新闻中心 
-
01-23解释神经网络的能力神经网络可解释性（ExplainableArtificialIntelligence,XAI）指的是解释机器学习模型或人工智能系统的决策能力。在实际应用中，我们...
-
01-22网易伏羲在ICLR 2025中有3篇论文入选，涵盖了强化学习、自然语言处理等领域第十一届国际表征学习会议（ICLR）预计将于5月1日至5日在卢旺达首都基加利线下举办。最近，ICLR公布了论文接收结果，其中包括了网易伏羲共3篇论文的入选。这三...
-
01-22解析二元神经网络的功能和原理二元神经网络（BinaryNeuralNetworks,BNN）是一种神经网络，其神经元仅具有两个状态，即0或1。相对于传统的浮点数神经网络，BNN具有许多优点...
-
01-19ICLR'24无图新思路！LaneSegNet：基于车道分段感知的地图学习写在前面&笔者的个人理解地图作为自动驾驶系统下游应用的关键信息，通常以车道或中心线表示。然而，现有的地图学习文献主要集中在检测基于几何的车道或感知中心线...
-
01-17小红书搜索团队揭示：验证负样本在大规模模型蒸馏中的重要性大语言模型（LLMs）在推理任务上表现出色，但其黑盒属性和庞大参数量限制了其在实践中的应用。特别是在处理复杂的数学问题时，LLMs有时会出现错误的推理链。传统的...
-
01-16位置编码在Transformer中的应用：探究长度外推的无限可能性在自然语言处理领域，Transformer模型因其卓越的序列建模性能而备受关注。然而，由于其训练时限制了上下文长度，使得它及其基于此的大语言模型都无法有效地处理...
