ข้ามไปที่เนื้อหา
เหตุการณ์ร้อนแรงจับตาดู

Split-and-Scale ของ Apple ขยายความจุ latent 3D ที่เวลา inference

1 รายงาน1 แหล่งข่าวที่รายงานอัปเดต 2 วันที่แล้ว

เริ่มตรงนี้

ไดเจสต์ AI

นักวิจัยของ Apple เสนอ split-and-scale ซึ่งเป็นวิธีการที่ขยายความจุ latent ของการแทนข้อมูล 3D ที่เวลา inference โดยยังคงต้นทุนการฝึกให้อยู่ในระดับที่จัดการได้ วิธีนี้ใช้ tokenizer ที่ผ่านการฝึกมาแล้วตัวเดียวกับพื้นที่ย่อยของฉากที่มีขนาดเล็กตามอำเภอใจ ทำให้ความจุ latent เดียวกันครอบคลุมขอบเขตเชิงพื้นที่ที่เล็กลงและเก็บรายละเอียดได้สูงขึ้นมาก ตามที่นักวิจัยระบุ วิธีนี้ให้คุณภาพเทียบเท่าโมเดลขนาดใหญ่กว่ามากที่เกินขีดจำกัดหน่วยความจำของ GPU เดี่ยว และตัวสร้าง 3D แบบ autoregressive ที่ฝึกด้วยวิธีนี้มีประสิทธิภาพเทียบเคียงได้กับ baseline ที่ล้ำสมัย

สร้างจากรายงาน · อัปเดต 1 ชม. ที่แล้ว

ไทม์ไลน์รายงาน

ไล่ตามรายงานเพื่อดูเหตุการณ์นี้จากหลายด้าน

16 พฤศจิกายน
  1. Apple Machine Learning Research
    Apple Split-and-Scale ขยายความจุของการแทนค่า 3D แฝงในขั้นตอนการอนุมาน

    นักวิจัยของ Apple เสนอ split-and-scale วิธีการที่ขยายความจุแฝงของการแทนค่า 3D ในขั้นตอนการอนุมาน โดยยังคงต้นทุนการฝึกให้อยู่ในระดับที่จัดการได้ ด้วยการใช้ tokenizer ที่ผ่านการฝึกมาแล้วตัวเดียวกับพื้นที่ย่อยขนาดเล็กตามอำเภอใจของฉาก วิธีนี้จัดสรรความจุแฝงเท่าเดิมให้กับขอบเขตเชิงพื้นที่ที่เล็กลง และเก็บรายละเอียดได้สูงขึ้นมาก วิธีนี้ให้คุณภาพเทียบเท่าโมเดลขนาดใหญ่กว่ามากที่เกินขีดจำกัดหน่วยความจำของ GPU เดียว และตัวสร้าง 3D แบบ autoregressive ที่ฝึกบนวิธีนี้ทำงานได้แข่งขันกับ baseline ที่ล้ำสมัย

ความร้อนแรงของเหตุการณ์นี้

ยังมีการเฝ้าดูต่อเนื่องไม่พอจะวาดแนวโน้ม