机器之心报道 机器之心编辑部 我们知道，训练大模型本就极具挑战，而随着模型规模的扩大与应用领域的拓展，难度也在不断增加，所需的数据更是海量。 大型语言模型（LLM）主要依赖大量文本数据，视觉语言模型（VLM）则需要同时包含文本与图像的数据，而在机器人领域，视觉 - 语言 - 行动模型（VLA）则 要求大量真实世界中机器人执行任务的数据。 目前而言，Agent 是我们走向通用人工智能（AGI）的重要过渡。训练 Agent 则需要带有行动标签的真实交互数据，而获取这类数据的成本远比从网页上获取文本 与图像的成本高昂得多。 因此，研究者一直在尝试寻找一种替代方案，来实现鱼和熊掌兼得的效果：既能够降低数据获取成本，又能够保证大模型训练成果，保持基础模型训练中常见的 大规模数据带来的优势。 加州大学伯克利分校副教授，Physical Intelligence 的联合创始人，强化学习领域大牛 Sergey Levine 为此撰写了一篇文章，分析了训练大模型的数据组合，但他却 认为，鱼和熊掌不可兼得，叉子和勺子组合成的「叉勺」确实很难在通用场景称得上好用。 替代数据 尽管在视觉感知和自然语言处理任务中，真实世界数据一直被视 ...

如果您希望可以时常见面，欢迎标星收藏哦~ 在日前举办的"IMW 2025"上，三星电子关于下一代 DRAM 和下一代 NAND 闪存的演变。 在DRAM部分，三星首先回顾了DRAM单元多年来的演变。 在 1990 年代，平面 n 沟道 MOS FET 是单元选择晶体管（单元晶体管）的标准。然而，进入21 世纪，短沟道效应和关断漏电流已变得无法忽视。一种在不缩短沟道长度的情况下使横向（水平） 方向微型化的晶体管结构被设计出来并被用于DRAM单元晶体管。随着光刻技术的不断缩小， DRAM单元的面积可以不断缩小。 与此同时，DRAM 单元阵列布局在 2010 年代得到了改进。 DRAM单元的尺寸是根据设计规则 （或最小加工尺寸）"F：特征尺寸"进行比较的。原则上，可能的最小单元是 2F（垂直尺寸）x 2F（水平尺寸）= 4F2，但这极难实现。 2010年代，通过改进DRAM单元阵列的布局，单元面积从传统的"8F2"缩小到"6F2"。即使加工尺 寸相同，单元面积也减少了25%。这种"6F2"布局至今仍是大容量DRAM使用的标准。 在"6F2"布局中，通过将字线和沟道嵌入到衬底中，单元晶体管的面积得以减小。源极和漏极水 ...