NeurIPS 2025 最佳论文奖公布!Qwen团队/清华大学/斯坦福等联合研究成果入选

2025_NIPS_Bifrost-1: Bridging Multimodal LLMs and Diffusion Models with Patch-level CLIP Latents 近年来,将高保真视觉合成能力融入大型语言模型(LLMs)同时不损害其强大推理能力的研究备受关注。现有直接训练 LLM 或桥接 LLM 与扩散模型的方法通常面临高昂的训练成本,因为骨干 LLM 在预训练阶段并未接触过图像表示。本文提出 BIFROST-1,这是一种统一框架,通过补丁级 CLIP 图像嵌入作为潜在变量来桥接预训练多模态 LLM(MLLMs)与扩散模型,这些潜在变量与 MLLM 的 CLIP 视觉编码器原生对齐。 阅读详情

NeurIPS 2025 的最佳论文奖和亚军论文奖授予了 7 篇具有突破性的论文,包括 4 篇最佳论文(其中一篇来自数据集和基准测试领域)和 3 篇亚军论文。

这 7 篇论文重点介绍了扩散模型理论、自监督强化学习、大型语言模型的注意力机制、语言模型的推理能力、在线学习理论、神经缩放定律以及语言模型多样性基准测试方法等方面的最新进展。

4 篇最佳论文

1.人工智能群智:语言模型的开放式同质性(及其延伸)

题目:Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)

  • 研究团队: 华盛顿大学、卡内基梅隆大学、艾伦人工智能研究所、Lila Sciences 、斯坦福大学

  • 摘要:大型语言模型(LM)通常难以生成多样化、类人的创意内容,这引发了人们对人类思维因反复接触相似输出而长期趋于同质化的担忧。然而,目前用于评估语言模型输出多样性的可扩展方法仍然有限,尤其是在随机数或姓名生成等狭窄任务之外,或者在对单个模型进行重复采样之外。

为了弥补这一不足,我们推出了 Infinity-Chat,这是一个包含 2.6 万个多样化、真实世界、开放式用户查询的大规模数据集,这些查询允许存在多种合理的答案,而没有单一的“标准答案”。我们首次提出了一个全面的分类体系,用于描述向语言模型提出的所有开放式提示,该体系包含 6 个顶级类别(例如,创意内容生成、头脑风暴和构思),每个类别又细分为 17 个子类别。

我们利用 Infinity-Chat 平台,对语言模型(LM)中的模式崩溃现象进行了大规模研究,揭示了开放式语言模型生成过程中显著的“人工蜂巢思维”效应。该效应表现为:(1) 模型内部重复性,即单个模型持续生成相似的响应;(2) 模型间同质性,即不同模型产生惊人相似的输出。Infinity-Chat 平台还包含 31,250 条人工标注,涵盖绝对评分和成对偏好,每个示例均有 25 条独立的人工标注。这使得我们能够研究针对开放式查询的集体和个体人类偏好。我们的研究结果表明,尽管保持了相当的整体质量,但对于引发不同标注者个性化偏好的模型生成,最先进的语言模型、奖励模型和语言模型评判者与人类评分的匹配度较低。总体而言,INFINITY-CHAT 提供了第一个大规模资源,用于系统地研究现实世界中对语言模型的开放式查询,揭示了关键见解,以指导未来的研究,从而减轻人工智能群体思维带来的长期人工智能安全风险。

2.门控注意力机制在大型语言模型中的应用:非线性、稀疏性与无注意力汇聚

题目:Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free

  • 研究团队:阿里巴巴 Qwen 团队、爱丁堡大学、斯坦福大学、麻省理工学院、清华大学

  • 摘要:从早期的 LSTM 和 Highway Networks 等模型到近期的状态空间模型、线性注意力机制以及 softmax 注意力机制,门控机制已被广泛应用。然而,现有文献很少研究门控机制的具体效果。本文通过一系列全面的实验,系统地研究了门控增强的 softmax 注意力机制变体。具体而言,我们对 30 种变体进行了全面比较,这些变体包含 150 亿个混合专家 (MoE) 模型和 17 亿个密集模型,均在 3.5 万亿个 token 的数据集上训练而成。我们的主要发现是,一个简单的改进——在缩放点积注意力 (SDPA) 之后应用一个针对特定头部的 sigmoid 门控——能够持续提升模型性能。此外,该改进还增强了训练稳定性,提高了模型对学习率的容忍度,并改善了模型的扩展性。通过比较不同的门控位置和计算变体,我们将这种有效性归因于两个关键因素:(1) 在softmax注意力机制的低秩映射中引入非线性,以及 (2) 应用查询相关的稀疏门控分数来调节SDPA输出。值得注意的是,我们发现这种稀疏门控机制可以缓解大规模激活和注意力陷阱,并提高长上下文外推性能。我们还发布了相关代码和模型,以促进未来的研究。此外,最有效的SDPA输出门控已应用于Qwen3-Next模型。

  • 论文地址:https://go.hyper.ai/iBANK

  • Github 地址:https://github.com/qiuzh20/gated_attention

3.千层网络在自监督强化学习中的应用:深度扩展可赋予全新目标达成能力

1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities

  • 研究团队:普林斯顿大学、华沙理工大学

  • 摘要:自监督学习的规模化应用已在语言和视觉领域取得了突破性进展,但在强化学习(RL)领域却鲜有类似进展。本文研究了自监督强化学习的构建模块,这些模块能够显著提升可扩展性,其中网络深度是关键因素。近年来大多数强化学习论文都依赖于浅层架构(约2-5层),而我们证明,将深度增加到1024层可以显著提升性能。我们的实验在无监督目标条件化环境下进行,不提供任何示范或奖励,因此智能体必须从零开始探索并学习如何最大化达成目标的可能性。在模拟的运动和操作任务上进行评估后,我们的方法在自监督对比强化学习算法上的性能提升了±倍,优于其他目标条件化基线方法。增加模型深度不仅提高了成功率,而且从根本上改变了学习到的行为。

  • 论文地址:https://go.hyper.ai/HR0Hx

4.扩散模型为何不会死记硬背:隐式动态正则化在训练中的作用

Why Diffusion Models Don’t Memorize: The Role of Implicit Dynamical Regularization in Training

  • 研究团队:巴黎文理大学(Université PSL)、博科尼大学

  • 摘要扩散:模型在各类生成任务中取得了显著成功。关键挑战在于理解其避免训练数据记忆化并实现泛化的机制。本研究探讨了训练动力学在泛化向记忆化过渡过程中的作用。通过大量实验与理论分析,我们识别出两个截然不同的时间尺度:早期阶段模型开始生成高质量样本,后期阶段则出现记忆化现象。关键发现在于:早期阶段随训练集规模线性增长,而后期阶段保持恒定。这形成了训练时间的渐进窗口——在此期间模型能有效泛化,但若训练持续至后期阶段则会出现强烈记忆化。唯有当该时间尺度超过模型特有的阈值时,过拟合现象才会在无限训练时间下消失。这些发现揭示了训练动态中存在隐式动态正则化机制,即使在高度过参数化的设置下也能避免记忆化。我们的结论通过标准U-Net架构在真实与合成数据集上的数值实验得到验证,并借助高维极限下可处理的随机特征模型理论分析予以支持。

  • 论文地址:https://go.hyper.ai/UloDv

亚军

1.强化学习真的能激励逻辑学习模型在基础模型之外提升推理能力吗?

题目:Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?

  • 团队:清华大学 LeapLab 实验室、上海交通大学

  • 摘要:近年来,基于可验证奖励的强化学习(RLVR)在提升大型语言模型(LLM)的推理性能方面取得了显著成效,尤其是在数学和编程任务中。人们普遍认为,与传统强化学习帮助智能体探索和学习新策略类似,RLVR 使 LLM 能够持续自我改进,从而获得超越相应基础模型能力的全新推理能力。本研究通过系统地探究 RLVR 训练的 LLM 在不同模型族、强化学习算法以及数学/编程/视觉推理基准测试中的推理能力边界,并对 RLVR 的现状进行了深入分析。

我们使用大 k 值下的 pass@k 指标作为评估指标。研究发现,虽然 RLVR 提高了对正确路径的采样效率,但令人惊讶的是,当前的训练方法并未产生根本性的全新推理模式。我们观察到,虽然在较小的值(例如,=1)下,RLVR 训练的模型性能优于其基础模型,但当 值较大时,基础模型的 pass@ 分数更高。此外,我们观察到,随着 RLVR 训练的进行,LLM 的推理能力边界通常会缩小。进一步的覆盖率和困惑度分析表明,RLVR 模型生成的推理路径已经包含在基础模型的采样分布中,这表明它们的推理能力源于基础模型并受其限制。从这个角度来看,将基础模型视为上限,我们的定量分析表明,六种流行的 RLVR 算法性能相近,远未达到充分利用基础模型潜力的最优水平。

相比之下,我们发现蒸馏可以从教师模型中引入新的推理模式,并真正扩展模型的推理能力。综上所述,我们的研究结果表明,当前的 RLVR 方法尚未充分发挥强化学习在 LLM 中激发真正新颖的推理能力的潜力。这凸显了改进强化学习范式(例如持续扩展和多轮智能体-环境交互)的必要性,以释放这种潜力。

2.直推式在线学习的最优错误界限

题目:Optimal Mistake Bounds for Transductive Online Learning

  • 团队:肯特州立大学、普渡大学、谷歌研究院、麻省理工学院

  • 摘要:我们解决了一个存在了30年的开放性问题,即无标签数据在在线学习中的作用。我们通过精确量化直推式在线学习和标准在线学习之间的差距,解决了这一问题。我们证明,对于每个Littlestone维数为n的概念类,直推式错误界限至少为n。这比Ben-David、Kushilevitz和Mansour(1995,1997)以及Hanneke、Moran和Shafer(2023)分别给出的先前下界n、n和n有了指数级的改进。我们还证明了我们的界限是紧的:对于每个n,都存在一个Littlestone维数为n的概念类,其直推式错误界限为n。我们的上界也改进了Ben-David等人(1997)给出的先前已知的最佳上界。这些结果表明直推式在线学习和标准在线学习之间存在二次方差距,从而凸显了提前访问无标签实例序列的优势。这与PAC设置形成鲜明对比,在PAC设置中,直推式学习和标准学习表现出相似的样本复杂度。

  • 论文地址:https://go.hyper.ai/00rHz

3.叠加结构带来稳健的神经网络可扩展性

题目:Superposition Yields Robust Neural Scaling

  • 团队:麻省理工学院

  • 摘要: 当今大型语言模型 (LLM) 的成功取决于模型越大性能越好的观察结果。然而,这种损失随模型规模呈幂律下降的神经缩放规律的起源尚不清楚。我们提出表征叠加(即 LLM 表示的特征数量超过其维度)可能是损失的关键因素,并导致神经缩放。基于 Anthropic 的玩具模型,我们使用权重衰减来控制叠加程度,从而系统地研究损失如何随模型规模缩放。当叠加较弱时,只有当数据特征频率服从幂律分布时,损失才遵循幂律。相反,在强叠加的情况下,由于表征向量之间的几何重叠,损失通常在广泛的频率分布范围内与模型维度呈反比关系。我们证实,开源 LLM 运行在强叠加状态下,损失与模型维度呈反比关系,并且 Chinchilla 的缩放规律也与此一致。我们的研究结果表明表征叠加是神经缩放规律的核心驱动力,为诸如神经缩放规律何时可以改进以及何时会失效等问题提供了见解。

  • 论文地址:https://go.hyper.ai/AyLWt

如果你想了解更多 AI 前沿论文,
欢迎访问:https://hyper.ai/papers

2025NIPS-Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free 该研究围绕大型语言模型(LLM)中的门控机制展开系统性探索,核心是在softmax注意力机制中引入门控变体,通过大规模实验验证其效果并揭示内在原理。研究背景:门控机制在神经网络(如LSTM、Transformer相关模型)中广泛应用,但现有研究未充分拆解门控本身的作用(常与其他架构因素混淆),且LLM存在“注意力 sink”“大规模激活”等问题,影响训练稳定性和长文本处理能力。核心实验设计模型规模:15B混合专家(MoE)模型和1.7B稠密模型,基于3.5万亿tokens数据集训练; 阅读详情

相关推荐

2025_NIPS_Incentivizing Dual Process Thinking for Efficient Large Language Model Reasoning

本文针对大型推理模型(LRMs)在复杂推理任务中存在的“过度思考”问题(即无论任务难度如何,均生成冗余推理内容),受认知科学中的双加工理论启发,提出了一种强化学习框架——自适应认知策略优化(ACPO),旨在通过自适应认知分配和动态系统切换实现高效推理。大型推理模型(LRMs)在复杂推理任务中表现出强大性能,但常存在“过度思考”问题——无论任务难度如何,都会生成冗余内容。

UnknownBody_2的博客 148

NeurIPS 2025前瞻!时间序列依旧热度不减?

该方法通过将时间序列投影到语言嵌入空间,并自回归地生成未来预测,实现了灵活的预测长度和高效的训练/推理速度。1.通过继承LLM的自回归特性,AutoTimes能够实现任意长度的时间序列预测,并具备时间顺序感知能力。1.提出了AutoTimes,一种利用大规模语言模型自回归特性的方法,实现任意长度的时间序列预测。1.提出了GLAFF框架,首次将时间戳作为全局信息源进行建模,显著提升了时间序列预测的鲁棒性。,我整理了一些NeurIPS 2024时间序列方向的相关论文,准备投稿的同学,

m0_73122726的博客 9531

2025_NIPS_Nearly Optimal Bounds for Cyclic Forgetting

我们在持续学习场景中,针对线性任务的遗忘量提供了理论边界。在该场景下,每一轮学习对应投影到一个线性子空间。对于 T 个任务各重复 m 次的循环任务排序,我们证明了遗忘量的最优已知上界为OT2mO(T^2 / m)OT2m。值得注意的是,我们的边界对所有任务选择一致成立,且与环境维度无关。我们的主要技术贡献是将所有 T 个(实或复)投影乘积的数值范围并集刻画为正弦螺旋,这一结果本身可能具有独立的研究价值。本文针对循环任务排序的持续学习场景,提出了线性任务遗忘量的近优边界OT2m。

c_cpp_csharp的专栏 28

历史性突破!阿里Qwen斩获NeurIPS 2025最佳论文,中国AI首次登顶世界之巅!

门控机制已被广泛应用于各类模型中,从LSTM中的遗忘门,到现代FFN中的SwiGLU,再到Mamba等状态空间模型,门控始终扮演着调节信息流、增强非线性表达的角色。近年来,研究者也尝试将门控引入注意力机制——AlphaFold2、Forgetting Transformer等工作都在Softmax注意力输出端加入了门控。然而,这些尝试大多将其作为整体架构的一部分,缺乏对门控本身作用的系统解耦。

xx_nm98的博客 1459

2025_NIPS_Quantization-Free Autoregressive Action Transformer

当前基于Transformer的模仿学习方法会引入离散动作表示,并在生成的潜在编码上训练自回归Transformer解码器。然而,初始的量化过程破坏了动作空间的连续结构,从而限制了生成模型的性能。为此,我们提出一种无量化方法,该方法利用生成式无限词汇Transformer(GIVT)作为自回归Transformer的直接、连续策略参数化方式。这一方法简化了模仿学习流程,同时在各类主流模拟机器人任务中实现了最先进的性能。我们通过深入研究采样算法进一步优化了策略滚动结果,使性能得到额外提升。

c_cpp_csharp的专栏 49

2025NIPS-runner up-Optimal Mistake Bounds for Transductive Online Learning

我们通过精确量化转导在线学习与标准在线学习的差距,解决了一个关于未标记数据在在线学习中价值的30年开放性问题。在标准设置中,最优错误界由概念类HHH的 Littlestone 维度ddd表征(Littlestone, 1987)。我们证明,在转导设置中,错误界至少为ΩdΩd​。这相较于此前分别由 Ben-David、Kushilevitz 和 Mansour(1995, 1997)以及 Hanneke、Moran 和 Shafer(2023)提出的ΩloglogdΩl。

c_cpp_csharp的专栏 147

51c深度学习~合集8

方法的完整数学描述略显复杂,如果只是想了解主要思想,可以只看上面 PatchMix的流程图即可(其实只是公式多,每个公式也不复杂,后续有机会做个演示动画,帮助大家理解。这个方法也可以用简单的 Mask 方法实现,但是本方法在大规模图像处理上效率是最高的),对该工作感兴趣的同行可以看一下,我尽量写得清楚一些。结合 PatMix 的流程图,主要过程如下:由于混合图像和混合图像之间,重叠比例的不同,mix-to-mix label 中每一项的权重分数是不同的,根据上图,可以得到权重系数可以表示为。

whaosoft~aiotの开发板商城 2968

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

jks212454的博客 490

NeurIPS 2025 2026 论文整体研究

NeurIPS 2025论文高效筛选与研究方向挖掘指南 核心策略: 快速定位资源:通过官方渠道(NeurIPS官网、OpenReview、PapersWithCode)获取完整论文列表和会议信息 两步筛选法: 第一层:标题+摘要扫读(<90秒/篇),筛选至约100篇 第二层:速读图表+实验(15-30分钟/篇),精选10篇候选 深度评估:对每个方向进行1-2周的专题研究,包括核心问题、技术路线、难点分析等6个维度评估 执行计划: 每日:60-90分钟快速筛查 每周:2-4小时深度阅读+代码验证 每两周

victory0431的博客 7775

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 553

保姆级避坑指南:Mid-360雷达到手后,用livox_ros_driver2从接线到出点云的完整流程

本文提供Mid-360雷达到手后的完整使用指南,涵盖从硬件接线、网络配置到livox_ros_driver2驱动的安装与调试,帮助用户避开常见陷阱,实现点云数据的稳定输出与可视化。重点解析了配置文件的参数设置和点云格式选择,确保用户能够高效部署和使用Mid-360雷达。

weixin_30733003的博客 491

NeurIPS 2025 | 一张图打穿ImageNet!MIT提出线性梯度匹配,训练成本暴降!

本文成功地定义并解决了一个全新的问题:如何为强大的预训练视觉模型蒸馏出小而精的数据集。论文提出的线性梯度匹配方法,通过巧妙地匹配线性分类器的梯度,生成了信息密度极高的合成图像。实验证明,这些仅有“每类一张”的合成图像,其训练效果远超真实图像基准,并能在不同模型间泛化。此外,这项研究还揭示了蒸馏图像可作为一种新颖的工具,用于洞察和理解模型的内部工作机制与潜在偏见。

2501_92747450的博客 469

人工智能情感分析实战:文本情绪识别

人工智能情感分析,特别是文本情绪识别,已成为理解和处理人类情感信息的重要工具。通过数据预处理、特征提取、模型训练与评估等步骤,我们可以有效地从文本数据中提取情感信息,为各种应用场景提供有价值的洞察。随着技术的不断进步和创新,情感分析的应用前景将更加广阔,为我们的生活和工作带来更多便利和机遇。

shejizuopin的博客 1100

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 350

Yolov5实现道路裂缝检测

Yolov5实现道路裂缝检测 参考代码链接 Github代码链接 基于Pytorch的Yolov5道路裂缝检测程序运行说明。大家可以结合我的说明和原文说明使用,有问题欢迎询问。 文章目录Yolov5实现道路裂缝检测环境要求测试训练自己的数据集1.创建dataset.yaml文件2.创建标签文件3.组织文件路径4.选择模型5.开始训练 环境要求 Python 3.8或之后的版本 还要安装requirements.txt文件中所有依赖包,包括1.7及以上版本的torch $ pip install -r req

qq_26751379的博客 2万+

ADS重新安装失败排查指南:从注册表清理到环境变量配置

本文详细解析了ADS重新安装失败的常见原因及解决方案,包括注册表残留清理、license路径锁定处理和环境变量配置。通过分步指南和实用技巧,帮助工程师高效解决安装问题,确保软件正常运行。

weixin_42524708的博客 459

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 293

手把手教你离线部署Jupyter Notebook及高效插件配置

本文详细介绍了如何在离线环境中部署Jupyter Notebook及配置高效插件,包括离线安装步骤、依赖管理、核心扩展安装及常见问题排查。特别针对金融、科研等封闭网络场景,提供完整的whls包和requirements.txt解决方案,帮助开发者和数据分析师突破网络限制,提升工作效率。

weixin_28839549的博客 585

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 619

MounRiver Studio实战:像管理个人项目一样整理沁恒MCU的EVT例程(附文件结构图)

本文详细介绍了如何使用MounRiver Studio重构沁恒MCU的EVT例程,实现工程化管理。通过分析官方EVT设计的局限性,提出标准化的目录结构和迁移步骤,帮助开发者提升代码可维护性和团队协作效率。文章还提供了MounRiver Studio的关键配置参数和常见问题排查指南,适用于沁恒MCU开发者。

weixin_33940469的博客 357

魔改短线利器DPO指标,频繁交易也能盈利超30倍?手机同花顺可用!

昨天我们提示了一些高位风险板块,今天来看基本上都在跌幅前列。这一波由AIGC驱动的大行情,短期来看可能已经到了尾声。中期大家可以关注30日线和60日线是否有支撑,这种现象级的生产力变革主导的行情不可能直接就凉了——哪怕相关的企业距离从中获利还很遥远。在A股,当前是否盈利并不是当前股价的主要矛盾。保守的同学不妨关注下昨天的机会列表,里边全是一些超跌的板块,短期可能会延续弱势,但是一旦站上20日线,可能就会有一波超跌反弹的行情。AIGC中的资金外流,大概率会有一些低位板块得到临幸。

量化祛魅师 老Q。 1万+

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 211

基于江协科技STM32创建HAL库工程模板

基于江协科技STM32入门教程创建的HAL库工程模板

2401_82728381的博客 1138

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 346

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 89

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: 剑桥大学研发血液细胞图像分类器,扩散模型助力白血病发现,能力超越临床专家
下一篇: 重塑无序蛋白集合预测能力,英伟达/MIT/牛津大学/哥本哈根大学/Peptone等发布生成式模型及新评测基准
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值