Transframer
与“Transframer”的相关热搜词：
相关“Transframer” 的资讯293篇
-
【腾讯云】11.11云上盛惠！云服务器首年1.8折起，买1年送3个月！
11.11云上盛惠！海量产品 · 轻松上云！云服务器首年1.8折起，买1年送3个月！超值优惠，性能稳定，让您的云端之旅更加畅享。快来腾讯云选购吧！
腾讯云
12-20
广告 -
Google人工智能技术“Transframer”可根据一张图片创建短视频
随着技术的发展，研究人员继续寻找新的方法来利用人工智能和机器学习能力...这项新技术使用Google的DeepMind人工智能平台进行了演示，其功能是分析单一的照片背景图像以此来获得关键的图像数据并生成额外的图像...该框架通过提供基于非常有限的数据集生成合理准确的视频的能力，这标志着视频技术的巨大进步...像Transframer这样的技术有可能通过使用人工智能和机器学习来构建他们的环境并与此同时来减少创建环境所需的时间、资源和精力以为开发者提供一个全新的开发路径...
-
荐 谷歌更新Transformer架构，更节省计算资源！50%性能提升
谷歌终于更新了Transformer架构。最新发布的Mixture-of-Depths，改变了以往Transformer计算模式。这篇论文目前被引次数超过3500次，论文核心定义了Inductivebias概念。
-
荐 首个基于SSM-Transformer混合架构，开源商业大模型Jamba
3月29日，知名AI研究实验室AI21在官网开源了，首个基于SSM-Transformer混合架构的商业大模型——Jamba。ChatGPT、StableDifusion、Lyria等产品使用的皆是Transformer架构，虽然在捕捉序列内长距离依赖关系、泛化能力、特征提取等方面非常优秀，但在处理长序列、训练大参数模型时存在AI算力消耗大、过拟合、内存占用大等缺点。耐克、Zoom、沃尔玛、三星、阿迪达斯、airbnb等知名企业在使�
-
OpenAI公关跳起来捂他嘴：Transformer作者公开承认参与Q*！｜八位作者最新专访
Transformer作者中唯一去了OpenAI的那位，公开承认了:他参与了Q*项目，是这项新技术的发明者之一。这几天除了英伟达老黄组局把Transformer作者聚齐，他们中的几位还接受了连线杂志的采访，期间出了这么一个小插曲。但当时谷歌高层仍旧不为所动，关键决策者忽略甚至嘲笑他。
-
Image-Manga Translator官网体验入口 AI漫画图像翻译工具免费在线使用地址
Image-MangaTranslator是一款能够将漫画或图片中的文字进行多语言翻译和图像处理的工具。它具有文本检测、光学字符识别、机器翻译和图像修补等功能，支持多种语言如日语、中文、英语和韩语等，能够实现近乎完美的翻译效果。了解更多详情并开始使用Image-MangaTranslator，请访问Image-MangaTranslator官方网站。
-
Manga-Image-Translator：一键翻译漫画或图片中的文字
一款名为Manga-Image-Translator的开源工具引起了广泛关注。这款工具专门用于翻译漫画或图片中的文字，利用高效的OCR和AI翻译技术，它能够自动识别和翻译任何图片中的文字，并支持多种语言。这使得用户可以方便地去除不需要的文字，同时选择适合自己的翻译服务或模型，提高翻译质量和效率。
-
Leonardo Ai推新功能Transparency 一键生成高质量透明PNG图像
LeonardoAi发布了一项创新的功能——Transparency。这项功能能够生成真正的本地透明PNG图像。我们期待这一功能在未来能够带来更多的可能性，满足更多用户的需求。
-
荐 OpenAI官宣开源Transformer Debugger！不用写代码，人人可以破解LLM黑箱
【新智元导读】刚刚，OpenAI超级对齐团队负责人官宣开源Transformer调试器。研究人员不用写代码，就能快速探索LLM的内部构造了!AGI真的越来越近了!为了确保人类不被AI杀死，在解密神经网络/Transfomer黑箱这一方面，OpenAI从未停下脚步。研究人员使用了了几个附加指标的组合:不过研究人员也表示，希望从Transformer上训练的稀疏自动编码器中，为字典学习解决方案确定更好的指标。
-
Snap Video官网体验入口 AI视频合成Transformer架构免费在线使用地址
SnapVideo是一个视频优先的模型，通过延伸EDM框架系统地解决视频生成领域的挑战，如运动保真度、视觉质量和可扩展性。该模型利用帧间的冗余信息，提出了一个可伸缩的transformer架构，将空间和时间维度作为一个高度压缩的1D潜在向量，从有效地进行空间时间联合建模，合成时间连贯性强、运动复杂的视频。现在就访问SnapVideo官方网站，体验视频合成Transformer架构的引领技术�
-
VideoTrans体验入口 AI视频翻译配音工具免费在线使用地址
VideoTrans是一款免费开源的视频翻译配音工具。它可以一键识别视频字幕、翻译成其他语言、进行多种语音合成，最终输出带字幕和配音的目标语言视频。xyz公司需要将产品介绍视频翻译成德语和法语版本，以便在欧洲市场推广，使用VideoTrans批量处理视频翻译和配音，大幅提高工作效率。
-
FiT：一种全新的Transformer架构图像生成模型 分辨率和高宽比不受限制
灵活视觉变换器是一种全新的Transformer架构图像生成模型，专门设计用于创造没有分辨率和宽高比限制的图像。相较于传统将图像视为固定分辨率网格的方法，FiT将图像视为一系列可变大小的图像块。FiT的问世将为图像生成领域带来新的可能性，为用户提供更加灵活多样的图像生成体验。
-
RNN模型挑战Transformer统治地位 Eagle 7B模型登顶多语言基准测试
随着大模型的崛起，RNN模型Eagle7B挑战了Transformer的霸主地位。该模型在多语言基准测试中表现卓越，同时推理成本降低数十倍。通过不断探索和创新，人工智能技术将更好地为人类社会和个体提供服务。
-
HitPaw Online AI Video Translator官网体验入口 AI多语言视频翻译工具免费在线使用地址
HitPawOnlineAIVideoTranslator是一款先进的AI视频翻译服务，支持多种语言选择，使您的视频内容能够触达全球观众。它还提供语音转文字和文字转语音的在线工具，能够准确地将音频转录为多种语言。点击前往HitPawOnlineAIVideoTranslator官网体验入口，立即体验多语言视频翻译的便捷与高效。
-
荐 ConvNet与Transformer谁更强？Meta评测4个领先视觉模型，LeCun转赞
【新智元导读】当前的视觉模型哪个更好?Meta团队最新一波研究来了。如何根据特定需求选择视觉模型?ConvNet/ViT、supervised/CLIP模型，在ImageNet之外的指标上如何相互比较?来自MABZUAI和Meta的研究人员发表的最新研究，在「非标准」指标上全面比较了常见的视觉模型。-CLIP模型具有较高的形状偏差，与其ImageNet精度相比，分类错误较少。
-
荐 AI测出你几岁死亡？Transformer「算命」登Nature子刊，成功预测意外死亡
【新智元导读】AI算命将可以预测人类的意外死亡?丹麦科学家用全国600万人的公开数据训练了一个基于Transformer的模型，成功预测了意外死亡和性格特点。AI真的可以用来科学地算命了!?丹麦技术大学的研究人员声称他们已经设计出一种人工智能模型，据说可以预测人们的生活中的重大事件和结果，包括每个人死亡的大致时间。当研究人员查看低概率区域的实际死亡时，研究人�
-
荐 大模型被偷家！腾讯港中文新研究修正认知：CNN搞多模态不弱于Transfromer
在Transformer占据多模态工具半壁江山的时代，大核CNN又“杀了回来”，成为了一匹新的黑马。腾讯AI实验室与港中文联合团队提出了一种新的CNN架构，图像识别精度和速度都超过了Transformer架构模型。作者已经放出了所有代码，并将所有模型和实验脚本开源。
-
甩英伟达几百条街？Etched AI推AI推理加速芯片Sohu 将Transformer架构直接“烧录”到芯片中
美国芯片初创公司EtchedAI近日宣称，他们成功开创了一项新的技术，将Transformer架构直接“烧录”到了芯片中，创造出了世界上最强大的专门用于Transformer推理的服务器Sohu。这项技术可以运行万亿参数的模型，甩英伟达几百条街。这一突破性技术的问世，将为Transformer架构的应用带来新的可能性。
-
Transformer一作再创业！新获4亿融资，谷歌英伟达AMD参与，此前长期隐身发展
Transformer作者创立的大模型公司，再获5650万美元投资，换算成人民币有四亿多。英伟达、AMD有两位创始人的老东家谷歌，都是这轮融资的参投者。EssentialAI的业务并不会与Adept产生直接竞争。
-
李飞飞谷歌破局之作！用Transformer生成逼真视频，下一个Pika来了？
【新智元导读】今天，李飞飞携斯坦福联袂谷歌，用Transformer生成了逼真视频，效果媲美Gen-2比肩Pika。2023年俨然已成AI视频元年!视频大数据时代，真的来了!刚刚，李飞飞的斯坦福团队同谷歌合作，推出了用于生成逼真视频的扩散模型W.A.L.T。研究人员发现联合培训可以使这两个指标都有显著改善。
-
MIT斯坦福Transformer最新研究：过度训练会让中度模型“结构顿悟”
最新研究指出，经过过度训练，中度的Transformer模型能够展现出结构性泛化能力，这一现象被称为"结构顿悟"。在自然语言处理中，先前的研究认为像Transformer这样的神经序列模型在泛化到新的结构输入时难以有效地捕捉句子的层级结构。这一发现有望在未来的深度学习研究中引起更多关注，为模型设计和训练策略提供指导。
-
新型3D生成方法DMV3D:使用基于Transformer的3D大型重建模型进行去噪
Adobe研究人员与斯坦福大学团队联合提出了一种名为DMV3D的全新3D生成方法。该方法旨在解决增强现实、虚拟现实、机器人技术和游戏等领域中3D资产创建的共同挑战。该研究为通过统一3D重建和生成的2D和3D生成模型的领域之间的鸿沟，以解决3D视觉和图形领域中的各种挑战，提供了新的视角和可能性。
-
斯坦福CMU提出新序列模型Mamba 性能优于Transformer
斯坦福大学和卡内基梅隆大学的研究团队联合提出了一种新的序列模型，名为Mamba，它在语言、音频和DNA序列等任务上超越了Transformer模型。Mamba采用了一种新的架构，具有线性复杂度和更高的推理吞吐量。Mamba的出现对于序列建模领域来说是一个重要的突破，未来还有许多研究和实践的工作需要进行。
-
荐 五倍吞吐量，性能全面包围Transformer：新架构Mamba引爆AI圈
在别的领域，如果你想形容一个东西非常重要，你可能将其形容为「撑起了某领域的半壁江山」。但在AI大模型领域，Transformer架构不能这么形容，因为它几乎撑起了「整个江山」。与类似规模的Transformer相比，Mamba具有5倍的生成吞吐量Mamba-3B的质量与两倍于其规模的Transformer相当。
-
英特尔推Extension for Transformers工具包 大模型推理性能提升40倍
在当前技术发展的背景下，英特尔公司推出的ExtensionforTransformers工具包成为一个重要创新，实现了在CPU上对大型语言模型推理性能的显著加速。该工具包通过LLMRuntime技术，优化了内核，支持多种量化选择，提供更优的KV缓存访问和内存分配策略，使得首个token和下一个token的推理速度分别提升多达40倍和2.68倍。通过不断引入先进的技术和解决实际问题的能力，该工具包展现了英�
-
荐 Transformer变革3D建模，MeshGPT生成效果惊动专业建模师，网友：革命性idea
在计算机图形学中，「三角形网格」是3D几何物体的主要表现形式，也是游戏、电影和VR界面中主要使用的3D资产表示方法。业界通常基于三角形网格来模拟复杂物体的表面，如建筑、车辆、动物，常见的几何变换、几何检测、渲染着色等动作，也需要基于三角形网格进行。如下图9所示，MeshGPT还可以基于给定的局部形状推断出多种可能的补全，生成多种形状假设。
-
荐 智能的本质就是压缩？马毅团队5年心血提出「白盒」Transformer， 打开LLM黑盒！
来自UC伯克利，港大等机构的研究人员，开创性地提出了一种「白盒」Transformer结构——CRATE。他们通过将数据从高维度分布压缩到低维结构分布，实现有效的表征，从进一步实现了有竞争力的模型性能。如果CKPT_DIR是None，则此脚本用于在CIFAR10上通过随机初始化来训练CRATE。
-
Amazon Transcribe新一代语音基础模型驱动的ASR系统，支持100多种语言
亚马逊宣布推出全新一代语音基础模型驱动的ASR系统，将自动语音识别服务扩展到支持100多种语言。AmazonTranscribe是一项完全托管的ASR服务，使您能够轻松地将语音转换为文本，并在应用程序中添加语音到文本的功能。要了解本文讨论的功能的更多信息，请查看功能页面和新功能帖子。
-
荐 预测token速度翻番！Transformer新解码算法火了，来自小羊驼团队
小羊驼团队的新研究火了。他们开发了一种新的解码算法，可以让模型预测100个token数的速度提高1.5-2.3倍，进加速LLM推理。其中有两位华人:傅奕超以及张昊，后者博士毕业于CMU，硕士毕业于上交大，现在是加州大学圣地亚哥分校助理教授。
-
「GPT-4只是在压缩数据」，马毅团队造出白盒Transformer，可解释的大模型要来了吗？
RNA3D结构预测是一个长期存在的挑战。受最近蛋白质结构预测领域突破的启发，南开大学、山东大学以及北京理工大学的研究团队开发了trRosettaRNA，这是一种基于深度学习的自动化RNA3D结构预测方法。为了克服对已知RNA折叠的偏见，可以利用神经网络来学习力场或识别/组装局部图案不是直接预测全局3D结构。
-
Meta引入全新注意力机制Sytem 2 Attention 提升Transformer架构推理能力
Meta的研究者发表了一项关于Transformer架构的新研究，提出了一种名为System2Attention的全新注意力机制。该研究旨在解决大型语言模型在推理能力上的不足，特别是在处理复杂任务时可能出现的错误。S2A的引入为解决当前LLM推理能力不足的问题提供了一种创新性的解决方案。
