ViewExtrapolator：南洋理工联合UCAS团队推出的新型视图合成方法
南洋理工大学与UCAS团队联合推出了一种新型视图合成方法——ViewExtrapolator。该方法基于稳定视频扩散（SVD）技术，能够在不进行微调的情况下，高效生成超出训练视图范围的新视角图像，显著减少伪影，提升视觉质量。ViewExtrapolator具有广泛的应用前景，尤其在虚拟现实、3D内容创建、电影制作等领域。
AutoVFX：自然语言驱动的视频特效编辑框架
AutoVFX是一个先进的自然语言驱动的视频特效编辑框架，由伊利诺伊大学香槟分校的研究团队开发。该框架能够根据自然语言指令自动创建真实感和动态的视觉特效（VFX）视频，集成了神经场景建模、基于大型语言模型（LLM）的代码生成和物理模拟技术。本文详细介绍了AutoVFX的主要功能、技术原理以及如何运行该框架。
【AI系统】AI 系统与程序代码关系
本文探讨了AI系统与程序代码之间的关系，通过PyTorch实现LeNet5神经网络模型为例，详细介绍了AI训练流程原理、网络模型构建方法、算子实现的系统问题以及AI系统执行的具体计算过程。文章不仅解释了神经网络的前向传播和反向传播机制，还深入分析了算子在AI框架中的作用及其底层实现，包括卷积层的具体计算和优化问题。此外，文章对比了使用PyTorch与直接使用cuDNN+CUDA编程实现神经网络模型的差异，强调了AI框架在提高开发效率、自动化内存管理和实现自动微分等方面的重要性。
【AI系统】AI系统概述与设计目标
本文介绍了AI系统的全栈架构，涵盖设计目标、组成和生态。AI系统旨在连接硬件与应用，提供高效的模型服务和开发支持。文中探讨了高效编程语言、开发框架、工具链的重要性，以及AI任务系统级支持、自动编译优化和云原生自动分布式化等关键设计目标。此外，还详细讨论了AI训练与推理框架、AI编译与计算架构、AI硬件与体系结构等组成部分，以及AI算法和框架、更广泛的生态系统等。
大规模语言模型与生成模型：技术原理、架构与应用
本文深入探讨了大规模语言模型（LLMs）和生成模型的技术原理、经典架构及应用。介绍了LLMs的关键特点，如海量数据训练、深层架构和自监督学习，以及常见模型如GPT、BERT和T5。同时，文章详细解析了生成模型的工作原理，包括自回归模型、自编码器和GANs，并讨论了这些模型在自然语言生成、机器翻译、对话系统和数据增强等领域的应用。最后，文章展望了未来的发展趋势，如模型压缩、跨模态生成和多语言多任务学习。
IoU已经out了，试试这几个变体:GIoU、DIoU和CIoU介绍与对比分析
本文探讨了目标检测中常用的交并比（IoU）及其变体，包括广义交并比（GIoU）、距离交并比（DIoU）和完全交并比（CIoU）。这些指标不仅提高了模型在处理不重叠、距离较远或形状差异大的边界框时的表现，还为模型的学习过程提供了更深入的洞察。文章详细解释了各指标的计算方法及应用场景，并提供了相应的代码示例，帮助读者更好地理解和应用这些先进的评估指标。
深度学习在图像识别中的应用
本文将探讨深度学习技术在图像识别领域的应用，包括基本原理、关键技术和实际应用场景。我们将介绍深度学习模型如卷积神经网络（CNN）的工作原理，并通过代码示例展示如何实现一个简单的图像分类任务。最后，我们还将讨论深度学习在图像识别中面临的挑战和未来发展趋势。
深度学习之测量GPU性能的方式
在深度学习中，测量GPU性能是一个多方面的任务，涉及运行时间、吞吐量、GPU利用率、内存使用情况、计算能力、端到端性能测试、显存带宽、框架自带性能工具和基准测试工具等多种方法。通过综合使用这些方法，可以全面评估和优化GPU的性能，提升深度学习任务的效率和效果。
AI Agents Loop异步执行可视化Tutorial 借助AgentBoard工具可视化工作流
本文介绍了AI Agent的异步执行循环（Agent Loop），并展示了如何利用开源框架agentboard可视化这一过程。通过分析不同框架（如AutoGen、LangGraph、AutoAgent）对Agent Loop的抽象，文章详细说明了从简单的功能调用到复杂的多阶段执行流程的设计。此外，还提供了使用agentboard进行日志记录与流程可视化的具体示例，包括安装步骤、代码实现及运行方法，帮助开发者更高效地调试和优化AI Agent的应用。
优化注意力层提升 Transformer 模型效率：通过改进注意力机制降低机器学习成本
Transformer架构自2017年被Vaswani等人提出以来，凭借其核心的注意力机制，已成为AI领域的重大突破。该机制允许模型根据任务需求灵活聚焦于输入的不同部分，极大地增强了对复杂语言和结构的理解能力。起初主要应用于自然语言处理，Transformer迅速扩展至语音识别、计算机视觉等多领域，展现出强大的跨学科应用潜力。然而，随着模型规模的增长，注意力层的高计算复杂度成为发展瓶颈。为此，本文探讨了在PyTorch生态系统中优化注意力层的各种技术，