AI4S黑客松正式启动！

如果你现在打开手机，随便问一个大语言模型：“把一只玻璃杯推到桌子边缘，会发生什么？”它大概率会告诉你杯子会掉下去摔碎。 这个答案听起来很聪明，但真相是——它并不真的“知道”杯子为什么往下掉。它只是在训

在讨论自动驾驶技术时，很多人容易产生一种误解，认为端到端是一项孤立的新技术，会完全取代BEV（鸟瞰图）或Transformer，也有小伙伴曾在后台留言询问端到端模型还会使用BEV+Transforme

在谈及自动驾驶时，Transformer一直是非常关键的技术，为何Transformer在自动驾驶行业一直被提及？先说结论，Transformer之所以在自动驾驶领域被频繁提到，并被广泛推崇，主要是因

当今的去噪扩散模型并非传统意义上的“去噪”。 它们并不直接预测干净的图像。相反，神经网络预测的是噪声或带噪声的量。 ResNet 之父、麻省理工副教授何恺明新论文发现了这一问题。 预测干净数据和预测带

自动驾驶中常提的Transformer本质上是一种神经网络结构，最早在自然语言处理里火起来。与卷积神经网络（CNN）或循环神经网络（RNN）不同，Transformer能够自动审视所有输入信息，并动态

近年来，随着ChatGPT、Claude、文心一言等大语言模型在生成文本、对话交互等领域的惊艳表现，“Transformer架构是否正在取代传统深度学习”这一话题一直被持续讨论。特别是在自动驾驶领域，

前言：大语言模型（LLMs）规模庞大但效率低下的问题长期备受关注。尽管模型参数持续增长，其在长文本处理中的性能衰减、计算资源消耗等问题始终未能有效解决。谷歌DeepMind最新提出的MoR架构，可能为