تقترح المقالة Symphony، وهي بنية هجينة قابلة للبرمجة ومتخصصة صُممت لمعالجة عدم كفاءة أنظمة الذاكرة في البنى عالية الأداء الحالية مثل وحدات معالجة الرسومات (GPU). تركز على تنسيق البيانات عبر تسلسل الذاكرة لتقليل حركة البيانات غير الضرورية والمسافة.
يتناول الباحثون الانقطاعات الزمنية في إعادة إضاءة الفيديو طويل المدى عن طريق إعادة صياغة المهمة على أنها ترجمة مجال كامن مشروط زمنيًا. يفرض الإطار استمرارية عبر القطع عن طريق نشر كميات المجال المستهدف عبر الحدود ويستخدم التكييف الذاتي المقنع للمجال المستهدف لجعل هذا السلوك قابلاً للتعلم.
قدم باحثو إنفيديا FusionRelight، وهي طريقة لإعادة إضاءة البورتريه تجمع بين نقل الإضاءة المادي المعقول والحفاظ على الهوية والاستدلال في الوقت الفعلي المضغوط. تستخدم هذه الطريقة دمج المعرفة الهجينة للمجال (HDKF)، وهو إطار تدريبي يستخلص مسبقاً من الفيزياء والانعكاسية والواقعية من البيانات الاصطناعية، وواحدة-ضوء-في-الوقت (OLAT)، والبيانات في البرية، لنموذج طالب.
تستكشف ورقة بحثية جديدة استخدام نماذج لغوية كبيرة أساسية (LLMs) لأتمتة تحسين المعاملات الفائقة (HPO)، وهي عملية تعتمد عادةً على أساليب يدوية في إعدادات الميزانية المحدودة. طور المؤلفون منهجية تقترح فيها النماذج LLM تكوينات للمعاملات الفائقة بناءً على وصف مجموعة البيانات والنموذج، والتي يتم بعد ذلك تحسينها تكرارياً وفقًا لأداء النموذج.
يقدم الباحثون مصدر، وهو طريقة جديدة لنسبة بيانات التدريب (TDA) تجمع بين الكفاءة الحسابية لدوال التأثير ودقة النهج القائمة على التفكيك. باستخدام صيغة تشبه دالة التأثير لتقريب الاشتقاق غير الملتوي، يعالج مصدر قيود طرق الاشتقاق الضمني، مثل فشلها في حساب التحيز الأمثل أو خطوط الأنابيب متعددة المراحل.
أعلنت إنفيديا عن إطلاق OmniDreams، وهو نموذج عالمي توليدي أساسي صُمم لمعالجة الاختناقات في تقييم سياسات القيادة الذاتية ضمن المحاكاة الحلقية المغلقة. تم تدريبه في مرحلتي ما قبل وبعد التدريب باستخدام نموذج Cosmos الانتشاري على 21k ساعة من سيناريوهات القيادة، حيث يولد مقاطع فيديو مشروطة بالإجراءات بشكل تسلسلي ذاتي وفي الوقت الفعلي.
يقدم الورقة JacNet، وهو بنية شبكة عصبية تتعلم بشكل مباشر جاكوبيان لدالة الإدخال-الإخراج بدلاً من التحويل نفسه. يتيح هذا النهج تحكماً دقيقاً في خصائص المشتق، مما يمكّن من فرض مسبق هيكلي مثل القابلية للعكس والاستمرارية k-Lipschitz.
تقدم المقالة أطروحة من jlorraine تتناول تحديات تطبيق التحسين ثنائي المستوى أو المتداخل على إعدادات التعلم العميق واسعة النطاق. بينما يحدث تحديث مجموعة واحدة من المعلمات عادةً في التحسين القائم على التدرج، تتطلب العديد من التطبيقات تحديث مجموعات فرعية من المعلمات على أهداف مختلفة متداخلة داخل بعضها البعض.
يقترح الباحثون Masters، وهو إطار تعلم بالتعزيز التدريجي بالقناع لتكثيف نماذج الرؤية واللغة واسعة النطاق إلى إصدارات مدمجة مناسبة للنشر على الحافة. تتناول الطريقة عدم الاستقرار الناتج عن فجوة الحجم بين نموذجي المعلم والطالب.
حدد الباحثون تحول المعلومات البصرية ذات الصلة (RVIS) أثناء فك التشفير كسبب رئيسي لفشل طرق تقليم الرموز البصرية الحالية في نماذج اللغة الكبيرة متعددة الوسائط (MLLMs). ولمعالجة ذلك، يقترحون تقليم الرموز الواعي بالتحول في مرحلة فك التشفير (DSTP)، وهو إطار عمل لا يتطلب التدريب يقوم بمحاذاة الرموز البصرية مع متطلبات الاستدلال المتغيرة.
يقدم الباحثون GenRecal، وهو إطار عمل لتقطير الأغراض العامة ينقل المعرفة من نماذج الرؤية واللغة الكبيرة (VLM) إلى نظائرها الأصغر والأكثر كفاءة. تتناول الطريقة تحدي معماريات VLM غير المتجانسة باستخدام مُعيد معايرة لمحاذاة وتكييف تمثيلات الميزات عبر أنواع النماذج المختلفة.
يقدم الباحثون منطقة تحسين السياسة القريبة (ZPPO)، وهي طريقة تُدخل معرفة المعلم في المطالبات بدلاً من تدرجات السياسة لمعالجة الهشاشة في تقطير المعرفة والانحراف في التعلم المعزز. يبني ZPPO أسئلة تتضمن مرشحين ثنائيين (BCQ) وأسئلة تتضمن مرشحين سلبيين (NCQ) للأسئلة الصعبة، ويعيد تدويرها عبر مخزن الاسترجاع حتى تتحسن دقة الطالب أو يتم إخراجها.
يقترح الباحثون إطار عمل جديد لتقطير التفكير-الإجابة يحسن قدرة النماذج اللغوية البصرية المدمجة على استخدام الأدلة المرئية من خلال قناع بادئات الاستدلال البارزة. يعالج هذا النهج مشكلة "النسيان البصري" الشائعة في مسارات التفكير-الإجابة الطويلة، حيث يفقد الطلاب التركيز على الإشارات المرئية أثناء الاستدلال المطول.
يقترح الباحثون SpatialClaw، إطار عمل خالٍ من التدريب يعتمد على الكود كواجهة إجراء لتحسين الاستدلال المكاني المفتوح 3D و4D في نماذج الرؤية واللغة. على عكس الوكلاء الحاليين الذين يعتمدون على التنفيذ ذو المرور الواحد أو استدعاءات الأدوات الجامدة، يحافظ SpatialClaw على نواة Python ذات حالة محملة مسبقاً بإطارات الإدخال ومبادئ الاستيعاب.
يقترح الباحثون تحسين سياسة الاستكشاف الوكيل (AXPO) لمعالجة "فجوة التفكير-التنفيذ" في نماذج اللغة والرؤية التي تتطلب أدوات خارجية. تسبب هذه الفجوة في محاولة طرق التعزيز المعيارية مثل GRPO استخدام الأدوات في حوالي 30% فقط من عمليات الرولأوت، مع كبت إشارات التعلم بسبب معدلات الفشل العالية.
يقترح الباحثون نظام تقديم نماذج أساسية للروبوتات يُدعى ROSA، مصمم لمصانع الروبوتات ويتجاوز افتراضات الحوسبة الطرفية لروبوت واحد. يستخدم النظام تقديم مجموعة GPU المشتركة للسماح لأساطيل الروبوتات بالوصول إلى وحدات معالجة الرسومات من فئة الخوادم عبر الشبكة.
أطلق باحثو إنفيديا إطار Spatial-IQ التشخيصي المصمم لتحليل الذكاء المكاني للنماذج اللغوية الكبيرة متعددة الوسائط (MLLMs). وعلى عكس المقاييس الحالية التي تعامل النماذج كصناديق سوداء، يقوم هذا النهج بتحليل عدّ الأجسام في الهياكل ثلاثية الأبعاد المتراكمة إلى تسعة مهام فرعية إدراكية ومعرفية متوافقة مع مراحل النمو البشري.
يقدم الباحثون تكميم المتجه الموجه بالعناقيد (CGVQ)، وهي طريقة مصممة لتحسين أداء معدل التشويه في ضغط الصور القائم على البدع الغاوسية. يقسم النهج معاملات غاوس إلى مجموعات متجانسة قبل التكميم، مما يعالج عدم الكفاءة الناتجة عن تخزين أعداد كبيرة من معاملات النقطة العائمة لكل بدعة.
يقوم الباحثون بتحليل مقاطع فيديو اللعب من لعبة التصويب التنافسية دلتا فورس لاستخراج وفهم التواصل غير اللفظي الناشئ، مثل الإيماءات وأنماط الحركة. يتناول هذا العمل فجوة في الدراسات السابقة التي ركزت بشكل كبير على ألعاب MOBA أو التنسيق اللفظي في ألعاب التصويب الأخرى.
يعالج باحثو إنفيديا صعوبة جدولة اللعب الجماعي التنافسي وإعادة إنشاء بيئات المختبر من خلال اعتماد منهجية التجارب الميدانية. يدمج هذا النهج التجارب مباشرةً في هياكل البطولات، مما يخلق بطولات-تجارب هجينة.