DeepSeek显然就属于追求极致性能的专家用户了，根据v3.2公告的说法，在早期DeepSeek团队使用TileLang快速开发原型，之后用更底层的方法进一步优化性能。后来TileLang也以DeepSeek在这天发布的FlashMLA内核作为评测基准，在H100上的MLA解码速度，TileLang编写的内核做到与FlashMLA相当。作为编程模型的核心概念，通过显式的Tile抽象，让开发者能够

作为项目负责人承担科技部重点研发计划重点专项课题、广东省自然科学基金杰出青年项目、广东省科技创新青年拔尖人才项目、国家自然科学基金面上项目、深圳市优秀科技创新人才优秀青年基础研究项目、深圳市面上项目、CCF-腾讯犀牛鸟基金、CCF-快手大模型探索基金、CCF-海康威视斑头雁基金、CCF-华为胡杨林基金可信计算专项基金、CAAI-华为MindSpore学术奖励基金、腾讯犀牛鸟研究专项基金。雅思（学术

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【计算机视觉和PyTorch】交流群2023年10月18日（北京时间），PyTorch 基金会正式宣布华为作为Premier会员加入基金会，这也是中国首个、全球第十个PyTorch基金会最高级别会员。未来，华为将进一步与其他成员公司共同协作，加速PyTorch社区发展，为全球人工智能社区带来更多灵感和创新，共建开

在小鹏任职的五年间，他全面主导了自动驾驶的战略布局、产品规划与技术落地，推动了NGP与XNGP等核心项目的落地，为中国品牌量产自动驾驶开辟了先河。正是在这一关键节点上，英伟达决心加速自动驾驶业务布局，而吴新宙兼具算法与整车厂经验，既懂底层算力，又熟悉车企需求，无疑是老黄心目中的理想人选。该车型上市仅一个月，订单突破4万台，其中，搭载智能驾驶高配系统的“Max版”占比更是高达70%。接下来，就让我们

昇思MindSpore学习打卡营，是昇思MindSpore开源社区为开发者打造的能力提升项目。在过去的两期里，集结了2000余位开发者加入，我们一起收获了心智、技术、坚持与进步。第三期国庆特辑再起航，昇思社区携手社区布道师共同打造本期课程。开发者自己的课程，更适合开发者！End点击阅读原文，即可免费报名学习！...

CVPR 2025开放注册的第一天，注册人数就已达数千人，火爆程度可见一斑。今年AAAI和ICLR都在CVPR截稿前rebuttal，想必CVPR的投稿数量会再创新高。想要从众多文章里脱颖而出，除了有一个精彩的idea，详实的实验数据也是必不可少的。目前，距离CVPR截稿已进入倒计时，许多同学正进入实验和模型验证的关键阶段，压力逐步攀升。实验算力成了此刻最紧缺的资源，而算力的高效性不仅决定了实验进

论文提出了一种名为U-KAN的新型医学图像分割框架，通过将KAN与经典的U-Net架构相结合，显著提升了分割性能。Self-Prompt-SAM是一个用于医学图像分割的框架，它通过自动生成提示来适应预训练的SAM模型，并通过3D深度融合适配器使其能够处理3D医学图像，从而在多个数据集上实现了优异的分割性能。论文提出了一种多模态医学图像分割方法，通过深度神经网络提取特征并转化为证据理论中的质量函数，

图 1 展示了具体的构建过程以及对数据集的统计分析，通过 in-context learning 的方式利用现有的强大的多模态大模型进行标注，从不同任务中的数据中获取音视频场景，为了保证结果的准确性和推理过程的合理性，原有数据的标签也作为输入，让 Gemini 1.5 Pro 针对该场景输出带有时序和空间等信息的显示推理过程。表 1 展示了与多个任务上的通用模型的对比结果，相比于其它模型，本文提出

与大部分的零样本异常检测方法相同，采取在A数据集训练，在B数据集测试的设定。现有的类别泛化方法比较有限，主要有基于元学习的方法(如 MetaUAS, RegAD)，基于特征残差的方法(如 InctRL, ResAD)，基于视觉语言模型的方法(如WinCLIP, APRIL-GAN)。对比的SOTA方法包括： RegAD, AnomalyGPT, FastRecon, WinCLIP, APRIL-

的单步生成建模框架，通过引入平均速度（average velocity）的概念来改进现有的流匹配方法，并在 ImageNet 256×256 数据集上取得了显著优于以往单步扩散 / 流模型的结果，FID 分数达到 3.43，且无需预训练、蒸馏或课程学习。图 1 中，本文将 MeanFlow 与之前的单步扩散 / 流模型进行了比较，如表 2（左）所示。总体而言，MeanFlow 的表现远超同类：它实