AITOP

零样本

共 10 条相关 AI 资讯
8月12日
01:45
7月10日
16:01
16:01官方一手pandaily@contact@pandaily.com (Pandaily)
Jiying 2.0-s物理基础模型实现了对未见几何形状、新材料和不同边界条件的零样本泛化，在工程仿真中无需重新训练即可适用多种工况。该模型基于极影科技自研框架，首次在固体力学领域达到跨设置零样本推理能力。基准测试显示其在位移场和应力场预测上优于传统数值方法。
AI模型Jiying 2.0-s极影科技物理基础模型
推荐理由：极影科技搞出了首个能零样本泛化的固体力学模型Jiying 2.0-s，不用针对每种新几何新材料重新训练，直接推理结果，搞仿真的可以看看。
原文
7月2日
14:00
14:00AI Will@FinanceYF5
73°
Google Research 发布了 TabFM，一个专门针对表格数据的基础模型。该模型支持零样本预测，无需训练、调参或特征工程。TabFM 直接输出预测结果，大幅降低使用门槛。目前该推文获得 388 次查看。
AI模型TabFMGoogle Research基础模型
事件专题
推荐理由：如果你厌倦了 XGBoost 调参，TabFM 不用训练直接预测，省时省力，适合表格数据任务。
原文
12:30
12:30官方账号arXiv cs.LG@Patrick Podest, Marco Pichler, Elias Bürger, Levente Zólyomi, Bernhard Voggenberger, Wilhelm Berghammer, Daniel Klotz, Sebastian Böck, Günter Klambauer, Sepp Hochreiter
TiRex-2是基于xLSTM的循环时间序列基础模型，将单变量TiRex扩展到多变量预测，支持未来已知协变量。它采用双向时间混合器和非对称分组注意力变体混合器，保持严格因果性。在GIFT-Eval和fev-bench上取得零样本SOTA性能。相比Transformer，流式处理时每块计算成本恒定，无需全历史重算。模型单变量模式有38.4M活跃参数，多变量模式额外激活44.1M参数。
AI模型TiRex-2xLSTM时间序列基础模型
推荐理由：TiRex-2是首个同时支持多变量流式预测和已知未来协变量的时间序列基础模型，零样本刷新GIFT-Eval和fev-bench榜单，每步计算量不变。做在线时序预测的朋友可以看看。
原文
6月28日
12:39
6月17日
10:46
10:46官方账号arXiv cs.AI@Qi Chai, Wenhao Shen, Nanjie Yao, Yue Xia, Kaiyong Zhao, Jie Ma, Guosheng Lin, Hao Wang
EvolveNav 提出了一种自演化框架，用于零样本物体目标导航，无需预先训练。该方法通过构建代理规则记忆，从过往轨迹中提取可操作知识，并采用基于上置信界（UCB）的检索策略平衡语义相关性和历史成功率。还引入了记忆引导的前置反思模块，在行动前预测潜在结果，减少低效探索。实验表明，EvolveNav 在多个基准上超越现有零样本基线，成功率提升 10.1%，同时减少了不必要的步骤。
论文EvolveNav零样本物体导航
推荐理由：这篇论文搞了个EvolveNav，让机器人自己从失败中学习，零样本导航成功率直接涨了10%，而且没走那么多冤枉路。
原文
6月16日
11:45
11:45官方账号arXiv cs.AI@Aniq Ahmad, Heather Bedle, Ahmad Mustafa
本文提出一个零样本框架，将Segment Anything Model (SAM)用于地震解释，无需微调。框架包括两个组件：1) 根据地质目标对齐地震属性与可视化（如色图）；2) 混合提示策略，结合稀疏用户定义点提示与SAM内部特征激活生成的稠密掩码提示。在多个地质目标、数据集和提示配置下评估，发现地质目标感知的属性选择与混合提示可提升边界描绘和分割精度。结果表明，零样本SAM能达到有竞争力的分割性能，减少对标注数据的依赖。
论文SAM地震解释零样本
推荐理由：这篇论文教你如何在不微调的情况下用SAM做地震图分割，用混合提示和属性选择就能提升效果，挺实用的。
原文
6月8日
10:40
10:40官方账号arXiv cs.LG@Lorenzo Longarini, Alessandro Rongoni, Simone Silenzi, Emanuele Frontoni, Riccardo Rosati
精选
光伏电站在投运初期缺乏历史观测数据，导致标准监督预测方法无法直接使用。研究者提出一种零样本流程，利用电站元数据和气象协变量生成合成生产历史，使时间序列基础模型（TSFMs）能够通过推理时条件进行预测。在440个光伏站点、四个数据集和多种气候条件下，五种TSFMs与经典基线对比，协变量感知模型性能提升约1.7-2倍，其中TabPFN-TS在真实反馈策略下误差最低（MAE 0.514），Chronos-2在自预测反馈策略下最鲁棒。合成历史来源对性能影响不大，表明合理的时序上下文比具体生成器更重要。
论文时间序列基础模型光伏预测冷启动
推荐理由：光伏运维团队终于有了冷启动预测的实用方案——无需历史数据即可用基础模型实现高精度预测，做新能源发电预测的开发者可以直接参考TabPFN-TS和Chronos-2的表现。
原文
6月7日
08:47
08:47AI Will@FinanceYF5
Claude Mythos 尚未正式发布，但已有用户提前体验并分享了惊人效果。该用户仅用零样本（zero-shot）和极低提示词，就生成了4个高质量的 Minecraft 风格城堡场景。他评价这是自2025年10月 Gemini A/B 模型以来见过的最佳输出。这一消息引发社区对 Claude Mythos 图像生成能力的强烈期待。
AI产品Claude Mythos图像生成Minecraft
推荐理由：Mythos 的零样本生成能力让 Minecraft 风格场景的创作门槛大幅降低，做游戏资产或概念设计的创作者值得关注，可以直接期待正式发布后的效果。
原文
5月11日
11:42
11:42官方账号arXiv cs.LG（学术论文）
70°
想象语音解码因缺乏高标签对齐的数据而困难。研究者利用聆听语音时更丰富、可靠的MEG记录，提出三阶段解码流水线。首先训练模型将想象MEG映射到聆听MEG，再用聆听数据训练对比词解码器，最后将想象MEG经映射后解码。实验对未见过受试者证明想象单词解码显著高于随机，且性能随训练数据规模提升。该方法无需想象数据训练，为脑机接口提供可扩展的零样本方案。
论文脑机接口MEG语音解码
推荐理由：该工作展示了利用聆听数据隐式迁移到想象任务的可能性，缓解了想象数据稀缺的问题。可直接推动非侵入式BCI在语言辅助领域的实际应用。
原文