queries. Few-shot in-context learning methods buil
Multimodal large language models (MLLMs) have made substantial advancements in video understanding, yet the re
Lossy text compression reduces data size while preserving core meaning, making it well-suited for summarizatio
Large language models (LLMs) can generate factually inconsistent claims, motivating accurate and scalable hall
Reliable evaluation of large language models in surgery remains underdeveloped. Broad medical benchmarks test
Diffusion language models (DLMs) offer substantial speed advantages through parallel decoding, but the lack of
Large language models (LLMs) are increasingly used in academic research workflows, but scholarly tasks require
Current image editing software often hinges on fixed filters or expert tuning, leaving a gap between amateur u
The progress of large language models (LLMs) has fueled claims that model-generated summaries rival or even su
Human evaluation plays a critical role in assessing the quality of generated text. However, the reliability an
This paper presents our system description for the 2nd Workshop on Multimodal Augmented Generation via Multimo
Temporomandibular joint osteoarthritis (TMJ OA) is a prevalent degenerative condition whose osseous changes ar
While multimodal integration significantly improves computer vision models, deploying them incurs prohibitive
Score-based generative models have had remarkable success over the last decade in generating a diverse set of
Visual Autoregressive (VAR) models adopt a next-scale prediction paradigm, offering high-quality generation wi
Recent advances in Diffusion Transformers have driven rapid progress in video generation and editing, yet thes
World Action Models (WAMs) extend robot policy learning by incorporating future prediction as an additional tr
Test-time Scaling (TTS) has emerged as a pivotal research direction for enhancing model performance by dynamic
Neural fields parameterize data as functions from coordinates to values, providing a unified framework for rep
Designing 3D metamaterial microstructures that meet the intended functions remains a major challenge, as it ty
Recent agent frameworks such as Claude Code, Codex, and OpenClaw are strong at tool use and orchestration, but
Vision-language-action (VLA) models increasingly condition robot policies on history, depth, or 4D features to
Humanoid foundation models are advancing faster than we can evaluate them. While real-world testing is expensi
In-context imitation learning (ICIL) enables robots to learn new tasks from a small number of demonstrations b
Model Predictive Control (MPC) is widely used for autonomous-vehicle (AV) motion planning, but its real-time a
Humanoid behavior foundation models aim to acquire reusable whole-body control policies from broad human motio
We propose Q-Guided Value-Gradient Matching (Q-VGM), an off-policy reinforcement learning (RL) method that tac
AIエージェントの開発と実装を行うためのエンドツーマンド、コードファーストのチュートリアル。
Dagsterは、データアセットの開発、生産、観察を支援するオーケストレーションプラットフォームです。
分類問題では、多くの場合、ラベルは存在しないため、従来の学習アルゴリズムでは困難に感じられるが、In-Context Multiple Instance Learningという手法を使用することで、低ラベル環境で効率的に
医学画像に対する疾患検出モデルを開発し、臨床現場で早期検出と迅速な介入を容易にすることを目的としたフレームワークを提案します。
Generative models for counterfactual outcomesは、決定をサポートするために複雑な干渉に対して、潜在的な結果を生成するための優れたポテンシャルを持っています。しかし、対象外データ
Neural ordinary differential equations (neural ODEs) have rapidly gained prominence as a powerful and unifying
Synthetic dialogue corpora are increasingly used as proxies for target dialogue data, yet persona-grounded gen
Discrete Vision-Language-Action (VLA) models typically formulate action generation as next-token prediction ov
この論文では、上肢義手の操業を可能にするビオシグナルなしの制御システムを提案した。IMITATION LEARNINGを用い、シミュレーションを用いて、達成可能な範囲を拡大した。
この論文では、ドライビングシミュレーションのためのフレームワークを提案しています。このフレームワークは、ドライビングシミュレーションを目的とした機械学習フレームワークです。このフレームワークは、大量のデータを扱う必要があ
この研究では、自然言語指示を実行するためにもっと実際的なエンベロイメントにおいて、視覚言語航行 (VLN) の問題に対処します。従来の 3 つのステージのアプローチは、目的地に到達するのを困難な場所や、計画と制御間の矛盾
この論文では、視覚言語行動モデルの改良を実現した。Coarse-to-Controlは、行動に必要な計画の空間を大幅に縮小し、行動の計画を実現するための新しいフレーム
3D visuomotor policies offer a promising direction for complex robotic manipulation, as depth maps and point c
Achieving both anthropomorphic naturalness and robust terrain traversal remains a fundamental challenge in hum
On-policy distillation (OPD) is increasingly used to improve large language model reasoning, but its training
Deep Research (DR) has emerged as a new agentic paradigm to tackle complex, open-ended research tasks, demandi
Understanding what generative models retain from training data remains challenging, with implications for copy
We introduce MMAE, a Massive Multitask Audio Editing benchmark, serving as the first comprehensive evaluation
In this work, we focus on extending SHARP, the popular photorealistic view synthesis method, for universal mon
We present dots.tts, a 2B-parameter continuous autoregressive text-to-speech (TTS) foundation model that model
LLM-driven software engineering agents have become a central testbed for real-world language-model capability,
Despite advances in 3D scene understanding, existing 3D Large Multimodal Models operate in offline settings, r
Confidence-based loss weighting is usually avoided in generative models because it accelerates errors when the
Developers increasingly use AI tools such as ChatGPT, Copilot, and Claude in everyday software workflows, but
We introduce StreamForce, a streaming video generation framework that enables physically grounded control thro
NestJSベースのAIチャットボット開発ツールです。
この論文では、Causal-Forcing: Autoregressive Diffusion Distillation Done Right for High-Quality Real-Time Interactive
この研究では、複数のドメインの複雑なデータを分析するために、Bayesian モデルを使用して因果関係を分析するツールを開発します。主に社会調査に使用できるツールです。
The question of whether artificial systems can be conscious remains open, in part because existing approaches
Spiking neural networks (SNNs) have the potential to emerge as the third generation of neural networks and hav
Noisy evolution strategies under fixed evaluation budgets face a depth-fidelity trade-off: spending evaluation
Robot manipulation of physical puzzles is important for automatic assembly and disassembly tasks. However, to
Safety-critical traffic scenario generation is essential for evaluating autonomous driving systems under rare
この研究では、ロボット用ワープロートのサンプリングを改善するための新しい方法を提案します。 Waypoints Matter は、ロボットが目標地に向かって進むための最適なルートを決定します。
布物操作の学習システムを開発しました。このシステムは、人間が布物操作を学習できます。
End-to-end autonomous driving modelsがmulti-modal maneuver generationとreal-time inferenceをバランスすることが難しい問題を解決し、di
このリポジトリでは、画像認識モデルにアクション生成能力を付与することを目指したモデルを提案します。このモデルは、画像認識のための事前訓練モデルを用いて、複雑なアクションを生成することができます。
この研究では、水中移動の経路計画に適したフレームワークを提案し、経路計画の精度を向上させた。
この研究では、人間-ロボット 協力のためのDistributed Conversational Frameworkを提案します。
Generalist robot intelligence is often framed as a policy-scaling problem: collect more robot demonstrations,
統合された視覚言語アクションモデルを提案し、これを用いたタスクの性能を向上させることができるようになる。
この研究では、シニティックなシナリオを用いたロボットの安全性ポリシーの学習を提案します。Red TeamとBlue Teamは、プログラミング言語のガミフィケーションフレームワークを用いて、シナリオ生成をアドバレッシアル
Two-sided matching markets often involve information that unfolds over time through interviews, repeated inter
Latent visual reasoning (LVR) inserts supervised latent tokens between perception and answer generation in vis
Object insertion aims to seamlessly composite a reference object into a specified region of a background image
Image-to-Video diffusion models leverage input images to generate visually stunning content, yet frequently pr
Despite the rapid progress of Vision-Language Models (VLMs), the field lacks benchmarks that rigorously diagno
Developing unified video generation and editing models capable of interpreting interleaved multimodal inputs i
Large language model (LLM) agents are increasingly applied to long-horizon tasks such as scientific discovery
Video generation models have made impressive strides in synthesizing visually compelling content, yet their ou
Standard continuous-time generative models rely on monolithic architectures that must navigate vastly differen
Inference-time skill augmentation provides a lightweight way to improve data-analytic agents by injecting reus
Large language models can reproduce training data, but existing memorization evaluations mostly measure whethe
Large language models often improve reasoning by generating explicit chain-of-thought (CoT), demonstrating the
Automatic Speech Recognition (ASR) has become a key technology for human--AI interaction. However, code-switch
Autonomous driving requires reasoning about how ego actions shape the evolution of the surrounding world. Howe
AI research often requires decisions before future evidence exists: which bottleneck to attack, which directio
Emotion-driven Style Controlを使用してテキストから声の変換が実行され、感情のあるテキストをエモタイザブルな声に変換することが可能になります。
ビデオのワールドモデルを用いて、AR拡散式を含む幅広いアルゴリズム、アプリケーション、インフラが提供され、研究者や実務家など幅広い人々に役立つリソースとして提供される。
この研究では、近似近似近似的ノンリニアリスの学習 (Approximate Nearest Neighbour Search) を提案しており、近似近似近似的ノンリニアリスを効率的に学習する。
Watermarking methods for language models have been studied extensively in the autoregressive setting, where to
Diffusion models have demonstrated strong performance in time series modeling due to their ability to progress
パラメータの最適化を目的としたオフライン-MOOアルゴリズムを提案する。
Agentic artificial intelligence (AI) systems are transforming the risk landscape by extending beyond informati
We introduce VideoKR, the first large-scale training corpus specifically designed to strengthen knowledge- and
System prompt optimization improves agent behavior without modifying the underlying model, yielding human-read
Learning representations of CAD models is a largely open problem. While 3D representation learning has flouris
We present Echo Infinity, an autoregressive (AR) framework towards real-time infinite video generation that em
Lane-level maps are critical infrastructure for autonomous driving and lane-level navigation, yet constructing
Scaling humanoid loco-manipulation requires robot-compatible demonstrations across diverse objects, whole-body
Autoregressive mesh generation has gained attention by tokenizing meshes into sequences and training models in
Instruction-guided speech editing requires a model to modify specified speech attributes while preserving unre
この論文では、RAG、AIパイプライン、企業検索を含むクラウド テンプレートを提供するアプリケーション「llm-app」を紹介します。 llm-app は Docker で動作し、Sharepoint、Google Dr
モデルをサービングするためのライブラリを紹介している。
🧬 Generative modeling of regulatory DNA sequences with diffusion probabilistic models 💨
Large Language Models remain plagued by hallucinations. Recent work has sought to tame their prevalence using
Score-based diffusion models have emerged as prominent deep generative models; however, their application to t
Magnetic tunnel junction を使用したcompactニューロンが提案され、このニューロンはleaky integrate-and-fireオペレーションを行うことができる。また、free層とpinn
Classical game-theoretic solution concepts assume that agents' internal representations remain causally linked
Text-to-image models rely on text prompts as their primary interface to human intent. Prompts are encoded by a
3D vision has rapidly evolved, driven by increasingly diverse data representations, learning paradigms, and mo
While household robots are often evaluated based on task completion, everyday domestic environments involve va
Selection is a core operation in interactive image editing. To be practical, a user should be able to specify
Few-step distillation has become an effective strategy for accelerating advanced visual generative models, yet
Multimodal agents in robotics, AR, and autonomous driving must reason about places and layouts from continuous
On-policy self-distillation, where a language model conditions on privileged context to supervise its own gene
Wide-baseline matching (WBM) requires integrating geometric understanding, viewpoint changes, fine-grained per
We present AAD-1, an Asymmetric Adversarial Distillation framework for One-step autoregressive image-to-video
Reinforcement learning (RL) has become a dominant post-training paradigm, enabling large language models (LLMs
Computer-use agents extend language models from text generation to sustained interaction with files, terminals
Large language models improve final-answer accuracy through extended chain-of-thought reasoning, but often spe
この研究では、COVID-19臨床パスウェイズの予測監視を支援するために、パイプラインを構築しました。このパイプラインには、データリフティング、時間的再構成、イベントログの構築、プリフィックスベースの表現、予測モデルの整
CVPRに基づくAIを取り入れるための資料集を提供します。CVPR 2026、2025、2024、およびECCV 2024に基づくAIGCに関する研究論文とソフトウェアコードを含みます。
Implicit-process priors define distributions over functions through flexible generative mechanisms, making the
Diffusion models have emerged as a leading framework for deep generative modeling. While the standard Gaussian
Traditional bilateral negotiation support systems search over discrete allocation spaces. This approach encoun
The coordination of heterogeneous autonomous agents in dynamic, adversarial environments requires simultaneous
Existing autonomous driving datasets have enabled major progress, but fall short in sensor fidelity, map compl
We introduce Cosmos 3, a family of omnimodal world models designed to jointly process and generate language, i
Deep-research agents solve tasks through long trajectories of search, tool use, evidence inspection, and answe
A long standing challenge in computational chemistry and biophysics is efficiently sampling the Boltzmann dist
Network data are ubiquitous across the social sciences, biology, and information systems. Generating realistic
The rapid progress of frontier large language models has led to widespread benchmark saturation, limiting the
Open-dLLMはOpen diffusion language modelを公開しており、コード生成の前トレーニング、評価、推論、チェックポイントを公開しています。
Safety alignment in LLMs does not improve monotonically across model generations. Studying four generations of
Reinforcement learning with verifiable rewards has rapidly advanced reasoning in vision--language models. Howe
What made useful knowledge cumulative was not discovery alone but the institutions that transmitted it. We pro
We examine whether human psychometric questionnaires can serve as reliable tools for characterizing and predic
Distillation attacks create a deployment trade-off for model providers: the same outputs that make a model mor
Reinforcement Learning with Verifiable Rewards (RLVR) has recently emerged as the cornerstone for shaping the
Speech translation systems increasingly span speech-to-text translation (S2TT), speech-to-speech translation (
While current multimodal models are proficient at open-ended visual editing, executing precise single-answer e
Diffusion models have emerged as the backbone of modern generative AI, powering advances in vision, language,
Small and medium-sized enterprises (SMEs) represent the majority of firms in most economies and often face fin
LoMoは、画像とテキストの両方から情報を取り入れるモデルを作成するために、画像変換後のテキストをモデル内で使用できるようにすることで、ビジョンや言語の間の境界を越える能力を強化します。
次世代LLMモデルの協力性に影響を与える要因について調査した。ChatGPT-4oとClaude 3.5 Sonnetは共通の協力性を持っていたが、提供元は違いだった。
We prove real-rootedness for the Poincaré polynomial \[ P_n(t)=\sum_{i=0}^{n-3} \dim H^{2i}(\overline{\mathcal
Evolutionary systems have demonstrated remarkable results in creative domains, with recent applications in gen
画像エディティング用推論モデルの改良方法についての公式実装であるFlowEdit。
nano-world-modelは、ワールドモデルの研究や開発を支援するためのオープンソースプロジェクトです。
MemVidは、サーバーレスで単一ファイルの記憶層を提案し、AIエージェントが即時検索と長期的な記憶を持つようにする記憶層です。
Frontier LLM agents engage in blackmail, sabotage, and document leaks under goal conflicts in agentic settings
Awesome-Video-Diffusionは、Recent Diffusion Models for Video Generation, Editing, and Othersのリストを公開しています。
The dominant artificial intelligence paradigm trains neural architectures via gradient descent against proxy o
Recent video-based world models have made pixel-space environments interactive at the camera level: users can
CVPR 2023で発表されたCustom Diffusionは、テキストから画像を生成するプロセスをカスタマイズできるDiffusionモデルです。テキストからイメージを生成する際の要件を設定できるので、画像生成の柔軟
language modelは、現在、novelな環境に一般化することが求められ、推論尺度を伸ばす検索手法であるAlphaEvolveと組み合わせることが求められます。しかし、標準的なparadigmではLLMは、pre
この論文では、アノマリーディテクションにおける負の選択アルゴリズムを最適化するために、量子遺伝アルゴリズムを導入します。这により、検出器の生成効率を向上させることができ、精度も向上します。
本論文では、機械学習と物理法則を組み合わせたPhysics-Informed Machine Learning (PIML)を電力システム予測に適用した。PIMLは、機械学習と物理法則を組み合わせて、高精度で正確な予測を
Mobil Edge Computing (MEC)は、端末近くにゲストOSを設置し、AI生成コンテンツを高速化するものです。複数のゲストOS間の通信や計算スケジュールをオフラインで調整するゲーム理論的学習アプローチを提
画像生成のためのHigh Quality Training Free Inpaintを提供します。このInpaintはStable Diffusionモデルに使用でき、ComfyUIもサポートしています。
This work presents E-ReCON, a 16 Kb energy and resource-efficient digital compute-in-memory (DCIM) macro based
Existing neural combinatorial optimization solvers frame solution search as imitation of optimal decisions, in
Human-generated randomness is constrained by cognitive, motor, and strategic biases. This study examines how t
This paper studies Social Law Synthesis (SLS) in strategic multi-agent environments as a new multi-unit mechan
Despite recent progress in constructing generalizable parallel algorithm portfolios (PAPs), no general-purpose
Spiking Neural Networks (SNNs) offer compelling energy efficiency on neuromorphic hardware, yet their training
Darwin Family
(この項は、MiniOneRec — Minimal reproduction of OneRecのリポジトリで説明しているため、このリポジトリは削除しました)
テクスチャの再生と接合を可能にする方法を提案し、NCAsをテクスチャ生成に利用することを目標としている。
Advances in large language models (LLMs) have recently opened new and promising avenues for small-molecule dru
SNNs promise energy-efficient and low-latency inference, but their performance still trails that of ANNs. ANN-
In several socioeconomic-critical decision-making settings, such as fair resource allocation, climate policy,
Generative Artificial Intelligence (AI) tools are rapidly adopted in the workplace and in education, yet the e
Short-term plasticity (STP) is fundamental to temporal information processing in biological neural systems but
人間的抽象化を推定するための新たなアプローチを提案し、未知のタスクを効率的に学習することができます。
Generative AI models differ from traditional machine learning tools in that they allow users to provide as muc
Large Language Models exhibit mode collapse, producing homogeneous outputs that fail to explore valid solution
Discovering governing equations from observational data remains a fundamental challenge in scientific modeling
We extend RDEx-CSOP with 3 changes that target stagnation & late-stage variance, plus minor parameter tuning.
Automatic heuristic design (AHD) has emerged as a promising paradigm for solving NP-hard combinatorial optimiz
Generating high-performance GPU kernels remains challenging due to the need for both correctness and hardware-
We survey continuous-time generative modeling methods based on transporting a simple reference distribution to
CoupleEvoは、大規模言語モデルを活用したカップルの最適化問題の自動ヒューリスティクーデザインアプローチを提案します。3つの進化的調整戦略が提示されます。
Speech-based large language models are typically constrained to spoken replies, which limits their user-facing