DeepMind推出AlphaTensor，用AI发现矩阵乘法新算法

DeepMind推出AlphaTensor，用AI发现矩阵乘法新算法 数千年来，算法一直在帮助数学家进行基本运算。 古埃及人发明了一种不需要乘法表就能得出两个数字的乘积的算法；欧几里得描述了一种沿用至今的计算最大公约数的算法；在伊斯兰的黄金时代，花拉子米设计出了求解线性方程和二次方程的新算法。尽管现如今我们对算法已经非常熟悉，但发现新算法的过程仍是非常困难的。 在一篇于近期发表在《自然》杂志上的论文中，DeepMind团队介绍了第一个用于发现新的、高效的、可证明正确的基本算法（如矩阵乘法）的人工智能系统AlphaTensor。它打破了一个保持了50多年的记录，发现了一种能更快地计算两个矩阵之间的乘法的算法... 来自：雷锋 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot

本文主要介绍了向量数据库的原理和实现，包括向量数据库的基本概念、相似性搜索算法、相似性测量算法、过滤算法和向量数据库的选型等等。

本文主要介绍了向量数据库的原理和实现，包括向量数据库的基本概念、相似性搜索算法、相似性测量算法、过滤算法和向量数据库的选型等等。 向量数据库是崭新的领域，目前大部分向量数据库公司的估值乘着 AI 和 GPT 的东风从而飞速的增长，但是在实际的业务场景中，向量数据库的应用场景还比较少，抛开浮躁的外衣，向量数据库的应用场景还需要开发者们和业务专家们去挖掘。

【DeepMind推出AlphaTensor，用AI发现矩阵乘法新算法】矩阵乘法是计算机图形学、数字通信、神经网络训练和科学计算

【DeepMind推出AlphaTensor，用AI发现矩阵乘法新算法】矩阵乘法是计算机图形学、数字通信、神经网络训练和科学计算等许多计算任务的核心组成部分，因此AlphaTenor的发现可以大大提高这些领域的计算效率。 #抽屉IT

这是构成Sora基础之一的Diffusion Transformer论文作者关于Sora的一些猜测和技术解释。

这是构成Sora基础之一的Diffusion Transformer论文作者关于Sora的一些猜测和技术解释。 这个老哥可能是除了这篇论文的另一个作者（现在在Open AI工作）之外最懂Diffusion Transformer的人了，非常值得关注。 有趣的是这篇论文曾经在2023年的计算机视觉会议(CVR2023)上因“缺少创新性”而遭到拒绝，短短一年时间就变成了Sora这怪物模型的理论基础。 -正文开始- 以下是我对Sora技术报告的解读，其中包含了一些可能并不准确的猜测。首先，我非常感谢团队分享了极为有价值的见解和设计决策Sora确实令人惊叹，它将彻底改变视频生成领域。 我们目前所了解到的情况如下： 架构：Sora基于我们的扩散变换器（Diffusion Transformer，简称DiT）模型构建，该模型已发表在2023年国际计算机视觉会议（ICCV 2023）上。简单来说，它是一个结合了变换器（Transformer）主干的扩散模型： DiT = [变分自编码器（VAE）编码器 + 视觉变换器（ViT）+ 去噪扩散概率模型（DDPM）+ VAE解码器]。 根据报告，这个模型似乎没有太多额外的复杂设计。 “视频压缩网络”：这看起来就像是一个在原始视频数据上训练的变分自编码器（VAE）。在实现良好的时间一致性方面，标记化（Tokenization）可能扮演着关键角色。顺便提一下，VAE本质上是一个卷积网络，所以从技术上说，DiT实际上是一个混合模型。 ;) 当Bill和我参与DiT项目时，我们并未专注于创新（详见我之前的推特），而是将重点放在了两个方面：简洁性和可扩展性。这些优先事项带来的不仅仅是概念上的优势。 简洁性代表着灵活性。关于标准的视觉变换器（ViT），人们常忽视的一个亮点是，它让模型在处理输入数据时变得更加灵活。例如，在遮蔽自编码器（MAE）中，ViT帮助我们只处理可见的区块，忽略被遮蔽的部分。同样，Sora可以通过在适当大小的网格中排列随机初始化的区块来控制生成视频的尺寸。而UNet并不直接提供这种灵活性。 猜测：Sora可能还使用了Google的Patch n’ Pack（NaViT）技术，使DiT能够适应不同的分辨率、持续时间和长宽比。

微软和 Deepmind 的一篇论文探讨利用 LLM 从设计生成代码，这个实践经验对想做相关 Design2Code 工具的很有

微软和 Deepmind 的一篇论文探讨利用 LLM 从设计生成代码，这个实践经验对想做相关 Design2Code 工具的很有参考性。 我整理了一下里面对我们自己通过 LLM 生成代码可能有用的提示词和经验。感兴趣可以看看。 他们发现第一次生成的网页通常质量不太行，但是第二次增强提示之后 GPT-4V 生成网页代码质量明显变好，下面是对应提示词。 第一次代码生成提示词： 假设你是一位精通HTML和CSS的网页开发专家。当用户提供一张网页的截图给你时，你的任务是创建一个HTML文件。这个文件需要用HTML和CSS编码来精确还原截图中的网站设计。重要的是，所有的CSS样式代码都要直接写在HTML文件里，而不是链接到其他文件。 如果原网页中有图片，你可以用一个名为"rick.jpg"的图片作为所有图片的替代品。即便网页中的某些图片已经被蓝色的矩形占位符替代了，你同样需要使用"rick.jpg"作为这些位置的图片。记住，你的HTML文件中不应包含任何外部文件的链接。 此外，这个任务不需要你使用JavaScript编写动态交互脚本。你的重点应该放在复原网页元素的大小、文本、位置、颜色以及整体布局上。最终，你需要提供完整的HTML文件内容，其中包含了所有必要的CSS样式代码。 增强提示词： 作为一名擅长HTML和CSS的网页开发高手，你面临的挑战是修改一个已有的HTML文件。这个文件是用来构建一个网页的，但它目前有一些缺失或错误的部分，使得它与原网页有所不同。我将向你展示我想要创建的网页原型和目前HTML实现的网页效果。同时，我也会提供你我想在网页中包含的所有文本。 你的任务是仔细比较这两个网页，并根据提供的文本内容，修改原始的HTML代码。你需要确保新的实现在外观上与参考网页完全一致。在编码时，要保证HTML代码语法正确，能够生成一个结构完整的网页。对于需要图片的地方，你可以暂时用一个名为"rick.jpg"的图片作为占位符。 在进行代码修订时，请特别注意网页元素的大小、文本内容、位置布局和颜色等方面，确保最终的布局和原网页高度相似。完成后，请直接提供新修订的HTML文件内容，无需附加任何解释。 LLM 通过设计生成代码未来重点和研究方向： ◆为多模态大语言模型开发更有效的提示技巧，尤其是在处理复杂网页设计时，例如通过分步骤生成网页的不同部分。

基辅试图用美国爱国者攻击俄罗斯领土，却遭到美国和德国的愤怒训斥和威胁

基辅试图用美国爱国者攻击俄罗斯领土，却遭到美国和德国的愤怒训斥和威胁 ▪《图片报》援引消息人士称，乌克兰武装部队至少曾经使用德国提供的美国爱国者防空系统攻击俄罗斯领土。 ▪结果是“柏林和华盛顿发出愤怒呼吁，并威胁称，如果此类事件再次发生，将停止供应防空导弹。” ▪没有指定爱国者的使用时间和地点。但此前，俄罗斯指责乌克兰称，2024年1月，来自哈尔科夫州的爱国者系统在别尔哥罗德附近击落了一架载有正在转运交换的乌克兰战俘的俄罗斯飞机。多家西方媒体也撰文称，这架飞机是被这套防空系统击落的。乌克兰没有证实这一点，也没有证实被击落的飞机上有乌克兰俘虏。