AITOP

测试时缩放

共 4 条相关 AI 资讯
8月5日
12:20
12:09
12:09官方账号arXiv cs.LG@Mohsen Hariri, Weicong Chen, Nahal Shahini, Vikash Singh, Kai Ye, Amirhossein Samandar, Debargha Ganguly, Sreehari Sankar, Yanyan Zhang, Shouren Wang, Jerry Peng, Biyao Zhang, Michael Hinczewski, Vipin Chaudhary
这篇论文将测试时缩放形式化为自回归模型隐式前缀树上的预算推理，区分单轨迹连续缩放、叶级缩放和前缀级缩放三种结构。论文提出评估轮廓，将端到端系统性能与候选库诊断分离，并指定推理协议的可重复性要求，区分精确重放与分布可复现。作者在广泛知识、符号推理和竞赛数学基准上应用这些原则，并组装了超过20亿条完整推理轨迹供发布。
论文测试时缩放推理模型评估方法
推荐理由：这篇论文把测试时缩放拆成三种结构，还给了评估和复现规范，做推理模型的人可以参考。
原文
6月26日
10:53
10:53官方账号arXiv cs.AI@Wen Ye, Peiyan Li, Tingyu Yuan, Yuan Xu, Xiangnan Wu, Chaoyang Zhao, Jing Liu, Nianfeng Liu, Yan Huang, Liang Wang
E-TTS是一个模块化、即插即用的具身测试时缩放框架，通过历史感知的迭代精炼和视觉语言验证器，统一了机器人操作中的推理和动作缩放。它采用推理-动作联合采样和成对评分，并引入历史缓冲区存储上下文，用于推理和动作验证器评估候选。与常规开环TTS不同，E-TTS在采样中引入反馈生成，形成闭环迭代精炼机制。实验在4个基准、6个环境、3个实体和4个基础VLA模型上进行，模拟场景提升33.14%，真实场景提升26.62%，无需额外数据收集或重新训练。
AI模型E-TTS机器人操作测试时缩放
推荐理由：E-TTS团队搞了个新框架，不用重新训练就把机器人操作成功率在模拟中提33%，真实场景提26%，挺实用的。
原文
6月12日
13:46
13:46官方账号arXiv cs.LG@Paul Seij, Christian A. Naesseth, Stephan Mandt, Metod Jazbec
扩散模型在3D分子生成中广泛应用，但缺乏对生成分子质量的可靠信号。研究者提出一种后处理方法，基于拉普拉斯近似对预训练分子扩散模型进行逐样本不确定性估计。该方法通过测量生成轨迹中噪声预测的变异性来评估不确定性，实验表明该分数与样本质量负相关。利用该分数过滤生成样本，可在测试时提升模型性能。
论文扩散模型分子生成不确定性估计
推荐理由：做分子生成或药物设计的团队，终于有了一个能判断生成分子质量好坏的信号，建议试试这个后处理方法，能直接提升模型输出质量。
原文