GPT-4o的爆火引發(fā)了廣泛的關(guān)注，其背后的技術(shù)原理更是值得深入探討。本文將揭開GPT-4o的底層秘密，重點分析自回歸模型與擴散模型這兩種生成范式。

GAN已死？不，它卷土重來了！布朗大學和康奈爾大學的研究者剛剛提出了R3GAN，充分利用現(xiàn)代架構(gòu)設(shè)計，徹底摒棄臨時技巧，一半?yún)?shù)就能碾壓擴散模型。網(wǎng)友驚呼：游戲規(guī)則要改變了！

自回歸模型和擴散模型的“專長”并不同，如果讓后者去挑戰(zhàn)前者所擅長的部分，會得到怎樣的結(jié)果？不妨來看看本文的分享。

在訓練Diffusion模型時，我們可以遵循怎樣的階段？這篇文章里，作者圍繞訓練Diffusion的過程、應用Diffusion模型階段等內(nèi)容做了梳理和講解，不妨來看一下。

清華大學電子工程系城市科學與計算研究中心最近提出了一種新的時空少樣本學習方法，旨在解決城市計算中廣泛存在的數(shù)據(jù)稀缺性問題。該方法利用了利用擴散模型來生成神經(jīng)網(wǎng)絡參數(shù)，將時空少樣本學習轉(zhuǎn)換為擴散模型的預訓練問題，可根據(jù)prompt（提示）生成定制的神經(jīng)網(wǎng)絡，從而適應不同數(shù)據(jù)分布和城市特征。

文章基于OpenAI官方公布的Sora技術(shù)文檔，從模型能力、訓練方式和技術(shù)原理三個角度出發(fā)，剖析Sora的出現(xiàn)對人工智能的發(fā)展，到底意味著什么？