至顶网软件频道消息: 你今天是不是穿着牛仔裤?你的衣柜里是不是挂着碎花领带或小黑裙?你还记得 90 年代的厚底高跟鞋吗?这些不同风格的服饰有着一个共同点:它们背后都有着自己的故事,有的甚至跨越数百年的历史。
正如有着传奇色彩的 Vogue 主编 Diana Vreeland 所言:“你甚至可以切身感觉到服饰变革的临近。通过服装,你可以看到并感受一切。” 而这正是 Google 艺术与文化项目全新推出的 “We wear culture” 让人感到无比兴奋的原因之一 —— 去揭示那些人们所穿着的服装背后的故事。
来自纽约、伦敦、巴黎、东京、圣保罗等时尚中心超过 180 家的博物馆、时尚机构、学校、档案馆和其他组织齐聚一堂,将跨越 3000 年历史的服饰风尚带到你的指尖。人们可以鉴赏 30000 余件时尚作品:你可以尝试分类欣赏不同颜色的帽子,或者不同时期的鞋。在超过 450 个展览中,不仅囊括了从古老的丝绸之路到狞厉的英国朋克的故事,还可以在这里邂逅 Coco Chanel, Cristóbal Balenciaga, Yves Saint Laurent 和 Vivienne Westwood 等传奇潮流引导者。
Google 还创作了 VR 影像来为这些传奇性作品赋予全新的生命力,现在就让我们一起来看看这些作品吧。
● Chanel 的黑色礼服让女性在任何场合都能够穿着黑色 (Musée des Arts Décoratifs, 法国,巴黎 - 1925)
● Marilyn Monroe 闪闪发光的红色高跟鞋成为赋予女性权力、成功和性感的表现 (Museo Salvatore Ferragamo,意大利,佛罗伦萨 - 1959)
● 设计师 Vivienne Westwood 独一无二的紧身衣 —— 历史上最有争议的服装之一 (Victoria and Albert Museum, 英国,伦敦 - 1990)
● 川久保玲通过 Comme des Garçons 的毛衣和裙子将日本设计的美学和工艺带入全球时尚舞台 (Kyoto Costume Institute, 日本,京都 - 1983)
比起单纯地满足视觉审美,服饰还有其他更为重要的意义。鞋匠、珠宝商、领带加工厂和制袋商通过几代人传承,掌握相关工艺,并巧妙地依照设计图纸、裁剪草图制作成品。通过 Google Art Camera 制作的超高分辨率图像,在放大后用其前所未有的细节展示了精湛的工艺,就像著名的 Schiaparelli 晚礼服 —— 将超现实主义的绘画变成了大胆、前卫的时尚声明。
走进世界上最大的服饰藏馆 —— 大都会艺术博物馆服饰学院的保藏实验室,以360度视角去了解他们是如何为未来传承这些藏品;观看有关纺织机械的影像,它们承载了这个世界上最大的产业之一;并与纺织业的社区亲密接触,比如印度的 Avani Society。
同时,Google 还携手 YouTube 明星 Nilsen,与她一同探索衣橱,并揭秘今天穿着在你身上的那些服饰背后的更多故事。在你穿上你心爱的帽衫或破洞牛仔裤之前,不妨先来 YouTube 频道做做客,近距离了解当今时尚世界的发展历程。
现在大家可以通过 Google 艺术与文化项目的网站以及 iOS 和 Android 手机 App 访问 “We wear culture” 。通过这个项目,上千家艺术及历史机构与时尚世界相汇合,在 Google 艺术与文化项目上分享他们的藏品,让你可以在这里探索到更多的文化宝藏。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。