- 看前或看周围?自回归与掩码预训练之间的理论比较
通过建立理论框架,比较了两种主要生成式自监督学习范式 —— 自回归 SSL 和掩码 SSL 在分类和内容生成任务中的优势和局限性,并提出了多样性增强的自回归和可变长度掩码目标,显著提高了自回归 SSL 的分类性能和掩码 SSL 的生成性能。
- ReadCtrl: 使用可读性受控指导学习个性化文本生成
基于大型语言模型(LLMs)进行可读性控制的文本生成是个性化应用的重要方向,本论文引入了一种名为 “Readability-Controlled Instruction Learning (ReadCtrl)” 的新方法,通过这种方法可以调 - 跨团队合作的多智能体软件开发
通过引入跨团队合作(CTC)框架,实现协同的团队制定各种决策并在跨团队合作环境中进行沟通,从而提高软件开发中的质量,展示了多智能体合作的潜力和广泛适应性。
- 用进化生成算法保护人类创造力:一个音乐生成的案例研究
本研究探讨了进化生成算法在音乐制作中的应用,以保护和增强人类创造力。通过将人类反馈融入差分进化算法,我们创作了六首歌曲,这些歌曲被提交给国际唱片公司,都收到了合同的邀约。除了测试这些方法的商业可行性之外,本文还考察了使用传统机器学习方法与进 - ChatPCG: 大型语言模型驱动的程序化内容生成中的奖励设计
论文提出了 ChatPCG,一个基于大型语言模型驱动的奖励设计框架,它利用人类级洞察和游戏专业知识,通过自动化生成奖励来满足特定游戏功能的需求,并与深度强化学习整合,展示了其在多人游戏内容生成任务中的潜力。研究结果表明,该模型具备理解游戏机 - 基于大型语言模型的短文本人可解释聚类
大语言模型在内容生成能力方面取得了巨大的增长,本研究展示了这些模型还可以成功地对人类生成的内容进行聚类,通过独特性和可解释性两个度量标准来定义成功。该研究验证了这一成功,通过人工审阅和 ChatGPT 的比较,提供了一种自动化的方法来弥合挑 - 约束大型语言模型生成可计算内容
通过利用协程方式的内容生成约束和预先协商的上下文无关文法(CFG),我们提出了一种引导大型语言模型(LLMs)生成符合特定约定的结构化内容的方法,从而增强生成目标数据结构、类型或指令的稳定性和一致性,降低应用开发复杂性。与基准测试相比,我们 - 网络欺骗的上下文图生成
以自动化方式生成虚假文件的关键要素是文件图表的内容生成问题,我们结合多任务变换器和专门化的多头自编码器来解决该问题,并提出了新的文档图表数据集和关键词语义匹配(KSM)度量,通过对多种大型语言模型进行广泛实验,展示了出色的性能。
- ICLR获取你想要的,而不是你不想要的:用于文本到图像扩展模型的图像内容抑制
利用 $ extit {软加权正则化}$ 和 $ extit {推理时文本嵌入优化}$ 的方法,本论文通过分析如何操作文本嵌入,并从中消除不需要的内容,解决了最近文本到图像扩散模型无法有效抑制生成不需要的内容的问题。并通过量化和定性的实验证 - 让 AI 娱乐你:通过生成型 AI 和拒绝抽样提高用户参与度
通过采用用户反馈的拒绝采样技术,本文提出了一种通用框架,以提高生成型人工智能的用户参与度,特别是在标准生成型人工智能在增强内容吸引力方面达到极限时。
- 通过视觉对比解码减轻大型视觉语言模型中的物体幻觉
大视觉语言模型(LVLMs)通过视觉识别和语言理解相结合,生成连贯且与上下文相关的内容,但仍然存在物体幻觉问题。本文介绍一种名为 Visual Contrastive Decoding(VCD)的简单且无需训练的方法,通过对比原始和失真的视 - Direct2.5: 多视角 2.5D 扩散下的多样化文本到 3D 生成
通过使用经过微调的 2D 扩散模型的多视角 2.5D 扩散方法,我们填补了 2D 扩散和直接 3D 扩散方法之间的差距,为 3D 内容生成提供了多样性、无模式寻找和高保真度,仅需 10 秒。
- 探索内容:对搜索驱动的视频游戏程序化内容生成的调查
视频游戏需求不断增长,需大量内容的昂贵制作。研究人员开发了基于搜索的程式化内容生成(SBPCG),即通过搜索算法进行(半)自动化创作内容。我们调查了现有 SBPCG 的状况,报告了 2011 年至 2022 年该领域出现的工作,并确定了开放 - ICLR大型语言模型的领域自适应重构为适应 - 检索 - 修订
通过适应、检索和修订的过程,这篇论文介绍了一个简单而有效的领域适应框架,将大型语言模型 GPT-4 应用到特定领域的内容生成,以增加准确性和避免内容幻觉。
- 生成模型的统计图灵测试
通过统计模式识别语言提供了一个框架,量化了针对评估上下文的人类生成内容和机器生成内容之间的差异,描述了当前的方法并演示了如何使用该框架评估生成模型在向人类能力逼近的过程中的进展。
- 人工智能生成内容(AIGC)的语义通信:朝着有效内容创作迈进
通过引入内容生成层,将人工智能生成内容 (AIGC) 与语义通讯 (SemCom) 结合起来,提供了清晰的 AIGC 与 SemCom 之间互动产生有意义和有效内容的概念模型,并提出了一种基于 AIGC 技术的语义信息编码器和解码器的新框架 - 生成语言模型和影响操作的成本分析
大型语言模型对宣传者在内容生成成本方面提供可观的节省,并在影响操作中具有潜在的减少成本的能力。
- 生成型人工智能遇上 3D:AIGC 时代的文本到 3D 调查
本研究主要介绍了生成人工智能中的文本导向内容生成,着重探讨其中的文本导向三维技术,提供了一份关于该领域的综合调查报告。该报告介绍了三维数据表示、相关技术及其在不同应用方面的应用,包括头像生成、纹理生成、形状变换和场景生成,以及使用 NeRF - 视觉的高效扩散模型:一项调查
本综述主要介绍了最近视觉领域中扩散模型的进展,特别是那些影响扩散模型计算效率的重要设计方面,重点是强调了最近提出的设计选择,这些选择导致更高效的扩散模型。
- GAN-Aimbots: 使用机器学习作弊于第一人称射击游戏
本文研究了多人游戏中作弊的问题及传统软件和统计方法预防作弊的局限性,利用生成对抗网络(GAN)技术提出了一种无法被检测出的自动瞄准辅助模型,旨在呼吁加强游戏安全保护和开展更深入研究。