Hugging Face Hub推出了新的基准数据集，名为Anime Bench，该数据集包含有关各种动漫角色以及引用的事实，旨在评估语言模型的性能。该数据集包含了来自动漫作品的超过10,000个引用，可以用于测试语言模型的能力，评...

对于视觉转换器(ViTs)的显著进展，研究人员使用一种新的自我涌现令牌标记(STL)框架，提高了完全注意力网络(FAN)模型的鲁棒性。这种方法涉及训练FAN令牌标记器来创建有意义的补丁令牌标记，然后训练FAN学生模型。

谷歌研究人员提出了一种名为Self-Play Preference Optimization (SPO) 的自我对弈优化算法。该算法相比传统的强化学习对齐方式更加简单。研究人员运用博弈论，找到了对噪声干扰鲁棒性强、性能表现优异的单人自我对弈...

ODTrack是一个新的视频追踪系统，改进了我们在视频中跟踪物体的方式。与老旧系统在连接过去和未来的视频帧时存在困难不同，ODTrack使用一种称为'在线令牌传播'的方法来更好地连接连续的视频帧。通过这种方法，ODTrac...

我们推出了一种多模式视觉提示跟踪模型，通过动态利用各种模态（如RGB和红外线）的优势，克服了单模式物体跟踪的局限性。该模型可适应各种环境下的跟踪任务，具有较高的跟踪精度和鲁棒性。

Giskard是一个开源的测试框架，用于测试从表格到LLMs的机器学习模型。它通过检查模型的输出和真实值之间的差异来评估模型的性能。Giskard不仅可以测试模型的预测能力，还可以测量它的稳定性、可解释性和鲁棒性。Gisk...

这个项目介绍了BenchLMM，一个专门设计用于测试GPT-4V和LLaVA等大型多模态模型对各种图像样式的鲁棒性的基准。

IMMA是一种新技术，可以为文本转图模型提供保护，以防止被恶意适应生成有害内容。IMMA是一种基于信息瓶颈原理的技术，可以将文本编码为低维向量，然后将其与图像编码结合起来，以生成所需的图像。此技术不仅可以防止...