2023一年又过去，这一年，AI圈子以一种“狂飙突进”的速度飞速发展，哪怕在这个领域深耕多年的学者们也开始感叹“从没有见过哪个领域在哪一年如同AI领域在2023年这样如此飞速的发展与不断的进化”，毫无疑问，这一年AI，尤其是大模型的爆发将会深刻影响未来我们生活的方方面面。 抱着年终总结，也是对过去的2023这一里程碑式的一年回顾与展望的态度，来自AheadAI的SebastianRaschka博士为我们带来了2023年最值得大家关注，也是最有影响力的十篇AI论文，这里我们就和大家一起，用这十篇工作再次为2023年写下一段注脚（十篇论文不分先后）一、Pythia—大模型该如何训练？ 来自
Wholeslideimagesclassificationmodelbasedonself-learningsampling论文介绍摘要引言相关工作方法问题定义模型结构特征提取自学习采样模块基于Transformer的特征编码损失函数实验分析和结论总结论文介绍这是一篇发表在BSPC(BiomedicalSignalProcessingandControl)上的关于WSI分类的文章，作者是上海科技大学的学生/老师。论文链接为：https://www.sciencedirect.com/science/article/pii/S1746809423012594代码：暂未开源摘要深度学习与计算病理
我在我的项目中创建了一个数据模型文件“ChatModel.xcdatamodeld”。然后我在github上merge了分支。“project.pbxproj”中存在冲突。我修好了。然后错误发生了:"/Users/mac/zhongqing-ios/Zhongqing/Zhongqing/Model/ChatModel.xcdatamodeld:Couldnotcreatebundlefolderforversionedmodelat'/Users/mac/Library/Developer/Xcode/DerivedData/Zhongqing-chngcirectbawjenegk
论文解读：Siren’sSongintheAIOcean:ASurveyonHallucinationinLargeLanguageModels核心要点针对大模型幻觉问题进行综述，从detection、explanation和mitigation三个方面进行介绍；对幻觉现象和评估基准进行归纳，分析现有的缓解幻觉的方法，讨论未来潜在的研究发展相关文献整理：https://github.com/HillZhang1999/llm-hallucination-survey一、什么是大模型的幻觉大模型幻觉的三种类型：生成的内容与输入存在冲突：Input-conflictinghallucination
原文链接：https://arxiv.org/abs/2312.090821.引言目前的3D目标检测一来传感器的校准信息。这种情况下，校准信息需要及其精确，但在产品尺度上，获取高质量校准信息是很困难的（需要逐传感器校准，且运行过程中可能会变化）。本文基于Transformer，提出无需校准信息的传感器融合方法。3.方法从基于Transformer的方法中直接移除校准信息会导致训练困难。3.1TransFuseDet本文的模型包含融合编码器、上采样和任务头。使用两个ResNet分别编码激光雷达和相机的特征，然后在不同特征尺度上使用Transformer融合，类似TransFuser。但不同的是，
论文题目：RethinkingAttention:ExploringShallowFeed-ForwardNeuralNetworksasanAlternativetoAttentionLayersinTransformers论文链接： https://arxiv.org/abs/2311.10642代码仓库： GitHub-vulus98/Rethinking-attention:Myimplementationoftheoriginaltransformermodel(Vaswanietal.).I'veadditionallyincludedtheplayground.pyfilefor
本文经自动驾驶之心公众号授权转载，转载请联系出处。简介NCSN（NoiseConditionalScoreNetworks）来自于宋飏博士发表在NeurIPS2019上面的文章“GenerativeModelingbyEstimatingGradientsoftheDataDistribution”，也是推动扩散模型领域兴起的重要工作之一，比DDPM发表的还要早。这篇工作提出了基于“score”的生成式模型，和DDPM扩散模型有着千丝万缕的联系，后面宋飏博士发表中ICLR2021上的另一篇工作将NCSN和DDPM在SDE视角下进行了很好的统一。宋飏博士在博客中提到，score-basedgen
题目FederatedLargeLanguageModel:APositionPaper作者ChaochaoChen,XiaohuaFeng,JunZhou,JianweiYin,XiaolinZheng来源arXiv主要工作FL与LLM结合的一个探索，从三个阶段来说明FL怎么和LLM结合其他摘要大规模语言模型（LLM）受到了广泛的关注，并应用在各个领域，但它们在现实场景中的发展面临挑战。这些挑战源于公共领域数据稀缺以及在私有领域数据方面需要维护隐私。为了解决这些问题，联邦学习（FL）已成为一项有前景的技术，它能够在保留分散数据的同时实现共同训练共享模型。我们提出了联邦大规模语言模型的概念，其
Python解决方案：transformers模块没有LLaMATokenizer属性在使用transformers模块时，有可能会出现“AttributeError:moduletransformershasnoattributeLLaMATokenizer”这样的错误提示。这种错误通常是由于transformers版本太低或者缺少某些依赖库导致的。下面是一种解决方案。首先，我们需要升级transformers模块的版本。可以使用以下命令来完成：pipinstall--upgradetransformers升级完成后，我们需要安装LLaMA依赖库。可以使用以下命令来完成：pipinstall
一个关于核心数据模型的小问题。这就是我发帖的原因:+entityForName:在此模型中找不到名为“Dogs”的实体。我想做什么:我想创建一个应用程序，该应用程序将读取/写入有关具有2个实体Cats和Dogs的动物的核心数据详细信息。-为此，我创建了一个基于窗口的项目，并选中了“使用核心数据”。-然后我创建我的View，并单击“animals.xcdatamodeld”文件以创建第一个名为Cats的实体。我添加属性，生成类“cats.h”和“cats.m”。-我写下了在该实体上读写的代码=>没问题，一切正常。此时我犯了一个错误，手动删除了文件“animals.xcdatamodeld
