北京时间6月18日(本周六)上午10点，清华三维视觉研究团队的刘烨斌老师和同学们将率先分享他们在本次CVPR 2022的工作，三维人体重建与渲染、高精度人脸生成。

在实验室阶段，很难预见到现场的复杂性和丰富性，因此需要在实际场景中进行充分测试，解决各种角角落落的问题，并不断优化算法以适应不同情况。在学术界，数据集相对较小，而工业界则面临更大的规模和更复杂的应用场景。例如，在自动驾驶领域，像波士顿动力公司，甚至谷歌、百度，他们的做法是以完全不计成本的购置当时最好的设备去实现其各种功能，使得自动驾驶效果较好，但高昂的成本使得消费者难以接受。对于自动驾驶领域，数据

本期为TechBeat人工智能社区第547期线上Talk！北京时间11月16日(周四)20:00，上海期智研究院实习研究员—庄子文的Talk已准时在TechBeat人工智能社区开播！他与大家分享的主题是:“用深度强化学习让机器狗学会跑酷”，系统地介绍了他的团队在基于强化学习算法和软动力学约束让四足机器人的运动能力远超传统移动机器人的算法所做的一系列研究成果。

谷歌I/O大会发布语言模型LaMDA2

这次大模型的成功是多个子领域的成功碰撞出的结果，例如模型设计（Transformer）、Data-centric AI（对数据质量的重视）、强化学习（RLHF）、机器学习系统（大规模集群训练）等等，缺一不可。从GPT-1到ChatGPT/GPT-4，所用的训练数据大体经历了以下变化：小数据（小是对于OpenAI而言，对普通研究者来说也不小了）->大一点的高质量数据->更大一点的更高质量数据->高质

在迈向通用人工智能（AGI）的诸多可能的方向中，发展多模态大模型（MLLM）已然成为当前炙手可热的重要路径。多模态之间的互补性可以增强人工智能的学习能力，比如，CLIP 将图像与文本进行统一学习的方式就取得了巨大的成功。但受限于多种模态之间巨大的差异性以及现有多模态模型对配对数据的依赖性，实现模态通用感知存在着艰巨挑战。

自Google DeepMind的研究团队提出了一种全新的强化自训练算法（Reinforced Self-Training，ReST），ReST相比RLHF，可以以更高的效率使LLMs的输出与人类偏好保持一致。ReST的设计灵感来源于他们将语言模型的对齐问题视为一个不断增长的批量强化学习问题，因此本文作者首先从一个初始LLMs策略出发，并根据该策略生成一个离线数据集，然后使用离线RL算法使用这些样

北京时间8月24日(周三)晚20点，准时开播！

AI Agents是当下大模型领域备受关注的话题，用户可以引入多个扮演不同角色的LLM Agents参与到实际的任务中，Agents之间会进行竞争和协作等多种形式的动态交互，进而产生惊人的群体智能效果。本文介绍了来自KAUST研究团队的大模型心智交互CAMEL框架（“骆驼”），CAMEL框架是最早基于ChatGPT的autonomous agents知名项目，目前已被顶级人工智能会议NeurIPS

大语言模型（LLM）的蓬勃发展离不开健全的评测体系，而对于多模态大语言模型（MLLM）而言，一直缺乏类似MMLU、ARC等全面且客观的评测基准。腾讯AI Lab联手腾讯ARC Lab推出了SEED-Bench系列评测基准，有效弥补了这一缺陷，目前已成为测评MLLM的主流基准之一。