我想实现“阅读消息功能”，例如Facebook、iMessage、WhatsApp等。如果接收者已阅读消息，发件人将收到其他人已阅读消息的通知。xMPP中是否有针对此功能的任何协议(protocol)？如果发件人发送消息并且成功传递，则存在xmpp协议(protocol)。从链接得到它:HowtogetthemessagedelivarystatususingXMPPframework以下是获取送货报告的代码。XMPPMessageDeliveryReceipts*xmppMessageDeliveryRecipts=[[XMPPMessageDeliveryReceiptsalloc

IT之家 1月19日消息，微软近日发布新闻稿，宣布面向学生群体，推出全新的生成式AI工具“阅读教练”（ReadingCoach），通过个性化和有吸引力的练习，帮助学习者提高阅读能力。微软表示ReadingCoach会免费提供，用户只需要登录微软账号，就能在课堂或者家中使用。ReadingCoach此前是MicrosoftTeams的一项功能，主要为学习者提供定制的阅读练习，以及发音和流利程度方面的即时反馈，同时还能让教育者了解他们的学习进度。微软现在将其从Teams中分拆出来，作为独立应用提供，并进一步丰富其功能，让学习者从精心挑选的选项中选择人物和场景，创建自己的人工智能故事。人工智能生成的

一.前言选题背景：中学生的课外阅读对于他们的综合素质和学业发展具有重要意义。然而，当前中学课外阅读记录系统存在一些问题，如记录不规范、信息不全面等，导致学生的阅读成果无法真实地反映出来。因此，开发一个微信小程序的中学课外阅读记录系统具有迫切的需求。意义：首先，微信小程序的中学课外阅读记录系统可以提供一个便捷的平台，让学生能够方便地记录自己的阅读内容和心得体会。通过这个系统，学生可以随时随地记录自己的阅读进度和感悟，不再受限于传统的纸质记录方式。其次，该系统还可以为教师提供一个更加全面和准确的了解学生阅读情况的途径。教师可以通过系统查看学生的阅读记录，了解学生的阅读兴趣、阅读量以及阅读效果，从而

Yang,S.,Liu,J.,Zhang,R.,Pan,M.,Guo,Z.,Li,X.,Chen,Z.,Gao,P.,Guo,Y.,&Zhang,S.(2023).LiDAR-LLM:ExploringthePotentialofLargeLanguageModelsfor3DLiDARUnderstanding.InarXiv[cs.CV].arXiv.http://arxiv.org/abs/2312.14074最近，大型语言模型（LLMs）和多模态大型语言模型（MLLMs）在指令跟随和2D图像理解方面表现出了潜力。虽然这些模型很强大，但它们尚未被开发成能够理解更具挑战性的3D物理场景，特

指令微调的局限性指令微调对于训练llm的能力至关重要，而模型的有用性在很大程度上取决于我们从小指令数据集中获得最大信息的能力。在本文中，我们提出在微调正向传递的过程中，在训练数据的嵌入向量中添加随机噪声，论文实验显示这个简单的技巧可以提高指令微调的效果，通常有很大的优势，而不需要额外的计算或数据开销。NEFTune虽然简单，但对下游的会话质量有很大的影响。当像LLaMA-2-7B这样的原始LLM被噪声嵌入所微调时，AlpacaEval从29.8%提高到64.7%（图1），令人印象深刻地提高了约35个百分点。NEFTune可以实现在会话任务上惊人的性能跳跃，同时在事实问题回答基线上保持性能，这种

我已经在主题1上向Kafka发出了5条消息，并成功地消费了它们。当我发送第六条消息并尝试消费时，我再次收到所有6条消息，而不是最新的（第六个）消息。请注意，我正在运行消费者命令行，而不是数据库连接器（访问模块）。连接器的配置属性auto.offset.reset设置为“最大”。（请参阅下面的日志中的所有配置属性）另外，请参阅下面的OffsetChecker输出：bin/kafka-run-class.shkafka.tools.ConsumerOffsetChecker\--grouptestjob--zookeeperlocalhost:2181--topictopic1[2017-07-0

多模态大模型-CogVLm论文阅读笔记COGVLM:VISUALEXPERTFORLARGELANGUAGEMODELS论文地址:https://arxiv.org/pdf/2311.03079.pdfcode地址:https://github.com/THUDM/CogVLM时间:2023-11机构:zhipuai,tsinghua关键词:visuallanguagemodel效果:（2023-11）:CogVLM-17Bachievesstate-of-the-artperformanceon10classiccross-modalbenchmarks,includingNoCaps,Fl

OmniSense:TowardsEdge-AssistedOnlineAnalyticsfor360-DegreeVideosAbstractOmniSense是第一个特别关注实际系统效率的边缘辅助的低延迟和高精度的在线360°视频分析框架，解决了计算和网络资源的挑战。主要实现了以下几方面内容：通过轻量级的球形感兴趣区域(SRoI)预测方法，修剪360°视频帧的冗余信息结合视频内容和网络动态性智能选择视觉模型分析SRoI，优化资源利用率由现有的视觉模型提供支持，不需要设计和重新训练现有模型Introduction360°视频是球面图像，投影到2D平面实现存储和传输。现有的模型大多针对2D透视

[论文地址][代码][MICCAI23]Abstract息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。由于能够有效捕获多尺度上下文信息，普遍采用类似UNet的编码器-解码器框架。然而，两个主要限制阻碍了网络实现有效的特征传播和聚合。首先，跳跃连接仅将单个尺度特征传输到解码器，这可能导致特征表示有限。其次，特征在没有任何信息过滤器的情况下被传输，这对于在解码器处执行特征融合来说效率低下。为了解决这些限制，我们提出了一种新颖的特征增强网络，它利用特征传播增强和特征聚合增强模块来实现更有效的特征融合和多尺度特征传播。具体来说，特征传播增强模块将所有编码器提取的特征图从编码器传输到解码器，而特

ChaoZhang,AngelaBonifati,andM.TamerÖzsu.2023.AnOverviewofReachabilityIndexesonGraphs.InCompanionofthe2023InternationalConferenceonManagementofData(SIGMOD'23).AssociationforComputingMachinery,NewYork,NY,USA,61–68.https://doi.org/10.1145/3555041.3589408ABSTRACT图一直是建模实体和它们之间的关系的自然选择。最基本的图处理运算符之一是可达性查询，