Apple ML Research
Source d'actualités IA. Les articles sont sélectionnés et adaptés par la rédaction de Hamidun News.
Dernières publications
Apple ML Research a présenté une méthode pour générer une vidéo avec du son à partir de texte en utilisant Text-to-Sounding-Video
Apple ML Research a démontré la direction Text-to-Sounding-Video — génération de vidéo avec son à partir de texte — et a identifié deux problèmes clés non résolus.
Apple ML Research a proposé des modèles compacts pour corriger les erreurs de reconnaissance vocale
Les chercheurs d'Apple ML Research ont proposé des modèles seq2seq compacts à la place des LLM pour corriger les erreurs ASR, en les entraînant sur des erreurs réelles et synthétiques.
Apple ML Research a Présenté TopoPrimer—Contexte Topologique pour les Modèles de Prévision
Apple ML Research a montré le framework TopoPrimer, qui ajoute une structure topologique globale des données aux modèles de prévision de séries temporelles.
Apple a déterminé quand l’on-policy distillation aide à entraîner les modèles
Les chercheurs d’Apple ML ont déterminé dans quelles conditions l’on-policy distillation est efficace pour entraîner des modèles de reasoning, et dans quels cas elle peut être inefficace, voire contre-productive.
Self-Reflective Program Search : Apple a amélioré les performances des LLM avec de longs contextes
Apple ML Research a publié une étude sur la méthode Self-Reflective Program Search, qui améliore la manière dont les modèles de langage traitent de longs contextes grâce à une décomposition récursive en sous-requêtes.
Apple a développé TGPO pour apprendre aux modèles vidéo à comprendre le temps
Apple ML Research a présenté TGPO, une méthode qui apprend aux modèles vidéo à comprendre l’ordre et l’évolution des événements dans la vidéo égocentrique grâce au renforcement du raisonnement temporel.
Apple ML Research : Un neurone contourne l'alignement de sécurité dans les LLMs de 1,7 à 70 milliards de paramètres
Les chercheurs d'Apple ont démontré que la protection de sécurité des LLM peut être complètement contournée en ciblant un seul neurone—sans affinage ni modification de prompts—dans sept modèles de deux familles de modèle
Apple présente FlowEval : évaluation des interfaces IA via des scénarios de navigation réels
Apple ML Research a développé FlowEval — un framework pour l'évaluation automatique des interfaces générées par IA basé sur la comparaison des trajectoires de navigation avec des sites réels.
Apple ML Research Présente Weblica — Un Environnement Scalable pour l'Entraînement d'Agents Web Visuels
Apple a lancé le framework Weblica, qui reproduit les états interactifs des pages web et génère des environnements d'entraînement via LLM — pour entraîner de manière fiable les agents d'IA opérant dans les navigateurs.
Apple a développé MT-EditFlow pour l'édition d'images IA en plusieurs étapes
Les chercheurs d'Apple ML Research ont présenté MT-EditFlow — un système basé sur l'apprentissage par renforcement qui résout le problème de l'accumulation d'erreurs lors de l'édition itérative d'images.
Apple Research : LensVLM Apprend aux Modèles VLM à Lire le Texte dans les Images Fortement Comprimées
Apple ML Research a proposé LensVLM — un framework qui permet aux modèles vision-langage de lire du texte petit dans les images comprimées sans perte de précision.
Apple ML Research développe DynaMiCS pour l'ajustement fin des LLMs sans perte de connaissances fondamentales
DynaMiCS d'Apple formule la sélection de données lors de l'ajustement fin comme un problème d'optimisation sous contraintes — pour préserver les instructions, les connaissances et la sécurité du modèle lors de l'adaptati
Apple ML Research Révèle une Inefficacité dans le Routage Mixture-of-Experts
Les chercheurs d'Apple ont découvert que les tokens dans les architectures MoE utilisent une fraction négligeable des routes théoriquement possibles, et ont proposé une architecture pour corriger cela.
Apple confirme : les modèles de diffusion vocale se dimensionnent comme les modèles autorégressifs
Apple ML Research a découvert que les modèles de parole basés sur la diffusion continue se dimensionnent aussi prévisiblement que les modèles autorégressifs et a introduit la métrique pJSD.
Apple ML Research résout la dégradation des modèles ASR sur les enregistrements audio longs
Apple ML Research a publié la méthode Segmental Attention Decoding — quatre changements architecturaux qui résolvent le principal problème auquel les réseaux de neurones font face lors du traitement des enregistrements a
Apple a publié Fortress — un framework pour stabiliser les systèmes de recommandation par élagage de features
Apple ML Research a décrit Fortress — un système qui élimine l'instabilité temporelle des modèles de recommandation en identifiant et en supprimant les features qui créent des prédictions incohérentes.
Apple ML Research enquête sur les causes des divergences entre annotateurs des données de sécurité de l'IA
Apple ML Research a mis au point une méthode d'analyse des divergences entre les annotateurs de données de sécurité — les personnes chargées d'entraîner les modèles d'IA à distinguer le contenu acceptable du contenu dang
Apple ML Research a proposé une méthode de généralisation des modèles de ML à de nouveaux domaines sans annotation
Les chercheurs d’Apple ML Research ont développé une approche de domain generalization qui s’appuie sur des données non annotées d’un nouveau domaine plutôt que sur une annotation coûteuse.
Apple a Présenté Conformal Thinking — Gestion des Risques pour les Modèles de Raisonnement Sans Tokens Supplémentaires
Apple ML Research a présenté le framework Conformal Thinking : une méthode qui gère automatiquement les budgets de tokens pour les modèles de raisonnement, garantissant des taux d'erreur spécifiés avec un calcul minimal.
Apple ML Research : comment les modèles de diffusion apprennent à sélectionner des tokens sans heuristiques manuelles
Apple ML Research propose de remplacer les heuristiques manuelles de sélection de tokens dans les modèles de langage à diffusion par des politiques apprises, afin d'éliminer l'instabilité et la nécessité d'un réglage man
Apple ML Research a proposé MemoryLLM — une « mémoire » interprétable pour les transformers
Des chercheurs d’Apple ont décrit les blocs feed-forward dans les LLM comme une mémoire neuronale de récupération et proposé une méthode pour les analyser isolément — sans tenir compte du mécanisme de self-attention.
Apple ML Research : les équipes multi-agents de LLM freinent les agents experts
Apple ML Research l’a montré : les équipes auto-organisées de modèles de langage ne produisent pas de synergie — elles freinent les agents experts au lieu de les renforcer.