Artículos de Investigación en IA Diarios

Artículos de investigación en IA seleccionados diariamente con traducciones

Informe Técnico de Qwen2-Audio
Qwen2-Audio Technical Report

Yunfei Chu, Jin Xu, Qian Yang, Haojie Wei, Xipin Wei, Zhifang Guo, Yichong Leng, Yuanjun Lv, Jinzheng He, Junyang Lin, Chang Zhou, Jingren Zhou•Jul 15, 2024•607

NeedleBench: ¿Pueden los LLMs realizar recuperación y razonamiento en 1 millón de contextos?
NeedleBench: Can LLMs Do Retrieval and Reasoning in 1 Million Context Window?

Mo Li, Songyang Zhang, Yunxin Liu, Kai Chen•Jul 16, 2024•453

Escalando Transformadores de Difusión a 16 Mil Millones de Parámetros
Scaling Diffusion Transformers to 16 Billion Parameters

Zhengcong Fei, Mingyuan Fan, Changqian Yu, Debang Li, Junshi Huang•Jul 16, 2024•272

Ref-AVS: Referenciar y Segmentar Objetos en Escenas Audiovisuales
Ref-AVS: Refer and Segment Objects in Audio-Visual Scenes

Yaoting Wang, Peiwen Sun, Dongzhan Zhou, Guangyao Li, Honggang Zhang, Di Hu•Jul 15, 2024•255

Sibyl: Marco de Agente Simple pero Efectivo para el Razonamiento Complejo en el Mundo Real
Sibyl: Simple yet Effective Agent Framework for Complex Real-world Reasoning

Yulong Wang, Tianhao Shen, Lifeng Liu, Jian Xie•Jul 15, 2024•184

VLMEvalKit: Un conjunto de herramientas de código abierto para evaluar modelos de gran escala de múltiples modalidades.
VLMEvalKit: An Open-Source Toolkit for Evaluating Large Multi-Modality Models

Haodong Duan, Junming Yang, Yuxuan Qiao, Xinyu Fang, Lin Chen, Yuan Liu, Xiaoyi Dong, Yuhang Zang, Pan Zhang, Jiaqi Wang, Dahua Lin, Kai Chen•Jul 16, 2024•143

DreamCatalyst: Edición 3D rápida y de alta calidad a través del control de la editabilidad y preservación de la identidad.
DreamCatalyst: Fast and High-Quality 3D Editing via Controlling Editability and Identity Preservation

Jiwook Kim, Seonho Lee, Jaeyo Shin, Jiho Choi, Hyunjung Shim•Jul 16, 2024•122

Animate3D: Animating Any 3D Model with Multi-view Video Diffusion

Yanqin Jiang, Chaohui Yu, Chenjie Cao, Fan Wang, Weiming Hu, Jin Gao•Jul 16, 2024•102

Entrenamiento Eficiente con Pesos Neuronales Des ruidizados
Efficient Training with Denoised Neural Weights

Yifan Gong, Zheng Zhan, Yanyu Li, Yerlan Idelbayev, Andrey Zharkov, Kfir Aberman, Sergey Tulyakov, Yanzhi Wang, Jian Ren•Jul 16, 2024•93

FIRE: Un conjunto de datos para la integración de retroalimentación y evaluación de refinamiento de modelos multimodales.
FIRE: A Dataset for Feedback Integration and Refinement Evaluation of Multimodal Models

Pengxiang Li, Zhi Gao, Bofei Zhang, Tao Yuan, Yuwei Wu, Mehrtash Harandi, Yunde Jia, Song-Chun Zhu, Qing Li•Jul 16, 2024•92

YouTube-SL-25: Un corpus paralelo de lenguaje de señas multilingüe a gran escala de dominio abierto.
YouTube-SL-25: A Large-Scale, Open-Domain Multilingual Sign Language Parallel Corpus

Garrett Tanzer, Biao Zhang•Jul 15, 2024•94

EfficientQAT: Entrenamiento Eficiente Consciente de la Cuantización para Modelos de Lenguaje Grandes
EfficientQAT: Efficient Quantization-Aware Training for Large Language Models

Mengzhao Chen, Wenqi Shao, Peng Xu, Jiahao Wang, Peng Gao, Kaipeng Zhang, Yu Qiao, Ping Luo•Jul 10, 2024•93

De GaLore a WeLore: Cómo los pesos de baja jerarquía emergen de forma no uniforme a partir de gradientes de baja jerarquía.
From GaLore to WeLore: How Low-Rank Weights Non-uniformly Emerge from Low-Rank Gradients

Ajay Jaiswal, Lu Yin, Zhenyu Zhang, Shiwei Liu, Jiawei Zhao, Yuandong Tian, Zhangyang Wang•Jul 15, 2024•82

OmniBind: Representación multimodal omni a gran escala a través de espacios de unión
OmniBind: Large-scale Omni Multimodal Representation via Binding Spaces

Zehan Wang, Ziang Zhang, Hang Zhang, Luping Liu, Rongjie Huang, Xize Cheng, Hengshuang Zhao, Zhou Zhao•Jul 16, 2024•73

Agarre de Objetos Diversos con Humanoides Simulados
Grasping Diverse Objects with Simulated Humanoids

Zhengyi Luo, Jinkun Cao, Sammy Christen, Alexander Winkler, Kris Kitani, Weipeng Xu•Jul 16, 2024•52

Vibravox: un conjunto de datos de habla en francés capturado con sensores de audio de conducción corporal.
Vibravox: A Dataset of French Speech Captured with Body-conduction Audio Sensors

Julien Hauret, Malo Olivier, Thomas Joubaud, Christophe Langrenne, Sarah Poirée, Véronique Zimpfer, Éric Bavu•Jul 16, 2024•42

Data-Juicer Sandbox: Un conjunto integral para el desarrollo conjunto de datos y modelos multimodales
Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development

Daoyuan Chen, Haibin Wang, Yilun Huang, Ce Ge, Yaliang Li, Bolin Ding, Jingren Zhou•Jul 16, 2024•42

Click-Gaussiano: Segmentación Interactiva hacia Cualquier Gaussiana 3D
Click-Gaussian: Interactive Segmentation to Any 3D Gaussians

Seokhun Choi, Hyeonseop Song, Jaechul Kim, Taehyeong Kim, Hoseok Do•Jul 16, 2024•33

La Incertidumbre es Frágil: Manipulando la Incertidumbre en Modelos de Lenguaje Grandes
Uncertainty is Fragile: Manipulating Uncertainty in Large Language Models

Qingcheng Zeng, Mingyu Jin, Qinkai Yu, Zhenting Wang, Wenyue Hua, Zihao Zhou, Guangyan Sun, Yanda Meng, Shiqing Ma, Qifan Wang, Felix Juefei-Xu, Kaize Ding, Fan Yang, Ruixiang Tang, Yongfeng Zhang•Jul 15, 2024•12