BIOCLIP 2团队 投稿 量子位 | 公众号 QbitAI 让AI看懂 95万物种 ，并自己悟出生态关系与个体差异! 而更令人惊喜的是，即使 在训练过程中没有相应监督信号 ，BioCLIP 2还在栖息地识别、植物疾病识别等5个非物种任务中给出了远超 DINOv2的准确率。 BioCLIP 2在大规模训练中获取了物种之外的涌现的生物学理解： 以下是论文详情： 把"生命之树"搬进显存 大语言/视觉模型的"涌现"告诉我们： 规模+结构化监督=意料之外的能力 。 然而，生物多样性研究领域一直没有见到一个具有涌现属性的视觉语义基座。BIOCLIP把CLIP的多模态对齐搬到物种上，利用〔界-门-纲-目- 科-属-种〕+学名+常用名的多粒度文本提供层级监督。在此基础之上，研究团队提出一个问题： 如果把层级对比学习从1千万张图像直接推到2亿，会不会学出 超越"物种标签" 的生物学知识？ BIOCLIP 2正是这一实验的答案。 为了实现这一目标，研究团队从GBIF、EOL、BIOSCAN-5M、FathomNet等 4 大平台收集了2.14亿生物图像，提出了TreeOfLife-200M数 据集。该数据集包含95.2万个不 ...

选自 Ahead of AI 作者：Sebastian Raschka 机器之心编译 推理模型发展正盛，著名 AI 技术博主 Sebastian Raschka 也正在写一本关于推理模型工作方式的新书《 Reasoning From Scratch 》。在此之前，他已经出版了多本 AI 领域的著名书籍，包括《Build a Large Language Model (From Scratch)》、《Machine Learning Q and AI》、《Machine Learning with PyTorch and Scikit-Learn》。 近日，他在自己的博客上放出了这本书的第一章，为 LLM 领域的推理进行了入门级的介绍，同时还概述了推断时间扩展和强化学习等技术方法。 机器之心编译了这本书的第一章，以飨读者。 原文地址：https://magazine.sebastianraschka.com/p/first-look-at-reasoning-from-scratch （注：为了行文清晰，本文会将 inference 译为「推断」，将 reasoning 译为「推理」；其中 inference ...