标签
Agentic-GER 提出一个基于大语言模型的智能体，用于在长语音转录中利用全局上下文和选择性重转录修正领域特定术语，实现了中英文语音识别准确率的显著提升。
斯坦福+牛津关于 MedRSI 的论文显示，医疗AI智能体可以通过在新患者身上测试新能力并使用防护栏来保持准确性，从而从错误中自我改进。
本文提出渐进式错误课程训练（PECT），通过逐步适应现实中的音素预测错误，提高视觉语音识别中音素到文本重构的鲁棒性，在LRS2和LRS3基准测试上实现了词错误率的降低。
本文提出了CRN v2，一个轻量级的纠正模块，能够在不降低基座能力的前提下修复冻结语言模型中的错误，在领域考试中实现53.3%的纠正率，同时保持标准基准测试的性能。
本文介绍了DasanCallDial，一个针对对话级ASR错误校正的大规模韩语基准数据集，并提出了DCSC框架，在纯文本后编辑中达到了最先进的性能。
本文提出了一种用于标注中文学习者写作中语法错误的分层分类体系，结合了计算和教学视角，并通过覆盖分析和与语言模型的一致性研究进行评估。
AVERT通过集成音频验证和跨轮次一致性来纠正错误，从而增强口语对话状态跟踪，在无需重新训练的情况下提升了SpokenWOZ基准测试上的性能。
ORDDAR是一个推理框架，通过建模认知状态转换来检测和修复局部失真，从而在不同基准测试中提升AI推理的质量和可解释性。
语义推理去噪（SRD）引入了一种算子化的马尔可夫去噪方法，用于纠正语言模型推理轨迹中的语义错误。该方法使用可执行的错误算子和迭代优化，在六个基准测试中均展现出性能提升，并在迁移任务上取得了有竞争力的结果。
本文探讨了创建美观且可扫描的二维码的艺术与技术，涵盖了错误纠正、AI生成和自定义渲染工具等方法，同时强调美学与功能性之间的平衡。
Google宣布其Willow系统在量子计算上取得突破，完成了一项计算，这项计算在经典超级计算机上需要10 septillion年，而在Willow系统上仅用了5分钟，标志着量子纠错的一个重要里程碑。
本文修正了OpenAI的AI生成的量子博弈指数级并行重复定理证明中使用的贪婪条件引理中的极性错误，并提供了反例和完整的修正证明。
RECAST是一个机器学习框架，结合了学习校正与超分辨率技术，以恢复粗网格PDE求解器的精度，在六个一维PDE系统上将误差降低50-92%，从而能够在保持保真度的同时使用更粗的网格进行模拟。
D-Wave 在《自然》杂志发表论文，展示了其双轨量子比特上的纠缠，这是这种可检测光子丢失的量子比特技术的关键验证步骤，有望简化量子纠错。
D-Wave 宣布一篇经同行评审的 Nature 论文，展示了其双轨擦除量子比特的高保真双量子比特纠缠门，显著降低了量子纠错的硬件开销，并推进了实用容错门模型量子计算的发展。
NVIDIA的Ising解码器，基于PyTorch和NVIDIA cuQuantum构建，将色码逻辑错误率降低了300倍以上，为生成合成训练数据提供了框架，以改进量子纠错解码器。
本文介绍了Experience Memory Graph（EMG），这是一个将Agent失败恢复重新表述为图匹配问题的框架，旨在为LLM Agent实现一次性错误纠正，无需测试时的试错过程。
谷歌研究人员表明，强化学习可以利用量子纠错中的错误检测数据持续重新校准控制参数，从而实现稳定的长时间计算，无需为重新校准而停机。
提出了一种采用二元自行车码的针对量子卷积神经网络的低开销纠错技术，证明了在真实噪声环境下，相比于未保护QCNN，该技术改善了学习性能。