全部动态

HybridFLow解决了混合联邦学习中通信延迟和straggler效应问题，通过SDN智能分区提升训练效率。

VIP-Router让MLLMs根据不同图像自动选择最佳剪裁策略，不修改底层算法，参数仅占骨干模型的0.017%。

清华团队发布几何推理框架，用LLM+专用模块解决几何题，性能比肩Gemini 2.5 Pro，解题过程更清晰。

研究人员提出RiLM模型，用测地线解码替代传统输出层，小模型性能翻倍。

GANDR系统让法律AI答案的每个声明都可验证，准确率比现有系统高11个百分点，代码已开源。

RD-Forget让智能体保留历史知识但避免过时信息干扰，解决了事实更新难题。

这篇论文介绍了一种能自我演化的软件构建新范式，让应用像JIT编译器一样动态适应需求。

清华团队推出LiteRAG，比GraphRAG快100倍且便宜99%，多跳问答更高效。

TinyTC团队展示了AI编译器如何优化HPC模板计算，在Intel GPU上性能领先，PyTorch/Triton则提供跨厂商开发基准。

FGPO方法解决了基因组工具选择中的采样问题，比GRPO表现更好，还能减少计算资源消耗。

医疗AI新框架OmniMed-FL，用联邦学习解决医疗数据隐私问题，多模态融合效果提升明显。

这篇论文揭示了时间序列模型评估的关键问题：预训练熟悉度比模型架构更重要。

TRACE用模拟验证解决诊断推理难题，让Qwen3.5-35B在数字广告诊断任务上超越Claude Opus 5。

这篇论文展示了如何将主动学习和模型剪枝结合，无需额外计算成本就能获得稀疏模型，解决了主动学习在大规模架构上的计算瓶颈问题。

VSCP方法解决了3DGS的不确定性量化问题，在保持高覆盖率的同时显著减少计算量，提升渲染效率。

Maverick让用户无需暴露数据就能安全使用第三方LLI服务，性能提升最高达157倍。

PHER解决了表格数据特征变换的三个关键局限，代码已开源在GitHub，适合做表格数据预测的研究者和工程师。

这篇论文揭示了Transformer内部工作原理，展示了如何直接读写模型组件，对理解模型机制很有价值。

清华团队提出CoGe-GCD，解决GCD方法难以泛化到新组合的问题，代码已开源。

研究人员提出CompassOPD解决跨家族模型蒸馏效果差的问题，比标准方法提升推理准确率5.5点。

欧盟AI法案实施后，AI文本水印无法验证的问题被研究，实测发现水印效果存疑且检测困难。

这篇论文提出了一个新框架，让多模态大模型通过对比学习超越表面模仿，在VQA等任务上表现更好。

新系统让AI助手共享用户记忆，GPT-4o等模型个人化分数提升2-4分，响应速度提高15-61%。

AgentAudit能全面评估AI智能体表现，发现任务完成表现相似但信任度差异巨大的模型，比传统通过/失败基准更精准。

清华团队发现预防性转向依赖主动适应而非静态防御，提出新方法提升模型安全性。

AutoTrans能自动将RISC-V安全断言从一种架构翻译到另一种，比人工翻译快且准确，解决了LLM翻译的幻觉问题。