5月18日消息,滴滴出行宣布Di-Tech算法大赛于今日中午12:00正式开赛,本次大赛冠军将获得高达10万美元奖金,而赛题挑战成功者还将直接获得滴滴出行的面试机会。滴滴出行此番巨额奖金面向全球寻找数据狂人,对技术人才通过自主学习掌握行业前沿技术将是极大鼓励。
本次大赛的评委阵容豪华,包括人工智能科学家、滴滴研究院院长何晓飞;机器学习领域国际领军人物、滴滴研究院副院长叶杰平;优达学城创始人、GoogleX创始人Sebastian等。大赛也得到了Google研究院院长Peter Norvig以及数据科学家Katie Malone的支持和指导。
据悉,整个赛程分为初赛、实名认证、决赛、答辩四个环节,为期一个月的初赛于北京时间5月18日中午12:00正式拉开序幕,选手登陆算法大赛官网(research.xiaojukeji.com)即可在线参加比赛。初赛成绩排名前50名(含并列)的队伍将进入决赛;决赛成绩排名前10名的队伍进入线下答辩环节,最终角出冠亚季军以及最佳答辩、最有潜力等奖项,奖金最高将达10万美金。
值得注意的是,滴滴将开放国内真实的出行数据,用最炙手可热的研究课题,向算法天才征集更聪明的解决方案,并且该解决方案还将有机会应用于“滴滴出行”产品端,直接改变全球数亿用户的出行体验。
本次大赛赛题为“解决出行行业供需预测问题”,供需预测的目标是准确预测出给定地理区域在未来某个时间段的出行需求量及需求满足量。调研发现,同一地区不同时间段的订单密度是不一样的,例如大型居住区在早高峰时段的出行需求旺盛,而商务区则在晚高峰时段的出行需求旺盛。如果能预测到在未来的一段时间内某些地区的出行需求量比较大,就可以提前对营运车辆提供一些引导,指向性地提高部分地区的运力,从而提升乘客的整体出行体验。
之所以给出这样的题目,滴滴相关负责人表示,截至目前,滴滴出行平台日均需处理1100万订单,需要分析的数据量达到50TB,路径规划超过90亿次。面对如此庞杂的数据,需要通过不断升级、完善与创新的云计算与大数据技术,从而保证数据分析及相关应用的稳定,实现高频出行下的运力均衡。供需预测就是其中的一个关键问题。
据介绍,Di-Tech算法大赛由滴滴研究院主办,合作方是硅谷的IT在线教育“独角兽”优达学城(Udacity),后者为参赛者提供学习资源和技术指导。此前4月18日,滴滴出行宣布同优达学城达成战略合作引发业界众多联想。总部在硅谷的优达学城有着得天独厚的优势,它和Google、Facebook、亚马逊等全球顶尖的科技企业合作推出的认证项目“纳米学位”,将学员培养为顶级的网站开发者、数据分析师和移动开发者。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。