今天,IBM与“代码集结号”联合创始伙伴David Clark Cause、慈善合作伙伴联合国以及Linux基金会共同宣布启动2021年代码集结号全球挑战赛。今年的竞赛邀请世界各地的软件开发者和创新者用开源技术应对气候变化。
“代码集结号”已经进入第四个年头,吸引了179个国家和地区的40多万开发人员和问题解决专家加入,并开发了15,000多个应用程序。 该倡议旨在通过创建基于开源软件构建的应用程序,在全球范围内推动当下和持久的人道主义进程,这些开源数据和工具包括Red Hat OpenShift、IBM Cloud、IBM Watson、IBM Blockchain、来自IBM Weather Company的大气数据,以及开发者资源和诸如财捷集团和New Relic等生态系统的应用程序编程接口。
支持“代码集结号”倡议的全球多元生态系统由专家、公司、基金会、大学和 名人 组成并且正在不断发展壮大。这包括联合国世界粮食计划署创新加速专家、艾睿电子、Black Girls Code、Caribbean Girls Hack、克林顿基金会、克林顿全球倡议大学、英迈、财捷集团、Kode With Klossy、NearForm、联合国减少灾害风险办公室、United Way和World Institute on Disability。
为了帮助应对气候变化,IBM宣布与慈善机构Heifer International和charity:water建立新的合作伙伴关系。他们将作为志同道合的全球合作伙伴加入“代码集结号”生态系统,为当地农民和社区贡献他们在减轻饥饿和贫困方面享誉世界的专业知识。
“小农户生产了世界上大部分的粮食,他们正处于气候危机的前线。有了信息和技术,他们可以对种植方式和种植时间做出明智的决定,从而在增收的同时为更多的人提供粮食,” Heifer International高级创新技术总监David Gill说。“我们非常高兴与IBM、开发人员和开源社区一同支持这些解决方案,它们有可能增加全球数百万人获得水、食物和进入市场的机会。”
IBM对环境可持续发展的多方倡导可以追溯到几十年前。今年早些时候,IBM 宣布将在2030实现温室气体净零排放,在其运营的175多个国家和地区优先减少排放、提高能效,并增加清洁能源的使用。近期IBM研究院宣布在加速发现新的碳捕获、分离和存储技术方面取得了进展。
IBM“代码集结号”倡议负责人Ruth Davis表示:“气候变化是我们这个时代面临的最紧迫的问题之一,我们必须运用我们的集体创造力和尖端技术来取得持久的变化。” “与我们的合作伙伴生态系统一起,IBM将与获胜团队共同在最需要的社区中孵化和部署他们的解决方案,就像我们与前几届冠军团队所作的一样。我鼓励世界各地的开发人员和创新者抓住这一机会,通过“代码集结号”来改变我们的气候轨迹。”
去年获胜的解决方案Agrolly是一款旨在通过提供气候和农作物预测和建议来支持小农户的应用程序。自去年10月以来,Agrolly团队将其解决方案扩展到了新市场,并为蒙古、印度和巴西的500多农民提供了手把手的培训,这些农民正在测试并使用该应用程序来对抗气候变化的影响。Agrolly还与IBM志愿服务队合作制定了部署计划,在未来几个月改进和测试他们的技术。
“代码集结号”已经创建了30多个解决方案,这些解决方案正在被孵化和酝酿一系列部署测试,其中包括12个由Linux基金会托管的开源项目,以便其能够通过开源社区的力量得到更好的发展。作为最近的例子,Linux基金会在世界水日宣布,另一个“代码集结号”的解决方案Liquid Prep将由基金会托管,以便全世界的开发者贡献他们的移动、物联网、边缘计算、云计算和气候等方面的能力,帮助农民在干旱期间优化用水。
“代码集结号”的获胜团队将获得200,000美金奖励,以及IBM志愿服务队、技术专家和合作伙伴的支持,共同帮助孵化他们的技术并开放代码以供他人使用,并在世界各地部署他们的解决方案,”代码集结号联合创始机构David Clark Cause的首席执行官David Clark表示。“今年的比赛集中在应对气候变化的最关键的三个子主题上:洁净的水和卫生, 零饥饿, 负责任的生产和绿色消费”。
关于“代码集结号”
开发人员已经彻底改变了人们的生活方式,改变了人们与几乎所有人和一切事物的互动方式。在大多数人遇到挑战的地方,开发人员则看到了机会。这就是为什么David Clark Cause的首席执行官David Clark在2018年创建了“代码集结号”倡议,并与创始伙伴IBM和慈善合作伙伴联合国一道发起“代码集结号”。从那时起,“代码集结号”还增加了“大学挑战赛”,以及“Call for Code for Racial Justice”这项持续多年的全球倡议,号召开发人员利用他们掌握的最新技术,通过代码在世界各地推动积极且持久的变革。“代码集结号”获胜的解决方案被进一步开发、孵化和部署为可持续的开源项目,以确保它们能够推动积极的变革。
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。