无需训练相关 AI 资讯

AITOP

8月24日

00:18

elvis@omarsar0

精选

Google DeepMind提出一种无需训练的模型架构进化方法，通过模型自身反馈进行架构修改。在Gemma3系列上，自适应变体将困惑度降低23%，GSM8k准确率提升21%，仅进行轻微超参数调整。

论文 Google DeepMind 模型架构进化无需训练

推荐理由：强烈推荐这篇来自Google DeepMind的论文，它提出了一种有趣的无需训练的模型架构进化方法，对递归自我改进方法有启发。

原文

7月16日

09:33

官方账号arXiv cs.AI@Ting Lei, Jialin Liu, Zhu Xu, Yuxin Peng, Yang Liu

AgentHOI 提出一个无需训练的智能体框架，将多模态大模型的推理能力用于人-物交互检测。它通过上下文感知多轮推理和多方面交互定位两个机制，实现开放场景下的语义推理与空间定位。在真实世界设置中，AgentHOI 超越现有有监督和弱监督方法，且无需任何 HOI 检测训练数据。

论文 AgentHOI 人-物交互检测多模态大模型

推荐理由：这篇论文搞了个 AgentHOI，不用训练数据就能做开放世界的人-物交互检测，靠多模态大模型推理，效果还比有监督方法好。

原文

6月5日

12:10

官方账号arXiv cs.AI@Paul Jünger, Justin Lovelace, Linxi Zhao, Dongyoung Go, Kilian Q. Weinberger

精选

离散扩散语言模型通过并行去噪生成文本，每一步会预测掩码位置的候选词，并丢弃低置信度的预测。研究者发现这些丢弃的token实际上包含有用的前瞻信号，能提前揭示关键实体，从而在输出最终确定前检索到更强证据。基于此，他们提出了SARDI（自增强检索扩散语言模型），一种无需训练、与检索器无关的动态RAG框架。在五个多跳问答基准测试中，SARDI以高达8倍的吞吐量超越了当前无需训练的扩散和自回归检索基线。

论文扩散语言模型检索增强生成多跳问答

推荐理由：SARDI巧妙利用了扩散模型去噪过程中的“废料”token，为RAG提供了一种零成本的前瞻信号，做问答系统或检索增强生成的团队值得关注，可以直接集成到现有扩散模型中提升效果。

原文

6月4日

10:57

官方账号arXiv cs.AI@Josef Bengtson, Yaroslava Lochman, Fredrik Kahl

现有多视图图像编辑方法大多局限于刚性或外观编辑，无法处理改变场景几何的非刚性编辑。GeM-NR 提出了一种无需训练的快速方法，通过深度图对齐、视角投影和条件细化，实现多视图一致的几何与外观编辑。该方法兼容 FLUX、Qwen、BrushNet 等主流编辑器，支持从两视图扩展到多视图，显著提升了编辑质量和几何光度一致性。实验表明，GeM-NR 在非刚性编辑任务上达到当前最优水平，甚至能生成编辑后的 3D 表示。

论文多视图编辑非刚性编辑几何感知

推荐理由：做 3D 内容生成或多视图编辑的开发者，终于有了能处理大幅几何变形的工具——GeM-NR 无需训练即可与主流编辑器配合，建议试试看能否解决你场景中的非刚性编辑痛点。

原文

6月1日

10:31

官方账号arXiv cs.AI@Ruotong Liao, Guowen Huang, Qing Cheng, Guangyao Zhai, Lei Zhang, Xun Xiao, Thomas Seidl, Daniel Cremers, Volker Tresp

TunerDiT 提出了一种无需额外训练的多事件视频生成方法，通过分析扩散变换器（DiT）的去噪轨迹，发现文本条件从全局布局到细节的转变点。该方法包含两个关键组件：事件分区掩码（强制事件边界并允许过渡带）和跨事件提示融合（注入相邻事件语义进行后期细化）。在自建的多事件基准测试 Meve 上，TunerDiT 在 8 个指标上达到最优，并能在视频一致性和事件分离之间进行可调权衡。随着事件数量增加，文本对齐性能提升，显示出扩展潜力。

论文扩散模型视频生成多事件生成

推荐理由：做视频生成的研究者或开发者，如果被长视频多事件生成的一致性困扰，TunerDiT 的零训练方案直接可用，值得关注其事件边界控制与提示融合的设计。

原文

5月25日

11:24

官方账号arXiv cs.LG@Lizhang Chen, Jonathan Li, Chen Liang, Ni Lao, Qiang Liu

精选

研究者提出了一种无需训练的循环Transformer方法，通过在推理时对冻结的预训练模型进行轻量级循环包装，无需微调或架构改动即可提升性能。该方法将Transformer块视为ODE的欧拉步，通过阻尼子步替代大步更新，避免了简单重复块导致的性能下降。在7个模型家族（包括密集、稀疏MoE和MLA+MoE）上验证有效，如Qwen3-4B-Instruct在MMLU-Pro上提升2.64个百分点，Qwen3-30B-A3B-Instruct在CommonsenseQA上提升1.14个百分点。该方法为利用现有模型提升推理能力提供了低成本方案。

论文循环Transformer 推理优化无需训练

推荐理由：这项研究让使用冻结模型的团队无需重新训练就能提升推理性能，做模型部署或推理优化的开发者值得关注，可以直接在现有模型上尝试。

原文

5月21日

09:46

官方账号arXiv cs.AI@Yutong Xie, Zhenglin Hua, Ran Wang, Wing W. Y. Ng, Xizhao Wang, Yuheng Jia

精选

大型视觉语言模型（LVLMs）在视觉语言任务中表现出色，但仍易产生与视觉内容不一致的幻觉。研究发现，幻觉源于模型对正确视觉证据关注不足，并在生成过程中逐渐遗忘。作者提出基于层间视觉注意力差异（ILVAD）的无需训练方法，通过识别并增强对视觉证据的注意力，同时选择与视觉证据强相关的文本token进行强调。在五个最新模型上的多项基准测试中，该方法一致地缓解了幻觉，且即插即用。代码已开源。

论文幻觉缓解视觉语言模型注意力机制

推荐理由：做LVLM幻觉研究的开发者可以直接用这个无需训练的方法来提升模型可靠性，代码已开源，值得一试。

原文

5月19日

11:41

官方账号arXiv cs.AI@Tej Sanibh Ranade

精选72°

TRACE 是一种无需训练的推理时幻觉纠正算法，它通过分析大模型内部各层的候选轨迹，动态选择最合适的纠正方式（如标量反转、早期状态恢复或候选空间修正），而不是固定使用单一干预形式。实验覆盖 15 个模型、8 个模型家族和 3 个事实性基准，所有评估指标均有提升，平均 MC1 提高 12.26 点，MC2 提高 8.65 点，最高提升分别达 47.20 和 43.38 点。该方法无需标签、检索、预训练、微调或逐模型校准。

论文大模型幻觉纠正推理优化

推荐理由：TRACE 解决了大模型幻觉纠正中“一刀切”干预的缺陷，做 LLM 推理优化或事实性研究的开发者可以直接在现有模型上试用，无需额外训练成本。

原文

5月13日

19:12

官方账号arXiv cs.AI@Alireza Nadali, Patrick Cooper, Ashutosh Trivedi, Alvaro Velasquez

精选

KV-Fold 是一种无需训练的长上下文推理协议，将键值（KV）缓存视为序列块上的左折叠累加器。模型在处理每个块时，基于累积的缓存进行条件处理，追加新生成的键和值，并将扩展后的缓存传递到下一步，重复这一单步更新过程。该方法在 Llama-3.1-8B 模型上的“大海捞针”基准测试中，在 152 次试验中实现了 100% 的精确匹配检索，覆盖 16K 到 128K 令牌的上下文和最多 511 层的链深度，且仅需单块 40GB GPU 内存。KV-Fold 的递归过程稳定，每步漂移短暂上升后饱和为平坦平台，对数值精度变化不敏感，跨块大小和模型家族表现一致。这项工作表明，冻结的预训练 Transformer 已经支持稳定的 KV 缓存递归形式，为无需架构更改或训练的长上下文推理提供了实用路径。

论文长上下文推理 KV缓存递归

推荐理由：KV-Fold 用简单的左折叠思路解决了长上下文推理的内存和精度痛点，做 LLM 推理优化或长文档处理的团队可以直接在现有模型上尝试，无需额外训练。

原文