FineServe是一套从全球商业市场收集的多模型大型语言模型（LLM）服务工作负载数据集。该数据集支持对多样化模型和任务的真实服务动态进行细粒度分析，揭示了不同模型架构、规模及任务意图下的请求波动行为。基于此，研究人员开发了FineServe工作负载生成器，可生成定制化的细粒度模型感知工作负载，用于评估多模型服务平台的调度、路由及容量规划策略。数据集和工具已开源。
这条 研究论文 信号说明，来自 arXiv cs.AI 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.AI 发布了这条关于 研究论文 的更新：FineServe是一套从全球商业市场收集的多模型大型语言模型（LLM）服务工作负载数据集。该数据集支持对多样化模型和任务的真实服务动态进行细粒度分析，揭示了不同模型架构、规模及任务意图下的请求波动行为。基于此，研究人员开发了FineServe工作负载生成器，可生成定制化的细粒度模型感知工作负载，用于评估多模型服务平台的调度、路由及容量规划策略。数据集和工具已开源。
高效部署大型语言模型服务需理解真实世界工作的多样性和波动性，FineServe通过真实商业数据填补了现有研究使用代理或粗粒度数据的空白，促进了LLM服务系统的优化策略研究。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
英伟达与韩国科学技术院（KAIST）在首尔KAIST金在哲人工智能研究院联合成立AI研究实验室，致力于推动韩国的自主智能体AI发展。
传统的AI生成视频检测方法在离线环境下对解码后的视频像素进行评分，通常使用大型视觉语言模型，计算开销高。本文提出将检测任务重新定义为流式感知，直接解析视频压缩编码中的运动场信息，避免了像素域的复杂前向传播。该方法可在任何时间点基于当前数据有效做出判断，且计算成本比像素卷积神经网络低五个数量级。实验证明，在GenVidBench和AIGVDBench数据集中，延迟检测15%的视频片段即可将准确率从0.75提升至0.78，同时计算成本降低7倍。该研究未引入新的检测器，核心贡献在于问题重新定义、两个理论保证及计算边界的测量。代码和实验配置公开可用。
从单目视频中恢复大规模场景中一致的4D人群运动具有挑战性，主要因深度模糊和复杂场景几何。现有方法通常基于单平面假设，导致度量尺度不可靠且复杂地形下空间漂移。Crowd4D是首个场景感知的4D人群重建框架，能联合优化人群与场景，实现场景几何的显式融合，并通过多阶段优化策略保证图像与场景空间一致性。引入了人群-场景交互代理（HSIP），利用场景交互点云(SIPC)与交互曲面(SIS)作为中间表示，融合显式场景几何先验，重新定义优化空间。为增强遮挡下的时间稳定性，设计人群结构连贯正则化(CSCR)，利用HSIP空间先验对局部邻域的相对位移和方向施加软时间一致性约束。大量实验表明Crowd4D在复杂大规模场景中显著优于现有方法，实现稳健的单目4D人群重建。