目前有大约100个企业组织在使用IBM Q Network,包括各种私人公司、学术机构和政府研究实验室。
这次新公布的成员包括高盛集团、富国银行、达美航空、斯坦福大学、乔治亚理工学院和洛斯阿拉莫斯国家实验室。
这些企业组织都将在量子计算实践应用研究中采用IBM Q Network,把200000多个新用户连接到IBM现有的量子系统和模拟器。目前已经有200多篇有关量子计算应用的第三方研究论文是由Q Network提供支持的。
这些企业组织通过IBM Q Network可以访问全球最大规模的量子计算机集群(包括IBM新型53比特量子计算机,迄今为止同类计算机中功能最强大的机器),用于商业和基础研究等用途。
IBM研究总监Dario Gil在声明中表示,IBM希望与这些新合作伙伴展开合作,通过量子计算解决一系列社会问题和商业问题。
Gil表示:“量子计算将给关键问题带来深远的影响,例如全球应对气候变化的过程中寻找新型材料来获取碳,以及发现可能为节能型电池供电的新化学方法。”
在本周的CES上,达美航空首席执行Ed Bastian在主题演讲中表示,达美航空正致力于解决旅行和运输方面的挑战。他说,他们想利用这项技术来缓解乘客的压力。
就在几周之前,IBM刚刚表示,已经在德国和日本安装了两台IBM Q System One量子计算机,将改善量子科学和教育水平。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。