- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子位
谷歌发布“Vlogger”模型：单张图片生成10秒视频
谷歌发布了一个新的视频框架： 只需要一张你的头像、一段讲话录音，就能得到一个本人栩栩如生的演讲视频。 视频时长可变，目前看到的示例最高为10s。 可以看到，无论是口型还是面部表情，它都非常自然。 它主要基于扩散模型，并包含两部分： 一个是随机的人体到3D运动（human-to-3d-motion）扩散模型。 另一个是用于增强文本到图像模型的新扩散架构。 后者则是一个时间维度的图像到图像模型，用于扩展大型图像扩散模型，使用刚刚预测的动作来生成相应的帧。 为了使结果符合特定的人物形象，VLOGGER还将参数图像的pose图作为输入。 谷歌介绍，VLOGGER最突出的表现是具备多样性： 如下图所示，最后的像素图颜色越深（红）的部分，代表动作越丰富。 网友吐槽 最后，“老规矩”，谷歌没有发布模型，现在能看的只有更多效果还有论文。 嗯，吐槽也是不少的： 画质模型、口型抽风对不上、看起来还是很机器人等等。
51110编辑于 2024-03-21 谷歌transformer模型简单介绍
谷歌的Transformer模型（2017年提出）是一种基于自注意力机制的神经网络架构，取代了传统的RNN和CNN，能并行处理序列数据。 该模型成为BERT、GPT等现代NLP技术的基础，并扩展至多模态领域。 RNN: 循环神经网络，Recurrent Neural NetworkCNN: 卷积神经网络，Convolutional Neural NetworkBERT: 谷歌2018年提出的预训练语言模型 ------------------ 测试代码 --------------------if __name__ == "__main__": batch_size, seq_len = 32, 10 实际应用中需扩展解码器、添加掩码机制和训练循环才能构建完整模型。
1.1K10编辑于 2025-07-04- 来自专栏量子位
10行代码媲美RLHF！谷歌DeepMind用游戏数据让大模型更像人类
克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 只需10行代码，就能对齐大模型，效果媲美 RLHF（基于人类反馈的强化学习机制）！ 而且整个训练过程就像我们日常打游戏一样。 最近，谷歌DeepMind联合多所高校，以游戏的方式模仿了人类的社交过程，作为大模型对齐的新方式。 相关论文预印本已经发布。 在实验中作者使用 10x10 的格点沙盒（一共100个社交体）进行社会仿真，且制定了一个社会规则（即所谓 Sandbox Rule）：所有社交体必须通过使自己对于问题的回答更加 socially aligned 刘睿博曾在微软研究院和谷歌大脑实习。 2021年，刘的一篇关于减轻 LLM 偏见的论文获得了 AAAI 最佳论文奖。 谷歌 DeepMind 方面参与此项研究是首席科学家 Denny Zhou 和首席软件工程师 Andrew M. Dai。
32430编辑于 2023-08-03 - 来自专栏量子位
谷歌开源缩放模型EfficientNets：ImageNet准确率创纪录，效率提高10倍
最近，谷歌基于AutoML开发了EfficientNets，这是一种新的模型缩放方法。它在ImageNet测试中实现了84.1%的准确率，再次刷新了纪录。 虽然准确率只比之前最好的Gpipe提高了0.1%，但是模型更小更快，参数的数量和FLOPS都大大减少，效率提升了10倍！ 最近谷歌提出了一种复合缩放（compound scaling）的方法，与缩放神经网络的传统方法不同，谷歌的方法使用一组固定的缩放系数统一缩放每个维度。 然后将这些系数将应用于基线网络，扩展到所需的目标模型大小或计算力。 模型缩放的有效性也在很大程度上依赖于基线网络。 因此，为了进一步提高性能，谷歌还使用AutoML MNAS框架优化了模型的准确率和效率，执行神经架构搜索来开发新的基线网络。 ?
81320发布于 2019-06-03 - 来自专栏架构师成长之路
谷歌10个用户体验设计原则
谷歌10个用户体验设计原则： 1. 以人为本——专注于人们的生活、工作、梦想。 Be worthy of people’s trust. 10. 添加一些人情味。Add a human touch. 原文如下： 1. The larger Google becomes, the more essential it is to live up to our “Don’t be evil” motto. 10.
71810编辑于 2022-04-14 - 来自专栏自然语言处理(NLP)论文速递
谷歌 | 提出ASPIRE方法，支持LLM自行打分，性能超10倍体量模型
【导读】谷歌推出了一个让LLM给自己输出打分的选择性预测系统，通过软提示微调和自评估学习，取得了比10倍规模大的模型还要好的成绩，为开发下一代可靠的LLM提供了一个非常好的方向。 大模型的「幻觉」问题马上要有解了？威斯康星麦迪逊大学和谷歌的研究人员最近开发了一个名为ASPIRE的系统，可以让大模型对自己的输出给出评分。 在选择性预测的基准测试上，研究人员通过ASPIRE系统取得了超过10倍规模的模型的成绩。 相比之下，小得多的OPT-2.7B模型在使用ASPIRE进行增强后，在这方面表现优于其他模型。 因此，ASPIRE证明了LLM的潜力，它可以明智地确定自己答案的确定性，并在选择性预测任务中显著地超越地超越其他10倍体量的模型。
41910编辑于 2024-01-25 - 来自专栏新智元
谷歌华人研究员发布MobileNeRF，渲染3D模型速度提升10倍
---- 新智元报道 编辑：LRS 【新智元导读】最近谷歌发布了全新的MobileNeRF模型，直接将神经辐射场拉入移动时代，内存需求仅为1/6，渲染3D模型速度提升10倍，手机、浏览器都能用 2020年，神经辐射场（NeRF）横空出世，只需几张2D的静态图像，即可合成出该模型的3D场景表示，从此改变了3D模型合成的技术格局。 最近，Google Research和西蒙菲莎大学的研究人员联合提出一种全新的模型MobileNeRF，成功将NeRF模型部署在多种常见的移动设备上。 但MobileNeRF可以充分利用了现代图形集成电路硬件中z缓冲区和片段着色器提供的并行性，因此在标准测试场景上比SNeRG快10倍，而且输出质量几乎相同。 主要的对比模型为SNeRG，因为它是目前唯一一个可以在常见的设备上实时运行的NeRF模型。
1.5K30编辑于 2022-08-26 谷歌AI模型解码海豚通信
这个约4亿参数的模型经过优化，可直接在WDP野外使用的Pixel手机上运行。该模型基于Gemma系列的见解，并在WDP的声学数据库上进行了广泛训练。 DolphinGemma作为一个音频输入、音频输出的模型，处理自然海豚声音序列以识别模式和结构，最终预测序列中接下来可能出现的声音，类似于人类语言大语言模型预测句子中的下一个词。 下一代以Pixel 9为中心，通过集成扬声器/麦克风功能，并使用手机的高级处理同时运行深度学习模型和模板匹配算法。 与研究社区共享DolphinGemma计划在今年夏天将DolphinGemma作为开放模型共享。 虽然该模型是在大西洋斑海豚声音上训练的，但预计它对研究其他鲸类物种（如宽吻海豚或长吻飞旋海豚）的研究人员也有用。针对不同物种的发声可能需要进行微调，而模型的开放性有助于这种适应。FINISHED
9410编辑于 2026-04-07- 来自专栏DeepHub IMBA
谷歌新语言模型Switch Transformer
Switch Transformer发布前，谷歌的T5模型一直是多个NLP基准上的记录保持者，但是最近被它自己的Switch Transformer超越。 并非所有的知识一直都是有用的。 在项目总结时这种观察在某种程度上是显而易见的，根据这个观点，谷歌大脑创建了新的Switch Transformer 。 Switch Transformer因其一万亿参数而得到媒体的报道。 对于谷歌的公司规模，这一成就并不难预料;主要的基础模块(Tensorflow, Mesh, Tensorflow, TPUs)已经存在了一段时间。 复制FFN权重而不是模型的其他参数(如自我注意中的键/查询/值矩阵)的决定似乎是实验性的。作者论文说，他们试图在模型的其他部分增加专家，结果导致训练不稳定。 模型如何决定启用哪位专家? 例如，Switch-Base模型在缩短约7倍的时间内即可达到完全融合的T5-Base模型的LM性能。
1.2K20发布于 2021-02-12 - 来自专栏大数据文摘
因为这个模型，谷歌要完？
直到这几天，一个重磅看似与搜索无关的AI模型的诞生，却大有撼动谷歌搜索地位的趋势... 这是一个在Twitter上特别火的帖子，目前已获得3千多次转推： Google is done. 谷歌时代结束了。 这条Twitter的博主搜索了一些它日常请教谷歌的问题（query），却发现OpenAI刚刚发布的“AI对话模型ChatGPT”的回答，完爆了谷歌搜索结果。。。 ChatGPT模型Demo测试地址： https://chat.openai.com/chat 推特用户@jdjkelly的推文 [1] 还表示，它发现对于代码开发类的搜索query，ChatGPT的回答强势的完爆了谷歌 这篇文章的作者将预训练大模型类比为人脑和传统的数据库，都是数据储存的一个媒介。而在进行数据检索的时候，人脑依靠的是思考，数据库依靠的是 SQL 语言，而预训练大模型则依靠的是 prompt。 短短2个月前学界还在质疑 prompt 是否能够完全达到“所查即所得”的效果，也就是说，下游任务并不知道使用何种 prompt 可以更好地从大模型中获取想要的结果。
40620编辑于 2023-04-10 - 来自专栏云云众生s
谷歌Gemini语言模型入门指南
本文向您介绍两种访问谷歌Gemini语言模型的途径:Vertex AI和Google AI Studio，并详细阐述每种方法的使用入门指南。 在我之前的文章中，我介绍了谷歌的多模态生成 AI 模型 Gemini 的关键功能。在这篇文章中，我将带领大家了解如何访问这个模型。 $ gcloud init $ gcloud auth application-default login 您会看到浏览器窗口弹出，要求您的谷歌凭据来完成认证过程。 通过 Google AI Studio 访问 Gemini Google AI Studio 是一个探索谷歌提供的生成式 AI 模型的游乐场。任何拥有谷歌账户的人都可以登录进行模型实验。 print(response.text) 计算令牌数以估计成本 根据谷歌的说法，文本输入的费用是根据输入(提示 prompt)的每个 1，000 个字符和输出(响应 response)的每个 1，000
1.8K10编辑于 2024-03-28 - 来自专栏Reck Zhang
Java 10 - 内存模型
内存模型 主存储器与工作存储器 主存储器 方法区(Method Area) 方法区用于存储类的信息, 常量, 静态变量, 即时编译器编译后的代码. 栈(Java Virtual Machine Stacks) 代表着Java方法执行的内存模型, 每个方法执行时都会创建一个栈帧来存储方法的变量表, 操作数栈, 动态链接方法, 返回值, 返回地址等信息
37720发布于 2021-08-11 - 来自专栏新智元
谷歌10秒视频生成模型破世界记录！LLM终结扩散模型，效果碾压顶流Gen-2
新智元报道 编辑：编辑部 【新智元导读】谷歌全新视频生成模型VideoPoet再次引领世界！十秒超长视频生成效果碾压Gen-2，还可进行音频生成，风格转化。 今天，谷歌团队又发布了一个全新的视频生成模型VideoPoet，而且无需特定数据便可生成视频。 相比起其他模型，谷歌的方法是将多种视频生成功能无缝集成到单一的大语言模型中，而不依赖针对各个任务分别训练的专用组件。 ，VideoPoet一次就可以生成长达10秒的视频。 为了确保评估的客观性，谷歌研究人员在在各种提示上运行所有模型，并让人们对其偏好进行评分。 下图显示了在以下问题中，VideoPoet被选为绿色首选项的百分比。
69010编辑于 2023-12-20 - 来自专栏Python与算法之美
10，模型的优化
搜索超参数空间以优化超参数需要明确以下方面： 估计器 超参数空间 交叉验证方案 打分函数 搜寻或采样方法（网格搜索法或随机搜索法） 优化模型的常见方法包括 网格搜索法，随机搜索法，模型特定交叉验证， 三， 模型特定交叉验证 一些特定的模型，sklearn构建了一些内部含有交叉验证优化机制的估计器。 它们主要是在linear_model模块。 四， 信息准则优化 模型选择主要由两个思路。 解释性框架：好的模型应该是最能解释现有数据的模型。可以用似然函数来度量模型对数据集描述能力。 预测性框架：好的模型应该是最能预测结果的模型。 通常模型参数越多越复杂，越容易出现过拟合。 所以，模型选择问题在模型复杂度与模型对数据集描述能力（即似然函数）之间寻求最佳平衡。 AIC(赤池信息准则)和BIC(贝叶斯信息准则)对模型的选择提供了一种判据。 AIC信息准则选择AIC最大的模型。 BIC信息准则选择BIC最大的模型。
77421发布于 2020-07-17 - 来自专栏云云众生s
Go中使用谷歌Gemini模型
这篇文章是如何使用 Go SDK 快速入门，以向模型提出混合文本和图像的问题的概述。 译自 Using Gemini models from Go。作者 Eli Bendersky 。 任务 我们将要求模型解释两张龟的图像之间的区别，这张： 和这张： 使用 Google AI SDK 使用 Google AI SDK，您只需生成一个 API 密钥（与 OpenAI 的 API 类似）即可访问模型 当我们运行此示例时，模型的响应会以 JSON 对象的形式输出。
65810编辑于 2024-03-28 - 来自专栏Java面试教程
谷歌大模型-Gemini快速开始
引言 近期相信大家和了不起一样，都听说了谷歌大模型：Gemini Gemini官网 访问官方网站 官网地址：https://ai.google.dev 官方已经提供了体验入口，大家可以很方便地体验谷歌发布的最大且能力最强的 在右侧列的模型字段中，选择支持图像的模型，例如 Gemini Pro Vision 模型。 第 3 步 - 用模型参数进行实验 在对提示进行原型设计时，您还可以在应用右侧试用模型运行设置。以下是需要了解的关键设置： 模型 - 选择您要回答问题的模型。 如需详细了解可用的模型和功能，请参阅模型。 温度 - 控制模型响应可以允许多大程度的随机性。提高此值可让模型生成更意外且更具创造性的响应。 最大输出 - 增加模型为每个请求返回的响应数。 总结 今天了不起带大家看了下谷歌大模型Gemini，有条件的可以试一下。 参考：https://ai.google.dev/tutorials/ai-studio_quickstart
8.3K11编辑于 2023-12-20 - 来自专栏ATYUN订阅号
谷歌发布分类模型EfficientNet-EdgeTPU，运行速度比ResNet-50快10倍
今天，谷歌发布了一系列新的分类模型EfficientNet-EdgeTPU，经过优化，可以在Coral板的系统级模块上运行。 因此，EfficientNet-EdgeTPU项目的目标是将源自谷歌的EfficientNets的模型定制为功率高效，低开销的Edge TPU芯片。 EfficientNet-EdgeTPU-S实现了更高的精度，但运行速度比ResNet-50快10倍 这是因为EfficientNets使用网格搜索来识别固定资源约束下的基线AI模型的缩放维度之间的关系 根据Gupta，Tan等人的说法，重新架构EfficientNets以利用Edge TPU，需要调用谷歌开发的AutoML MNAS框架。 EfficientNet-EdgeTPU发布的前一天，针对TensorFlow的谷歌s模型优化工具包刚刚发布，这是一套工具，包括混合量化、全整数量化和修剪。
1.4K10发布于 2019-08-12 - 来自专栏新智元
解读谷歌最强NLP模型BERT：模型、数据和训练
---- 新智元专栏 作者：潘晟锋（追一科技算法高级研究员） 【新智元导读】近日，谷歌AI团队新发布的BERT模型，在NLP业内引起巨大反响，认为是NLP领域里程碑式的进步。 最近谷歌研究人员通过新的BERT模型在11项NLP任务中夺得STOA结果，这在自然语言处理学界以及工业界都引起了不小的热议。 而谷歌提出的BERT就是在OpenAI的GPT的基础上对预训练的目标进行了修改，并用更大的模型以及更多的数据去进行预训练，从而得到了目前为止最好的效果。 除了模型结构，模型大小和数据量都很重要 以上的描述涵盖了BERT在模型结构和训练目标上的主要创新点，而BERT的成功还有一个很大的原因来自于模型的体量以及训练的数据量。 谷歌用了16个自己的TPU集群（一共64块TPU）来训练大号版本的BERT，一共花了4天的时间。
1.2K20发布于 2018-11-08 - 来自专栏AI研习社
博客 | 谷歌最强 NLP 模型 BERT 解读
雷锋网 AI 科技评论按：本文是追一科技潘晟锋基于谷歌论文为 AI 科技评论提供的解读稿件。 最近谷歌研究人员通过新的BERT模型在11项NLP任务中夺得STOA结果，这在自然语言处理学界以及工业界都引起了不小的热议。 而谷歌提出的BERT就是在OpenAI的GPT的基础上对预训练的目标进行了修改，并用更大的模型以及更多的数据去进行预训练，从而得到了目前为止最好的效果。 ? 除了模型结构，模型大小和数据量都很重要 以上的描述涵盖了BERT在模型结构和训练目标上的主要创新点，而BERT的成功还有一个很大的原因来自于模型的体量以及训练的数据量。 谷歌用了16个自己的TPU集群（一共64块TPU）来训练大号版本的BERT，一共花了4天的时间。
65020发布于 2018-12-05 - 来自专栏机器学习与推荐算法
谷歌 | 物品-语言大模型推荐系统
TLDR: 当前将大语言模型用于推荐系统存在三方面问题：1）大语言模型不在推荐系统数据上训练，并且推荐数据通常不公开可用。 为解决以上限制，本文提出了一个物品语言模型，其由一个物品编码器和一个冻结的大语言模型组成，前者对用户交互信息进行编码以生成与文本对齐后的物品表示，后者用保留的预训练知识理解这些物品表示。 虽然可以使用矩阵分解算法计算物品和用户协同过滤嵌入，然后通过映射模块将这些嵌入馈送给大语言模型。但其会在协同嵌入和预训练大语言模型的词元嵌入间引入模态差异，仍需微调以对齐。 为了解决上述困难，本文提出了用于会话推荐任务的物品语言模型。 其语义嵌入采用Sentence-T5 11B模型计算得到。将带有两层MLP的CoLLM作为基准对比方法，还对比了带有随机初始化Q-Former编码器的ILM模型。
69410编辑于 2024-07-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号