传神论文中心｜第9期人工智能领域论文推荐

在人工智能领域的快速发展中，我们不断看到令人振奋的技术进步和创新。近期，开放传神（OpenCSG）社区发现了一些值得关注的成就。全新的chatgpt-4o的到来开启了全新的AI时代，传神社区本周也为对AI和大模型感兴趣的读者们提供了一些值得一读的研究工作的简要概述以及它们各自的论文推荐链接。

01 GPT-4o

传神社区注意到这篇文章中有以下亮点:GPT-4o 是最新推出的多模态推理模型，具备实时处理音频、视觉和文本的能力。它可以接受文本、音频、图像和视频的任意组合输入，并生成相应的文本、音频和图像输出。GPT-4o 的性能媲美 GPT-4 Turbo，但速度提升了 50%，成本更低，非常适合通过 API 接口进行高效部署。

论文推荐链接：

https://opencsg.com/daily_papers/Gwb5LgWG6NTn

02 Gemini 1.5 Flash

传神社区注意到这篇文章中有以下亮点：Gemini 1.5 Flash 是一款轻量级的 Transformer 解码器模型，具有 2M 上下文窗口和多模态能力。该模型设计高效，并在多种语言评估中实现了最快的输出生成速度。总体而言，Gemini 1.5 Flash 的性能明显优于 Gemini 1.0 Pro，并在多个基准测试中表现出与 1.0 Ultra 相似的卓越水平。

论文推荐链接：

https://opencsg.com/daily_papers/zrp1Eh4VCg4i

 

03 Veo

传神社区注意到这篇文章中有以下亮点：Veo 是 Google Deepmind 最具能力的视频生成模型，能够生成高质量、1080p 分辨率的视频超过 1 分钟；支持对视频进行遮蔽编辑，还可以根据输入的图像和文本生成视频；该模型可以将视频片段延长至 60 秒以上，并保持与其潜在扩散变换的一致性。

论文推荐链接：

https://https://opencsg.com/daily_papers/DoXKpXis3K5N

04 Chameleon

传神社区注意到这篇文章中有以下亮点：Chameleon 是一系列基于令牌的混合模态模型，可以以任意顺序生成图像和文本。据报道，在图像字幕生成方面表现出最先进的性能，且在纯文本任务中胜过 Llama 2，同时与 Mixtral 8x7B 和 Gemini-Pro 保持竞争力；在新的长篇混合模态生成评估中，超过了 Gemini Pro 和 GPT-4V 的性能。

论文推荐链接：

https://opencsg.com/daily_papers/VVQatZkkFJMR

05 Fine-tuning and Hallucinations

传神社区注意到这篇文章中有以下亮点：这项研究探讨了对大型语言模型进行微调对其产生虚构性的影响。通过微调引入新知识的例子，研究表明大型语言模型在通过微调获得新事实知识方面存在挑战，并发现随着新知识的学习，模型产生虚构性的倾向也增加。

论文推荐链接：

https://opencsg.com/daily_papers/a4MXaFqUGUJh

06 Zero-shot Tokenizer Transfer

传神社区注意到这篇文章中有以下亮点：Zero-shot Tokenizer Transfer 是一种创新方法，通过训练超网络，以分词器作为输入来预测相应的嵌入。该方法在处理编码器和解码器大型语言模型时展示了对新分词器的良好泛化能力。在跨语言和编码任务中，其性能接近原始模型的表现，同时减少了分词序列的长度。

论文推荐链接：

https://opencsg.com/daily_papers/4MTWmqjvnHfp

07 WavCraft

传神社区注意到这篇文章中有以下亮点：WavCraft 是一款利用大型语言模型（LLMs）连接任务特定模型进行音频内容创作和编辑的工具。它能够将用户的指令分解为多个任务，并通过特定模块协同处理每个任务，使用户无需明确指令即可互动并生成音频内容。

论文推荐链接：

https://opencsg.com/daily_papers/2TZtPGsjqWXA

08 RLHF Workflow

传神社区注意到这篇文章中有以下亮点：RLHF Workflow 提供了一种易于复现的在线迭代RLHF（通过人类反馈进行强化学习）流程。它不仅讨论了在线迭代RLHF的理论见解和算法原理，还涵盖了实际的实现方法，适合研究人员和开发者应用于各种强化学习任务。

论文推荐链接：

https://opencsg.com/daily_papers/EX6sKoJYxn7u

09 You Only Cache Once

传神社区注意到这篇文章中有以下亮点：You Only Cache Once 是一种高效的解码器-解码器大型语言模型架构，通过只缓存一次键值对，实现了显著的GPU内存使用减少，同时不牺牲模型性能。该方法在扩展模型规模和增加训练数据量的各种设置中表现出与Transformer相当的性能。

论文推荐链接：

https://opencsg.com/daily_papers/Qa4Xj29hUPdv

10 CAT3D

传神社区注意到这篇文章中有以下亮点：CAT3D 是一种创新方法，通过多视图扩散模型模拟真实世界捕捉过程来创建任何3D场景。它能够生成场景的一致新视图，这些视图可用于3D重建技术，以实时渲染3D表示。CAT3D 可以在不到一分钟的时间内生成场景，并且在单图像和少视图3D场景创建任务上表现优于现有方法。

论文推荐链接：

https://opencsg.com/daily_papers/3rsxJbRvt2ek

欢迎加入传神社区

•贡献代码，与我们一同共建更好的OpenCSG

•Github主页

欢迎🌟：https:// github.com/opencsg

•Huggingface主页

欢迎下载:https://huggingface.co/opencsg

•加入我们的用户交流群，分享经验

扫描上方二维码添加传神小助手

---

“      关于OpenCSG

开放传神（OpenCSG）成立于2023年，是一家致力于大模型生态社区建设，汇集人工智能行业上下游企业链共同为大模型在垂直行业的应用提供解决方案和工具平台的公司。

关注OpenCSG

加入传神社区