多模态大语言模型中的对齐研究：一项综合研究
多模态大语言模型（MLLMs）的偏好对齐研究仍相对不足，其幻觉不仅表现为陈述错误事实，还包括生成与图像内容不一致的回复。对齐的一个主要目标是让模型回复更贴合图像信息。
Apple Machine Learning Research
machinelearning.apple.com · 网站与博客
切换来源
全部网站与博客新闻IT Home8852 条Simon Willison356 条OpenAI News317 条TechCrunch · AI275 条The Decoder256 条Hugging Face Blog151 条The Verge · AI148 条Claude Blog140 条elsewhere articles114 条Google Research108 条OpenRouter Announcements103 条Mistral AI88 条Tomer Tunguz82 条Databricks Blog81 条Sierra Blog67 条Anthropic Newsroom65 条Gary Marcus64 条Claude Platform release notes62 条Runway News62 条Gemini API 更新日志60 条LMSYS Blog60 条Manus Blog60 条Together AI Blog60 条Google DeepMind58 条NVIDIA Blog51 条a16z News49 条LangChain Blog48 条Suno Blog48 条ByteByteGo46 条ElevenLabs Blog45 条Apple Machine Learning Research43 条Google Blog: AI41 条Qwen Blog40 条Google Developers Blog35 条Cursor Blog34 条Microsoft AI News32 条Linear Now30 条AWS Machine Learning Blog29 条Google Cloud: Databases29 条Dwarkesh Patel27 条Ars Technica · AI26 条Nathan Lambert: Interconnects25 条Latent Space24 条DeepSeek API updates23 条Sakana AI Blog23 条Anthropic Research21 条Import AI21 条AI as Normal Technology20 条ByteDance Seed Papers17 条MIT Technology Review · AI16 条GitHub Blog · AI & ML12 条MiniMax Blog12 条Meta Engineering11 条Sam Altman Blog11 条Berkeley AI Research10 条Black Forest Labs Blog10 条MarkTechPost10 条Microsoft Research10 条xAI：News9 条Every latest articles7 条Thinking Machines Lab Blog7 条ByteDance Seed Research5 条CMU Machine Learning Blog1 条MarkTechPost · 历史来源114 条xAI News · 历史来源73 条Artificial Intelligence News · 历史来源50 条Claude YouTube · 历史来源42 条Ars Technica: AI · 历史来源18 条GitHub Blog · 历史来源17 条Lilian Weng's Log · 历史来源2 条
43 条AI 相关新闻 · 最新在前
Apple Machine Learning ResearchAI 评分3030
Apple Machine Learning ResearchAI 评分3434 MoMo：用时空动作 tokenization 实现机器人操作中的动作模式调节
Apple 提出 MoMo，一个两阶段模仿学习框架，由时空动作 tokenizer 和行为克隆 Transformer 组成，后者以任务和连续动作模式条件为输入。在六项真实机器人操作任务中，调节该条件可持续改变动作的执行方式。
Apple Machine Learning ResearchAI 评分3131 UMAP 的 kNN 图：用网络科学方法做数据理解
UMAP 内部构建的 kNN 图编码了原始高维空间的数据流形，却常被只关注低维嵌入的常规流程忽略。研究显示，在该图上应用标准图算法可增强数据理解：PageRank 能识别代表性数据点，k-core 分解可揭示稠密区域。