基准日期 2026-11-03
上次运行 2026-11-03 23:30:04
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.89
WTI
$96.70
Gold
$3,938
USD/KRW
1,343
SOX
10,600
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.89
WTI
$96.70
Gold
$3,938
USD/KRW
1,343
SOX
10,600
Trump Approve
35.4%
← AI 领袖:人事变动与论文
新兴实验室

扬·勒丘恩 Yann LeCun

AMI Labs 创始人

关注理由: 世界模型与 LLM 之后

人事变动

暂无已发布的人事变动。

论文

论文2026-10-30

开发突破复杂机器人控制限制的分层世界模型

Hierarchical World Models with Implicit Dynamics
扬·勒丘恩 等 6 人
做了什么
研究团队开发了ID-WM(Hierarchical World Models with Implicit Dynamics),这是一种能够分离状态可及性与局部控制,从而执行复杂且漫长任务的分层世界模型。
核心结果
与现有最高性能的方法相比,性能提升了38.5%;与单层世界模型相比,性能提升了135%。
意义
这项研究展示了机器人在复杂且陌生的环境中减少错误并进行长期规划的可能性。AI 摘要
论文2026-10-29 · arXiv (Cornell University)

证明了人工智能模型在处理不同信息模态时能够学习到相同的世界

Proving and Improving the Platonic Representation Hypothesis with JEPAs
扬·勒丘恩 等 1 人
做了什么
研究团队将“学习不同输入形态的人工智能模型会收敛于相同的世界表征”这一假设证明为数学定理,并提出了改进该方法的方法。
核心结果
研究确认,采用良好视角的模型能够以比下一个词预测方法少得多的数据,高效地使表征保持一致。
意义
本研究有助于改善人工智能高效理解数据以及连接不同信息模态的方式。AI 摘要
论文2026-10-11 · arXiv (Cornell University)

应用物理定律减少AI世界模型的预测误差

LeHami: Symplectic Latent Dynamics for World Models
扬·勒丘恩 等 2 人
做了什么
研究团队开发了一种名为LeHami的新型世界模型训练方法,该方法将物理系统的几何性质与人工智能相结合。
核心结果
与传统方法不同,该方法防止了长期预测过程中信息被压缩而丢失的现象,并显著提升了速度预测性能。
意义
这项研究有助于人工智能更准确地理解和模拟物理空间。AI 摘要
论文2026-10-05 · arXiv (Cornell University)

开发用于复杂视觉规划的层级学习AI模型 H-JEPA

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
扬·勒丘恩 等 4 人
做了什么
开发了根据时间段划分抽象级别的层级世界模型 H-JEPA。
核心结果
在仿真环境和真实机器人视频实验中,相比现有的单层级模型,其规划成功率更高,计算效率得到了提升。
意义
有助于在需要复杂长期规划的机器人控制和视觉任务中提高效率。AI 摘要
论文2026-10-04 · arXiv (Cornell University)

推出将音乐转换为乐谱的AI 'SheetSage2'

SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision
扬·勒丘恩 等 6 人
做了什么
提出了统一的音乐转录模型 SheetSage2,可将录音自动转换为人类可读的乐谱(lead-sheet)。
核心结果
在评估的 15 个基准和指标对中,单一模型 SheetSage2-AR 在其中的 12 个上超越了所列出的现有系统,比旧版本 SheetSage1 有了显着改进,并且在某些基准测试中表现出甚至高于特定任务专用模型的性能。
意义
这是一项提高音乐转录技术准确性的研究,其模型权重和推理代码已公开,可用于后续研究或应用。然而,仅凭摘要很难判断其商业化可能性或市场规模。AI 摘要
论文2026-09-28 · arXiv (Cornell University)

使自动驾驶世界模型提速100倍的JEPA研究

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
扬·勒丘恩 等 3 人
做了什么
对自动驾驶中使用的基于预测的世界模型(JEPA系列)进行了对比评估,并提出了大幅减少计算量的改进架构 AD-E2E-JEPA。
核心结果
据报告,该提议架构将规划使用的图像块数量减少到1/16,嵌入维度减少到1/4,在保持规划性能的同时,将推理速度提高了约100倍。
意义
虽然该研究展示了降低自动驾驶AI计算成本的方向,但仅凭摘要很难判断其实际车辆应用效果和商业化可能性。AI 摘要
论文2026-08-17

公开关系型学习的开源工具和性能比较平台

Advancing Open and Reproducible Relational Learning: RelArena-$\alpha$, TabPFN-Rel and RPI
扬·勒丘恩 等 46 人
做了什么
研究人员为了促进关系型学习领域的研究,以开源形式发布了一个综合比较平台以及两种相关软件。
核心结果
在公开的新工具中,针对关系型数据库的模型 TabPFN-Rel 在比较平台中创下了最高排名。
意义
此次公开有望为关系型学习领域建立可靠的比较基准,并成为帮助其在研究和产业现场得到应用的基石。AI 摘要

本页面整理已发表的论文、官方公告和媒体报道,仅供参考。论文摘要由 AI 根据论文摘要撰写并经编辑审核,可能与原文存在差异,重要内容请查阅原文。本页面不构成任何证券的买卖建议或投资咨询。 人事变动以官方公告或主要媒体报道为来源,部分履历参考维基数据(CC0)。 本页摘要由 AI 根据编辑审核过的韩文版本翻译。

🐩 支持코봉이零食基金
코봉이
如果这个页面对你有帮助,也欢迎支持코봉이的零食基金 🦴
💬 社区评论
基于IP的匿名昵称 · 滥用可能导致限制
加载中...