AI Lab, bài báo được chấp nhận tại AAAI 2026, hội nghị hàng đầu kèo bóng đá f88 lĩnh vực trí tuệ nhân tạo

"Phòng thí nghiệm AI" nghiên cứu và phát triển nhiều công nghệ AI liên quan đến tiếp thị nói chung, đồng thời đang giải quyết nhiều vấn đề công nghệ khác nhau, đồng thời tăng cường hợp tác giữa ngành và học viện với các trường đại học và tổ chức học thuật
Đặc biệt, nhóm nghiên cứu của chúng tôi kèo bóng đá f88 lĩnh vực sáng tạo không chỉ tập trung vào nghiên cứu ứng dụng mà còn tập trung vào nghiên cứu cơ bản, chẳng hạn như nghiên cứu hỗ trợ sản xuất thiết kế đồ họa và công nghệ tạo tự động liên quan đến biểu hiện sáng tạo nói chung, bao gồm cả "Chuỗi dự đoán cực" do công ty chúng tôi cung cấp, cũng như phát triển các chỉ số đánh giá và phương pháp phân tích mô hình làm cơ sở cho sự hiểu biết về truyền thông


「」
Zerun Wang(CyberAgent※5/Đại học Tokyo), Jiafeng Mao, Xueting Wang (CyberAgent AI Lab), Toshihiko Yamazaki (Đại học Tokyo)

kèo bóng đá f88 những năm gần đây, việc tổng hợp dữ liệu học tập bằng mô hình khuếch tán tổng quát tạo ra dữ liệu mới bằng cách thêm thông tin từng bước khỏi nhiễu đã thu hút sự chú ý như một phương tiện quan trọng để cải thiện hiệu suất AI Tuy nhiên, các phương pháp hiện tại chỉ đơn giản tìm cách kết hợp việc phân phối các hình ảnh được tạo với phân phối dữ liệu thực (dữ liệu thực) và chỉ các mẫu “điển hình và dễ dàng” được tạo ra, gây khó khăn cho việc bao quát các “mẫu khó” hiếm nhưng quan trọng (ví dụ: dữ liệu đặc biệt khó đánh giá) kèo bóng đá f88 các tập dữ liệu thực Trên thực tế, những mẫu khó này chính là chìa khóa để cải thiện "hiệu suất khái quát hóa" (khả năng áp dụng cho dữ liệu chưa xác định) và "độ mạnh mẽ" (khả năng chống chọi với các tình huống bất ngờ) của bộ phân loại AI kèo bóng đá f88 nghiên cứu này, vấn đề nàyMới được định nghĩa là "công nghệ tổng hợp dữ liệu đồng thời kiểm soát mức độ khó" và đề xuất "Mô hình khuếch tán được kiểm soát độ khó"Tôi đã làm vậy Đầu tiên, một trình phân loại cơ sở, là mô hình nhận dạng AI cơ bản, được sử dụng để gán "điểm khó" (một chỉ báo về mức độ khó đối với AI) cho mẫu thực tế và thông tin về lớp (ví dụ: giống chó "English Springer Spaniel", loài cá "tench" hoặc "phô mai") ​​được gán cho mẫu thực tế Bằng cách nhập các loại phân loại cụ thể thuộc nhiều danh mục khác nhau (chẳng hạn như xây dựng nhà thờ) và thông tin về mức độ khó dưới dạng "điều kiện (hướng dẫn)" vào mô hình khuếch tán, có thể tạo ra các hình ảnh tổng hợp với độ phức tạp tính năng khác nhau tùy theo yêu cầu, từ dễ đến khó Sau nhiều thử nghiệm, bằng cách thêm dữ liệu tổng hợp có độ khó vừa phải đối với AI,Chúng tôi đã chỉ ra rằng hiệu suất của các mô hình hạ nguồn thực hiện nhiệm vụ đã được cải thiện đáng kể và có thể bù đắp cho việc thiếu mẫu ngoại vi (dữ liệu thường bị thiếu ở rìa của tập dữ liệu) kèo bóng đá f88 tập dữ liệu thực, mở ra những khả năng mới cho việc tăng cường dữ liệu và học tập mô hình

Tại công ty chúng tôi, chúng tôi mong muốn nâng cao kỹ năng của các kỹ sưHệ thống hội thảo CA'', chúng tôi đang thúc đẩy nghiên cứu và phát triển công nghệ mới nhất kèo bóng đá f88 hoạt động kinh doanh của mình Nằm kèo bóng đá f88 nỗ lực này, chúng tôi phối hợp với Đại học Waseda tập trung nghiên cứu cơ sở hạ tầng đánh giá và công nghệ ứng dụng cho các mô hình ngôn ngữ quy mô lớn đa phương thức (MLLM)

Để nâng cao mức độ tinh vi của các tác nhân AI, điều cần thiết không chỉ là phát triển các mô hình mà còn phải phát triển các phương pháp đánh giá để đo lường khả năng của chúng một cách thích hợp Công ty chúng tôi coi việc củng cố lĩnh vực đánh giá này là một chủ đề quan trọng và nhằm mục đích đóng góp vào sự phát triển của công nghệ tác nhân AI


「」
Hao Wang (Đại học Waseda), Eiki Murata (Trụ sở kinh doanh CyberAgent AI/AI Shift) Lingfang Zhang (Đại học Waseda), Ikuko Sato (Trụ sở kinh doanh CyberAgent AI), Hajime Fukuda (Đại học Waseda), Ziqi Yin (Đại học Waseda), Wentao Hu (Đại học Waseda), Keisuke Nakao (Đại học Waseda)・Tomoaki Nakamura (Waseda) Đại học) ・Sebastian Zwirner (Đại học Waseda) ・Yi-Chia Chen (Đại học Waseda) ・Hiroyuki Otomo (Trụ sở kinh doanh CyberAgent AI) ・Hiroki Ouchi (Viện Khoa học và Công nghệ Nara/Phòng thí nghiệm CyberAgent AI) ・Daisuke Kawahara (Đại học Waseda)

Bài viết này xem xét lại khả năng hiểu video của các mô hình ngôn ngữ quy mô lớn đa phương thức (MLLM) Các đánh giá trước đây thiên về các video ngắn kèo bóng đá f88 nhà và các hoạt động ở khoảng cách ngắn, đồng thời hầu như không đo lường được sự hiểu biết về các video liên quan đến chuyển động đường dài và đường dài, vốn rất quan trọng kèo bóng đá f88 thế giới thực Tuy nhiên, khả năng diễn giải các tình huống kèo bóng đá f88 đó không gian và thời gian thay đổi đáng kể, chẳng hạn như kèo bóng đá f88 các video du lịch, là điều cần thiết cho việc lập kế hoạch và điều hướng của robot di động tự động Vì vậy, chúng tôi đã tạo một tiêu chuẩn mới "VIR-Bench" bao gồm 200 video du lịch VIR-Bench là điểm chuẩn đo lường khả năng nhận dạng không gian theo thời gian của MLLM bằng cách đo lường độ chính xác của việc tái tạo lại hành trình bằng cách sử dụng video du lịch làm đầu vào Các thử nghiệm cho thấy ngay cả những mô hình tiên tiến nhất cũng gặp khó khăn kèo bóng đá f88 việc đạt được điểm cao và việc hiểu các video ở khoảng cách xa và đường dài vẫn là một thách thức lớn Chúng tôi cũng đang tạo ra một tác nhân AI nguyên mẫu sử dụng kiến thức thu được từ VIR-Bench để đề xuất kế hoạch du lịch bằng cách sử dụng video du lịch làm thông tin đầu vào Đại lý này đã trình bày các hành trình có độ chính xác cao, xác nhận rằng phương pháp đánh giá này hữu ích kèo bóng đá f88 việc cải thiện các dịch vụ thực tế Nghiên cứu này cho thấy rằng mặc dù MLLM vẫn gặp nhiều thách thức kèo bóng đá f88 việc hiểu các video phức tạp kèo bóng đá f88 thế giới thực, nhưng một khuôn khổ đánh giá mức độ hiểu biết về chuyển động đường dài có thể giúp cải thiện hiệu suất ứng dụng, mang lại những ý nghĩa quan trọng cho việc phát triển mô hình kèo bóng đá f88 tương lai

Kết quả của những nghiên cứu này sẽ cải thiện hiệu suất suy luận và tạo ra AI kèo bóng đá f88 “Dòng Kiwa” do công ty chúng tôi cung cấp và “" loạt
"Phòng thí nghiệm AI" sẽ tiếp tục kết hợp công nghệ AI vào các sản phẩm để giải quyết các vấn đề kinh doanh và xã hội, đồng thời sẽ tiếp tục nỗ lực nghiên cứu và phát triển để đóng góp vào sự phát triển công nghệ và học thuật



※1　
※2　, ,
※3　Narita và cộng sự “” (AAAI 2019), Garcia và cộng sự “” (AAAI 2020), Nomura và cộng sự “” (AAAI 2021), Shimano và cộng sự “” (Hội thảo AAAI 2022 về Học tăng cường kèo bóng đá f88 trò chơi), Sun và cộng sự””(AAAI 2023), Aziz và cộng sự ”” (AAAI 2023)[Phát hành] , Sun và cộng sự”” (AAAI 2024), Fujimoto và cộng sự “” (AAAI 2024)[Phát hành] , Fujimoto và cộng sự “” (AAAI 2025), Ishibashi và cộng sự “” (AAAI 2025), Sun và cộng sự “” (AAAI 2025)[Phát hành]
※4　
※5 Liên kết với Đại học Tokyo Đã tham gia thực tập nghiên cứu từ ngày 01/08/2024 đến ngày 30/09/2025