Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞臺から「涙ながらに」撤退したばかりですが、今日、ボストン?ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン?ダイナミクス社は商用人型ロボットの分野でテスラ社と競爭する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 萬人以上が視聴しました。古い人が去り、新しい役割が現(xiàn)れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開會式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本當(dāng)にホラー映畫ではないのか？」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に靜かに橫たわっています。次に続くのは驚くべきことです

従來のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを?qū)g現(xiàn)する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構(gòu)成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優(yōu)れていると同時に、トレーニング コストを 42.5% 節(jié)約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する會社です

ThinkPHP には、さまざまな PHP バージョン向けに設(shè)計された複數(shù)のバージョンがあります。メジャー バージョンには 3.2、5.0、5.1、および 6.0 が含まれますが、マイナー バージョンはバグを修正し、新機能を提供するために使用されます。最新の安定バージョンは ThinkPHP 6.0.16 です。バージョンを選択するときは、PHP バージョン、機能要件、コミュニティ サポートを考慮してください。最高のパフォーマンスとサポートを得るには、最新の安定バージョンを使用することをお勧めします。

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場內(nèi)で稼働可能となっている。通常の速度では、バッテリー（テスラの4680バッテリー）を次のように分類します：公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング：今回は、それがリリースされたハイライトの1つビデオの內(nèi)容は、オプティマスが工場內(nèi)でこの作業(yè)を完全に自律的に行??い、プロセス全體を通じて人間の介入なしに完了するというものです。そして、オプティマスの観點から見ると、自動エラー修正に重點を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科學(xué)者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は觸覚だけではありません

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の點で MLP よりも優(yōu)れています。また、非常に少數(shù)のパラメーターを使用して、多數(shù)のパラメーターを使用して実行する MLP よりも優(yōu)れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規(guī)模なネットワークと高度な自動化で DeepMind の結(jié)果を再現(xiàn)したと述べています。具體的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現(xiàn)定理に基づいているのと同様に、強力な數(shù)學(xué)的基礎(chǔ)を持っています。以下の図に示すように、KAN は

Ollama は、Llama2、Mistral、Gemma などのオープンソース モデルをローカルで簡単に実行できるようにする非常に実用的なツールです。この記事では、Ollamaを使ってテキストをベクトル化する方法を紹介します。 Ollama をローカルにインストールしていない場合は、この記事を読んでください。この記事では、nomic-embed-text[2] モデルを使用します。これは、短いコンテキストおよび長いコンテキストのタスクにおいて OpenAI text-embedding-ada-002 および text-embedding-3-small よりも優(yōu)れたパフォーマンスを発揮するテキスト エンコーダーです。 o が正常にインストールされたら、nomic-embed-text サービスを開始します。

目標(biāo)検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導(dǎo)入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認(rèn)識については、あまり研究されていません。放射狀の歪みが大きいため、標(biāo)準(zhǔn)のバウンディング ボックス表現(xiàn)を魚眼カメラに実裝するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設(shè)計を極/角度表現(xiàn)に探索し、これらの表現(xiàn)を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優(yōu)れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。

前に書かれたプロジェクトのリンク: https://nianticlabs.github.io/mickey/ 2 枚の寫真が與えられた場合、それらの寫真間の対応関係を確立することで、それらの間のカメラのポーズを推定できます。通常、これらの対応は 2D 対 2D であり、推定されたポーズはスケール不定です。いつでもどこでもインスタント拡張現(xiàn)実などの一部のアプリケーションでは、スケール メトリクスの姿勢推定が必要なため、スケールを回復(fù)するために外部深度推定器に依存します。この論文では、3D カメラ空間でのメトリックの対応を予測できるキーポイント マッチング プロセスである MicKey を提案します。畫像全體の 3D 座標(biāo)マッチングを?qū)W習(xí)することで、相対的なメトリックを推測できるようになります。