WORLDWIDE_SanGuai / Research bulletin

[ WORLDWIDE.SANKUAI.ASIA ]

世界很大,讀一小點。

SanGuai 的三日研究佈告板。每天更新,讀完就走。

EST. 202672H上架 72 小時

研究佈告板

35 篇研究
主題 / 論文社群票數收錄
人工智慧Hugging Face Daily Papers

回到像素:將潛空間影片擴散模型提升至像素空間

作者提出 PixVid,將預訓練的潛空間影片擴散模型改為直接在像素空間逐幀生成。方法保留擴散 Transformer,以卷積頭取代 VAE 解碼器,並指出預測乾淨影片而非速度、搭配較大的噪聲位移是品質關鍵。作者稱以 Wan2.1-14B 微調後,在約 130 萬訓練片段內可與潛空間基線競爭。

閱讀摘要離架倒數 63 小時
5社群票數
系統與硬體Hugging Face Daily Papers

FAME-QP:用於即時模型預測控制的GPU加速二次規劃求解器

作者提出FAME-QP,一個針對線性模型預測控制中稠密二次規劃問題的GPU加速求解器。它結合依賴約束的算子表示與經CUDA圖重播的融合單核與雙核迭代,並透過裝置校準與問題特定計時自動選擇執行配置;同時以快取算子庫選擇初始懲罰值,並在問題矩陣變動時延遲更新算子。作者稱基準測試與模擬人形及四旋翼控制實驗顯示延遲低於其他GPU求解器,且維持解精度與控制表現。

閱讀摘要離架倒數 63 小時
6社群票數
人工智慧Hugging Face Daily Papers

Kronos:金融市場語言的基礎模型

作者提出Kronos,一個針對金融K線資料的統一預訓練框架,設計專用分詞器將連續市場資訊離散化為符號序列,並在涵蓋45個交易所、超過120億筆K線紀錄的多市場語料上以自迴歸目標預訓練,聲稱在零樣本設定下於價格預測、波動率預測與合成資料生成等任務優於既有基準。

閱讀摘要離架倒數 63 小時
65社群票數
人工智慧Hugging Face Daily Papers

思考的價值:在混合決策模型中學習何時推理

作者提出「零或T思考」範式:單一模型要麼在一次前向傳播中以隱式思考直接作答、不產生任何詞元,要麼在值得付出成本時進行完整的自迴歸推理。此範式以混合決策模型實現,由凍結主幹與輕量自我路由區塊組成;該區塊依隱式思考的產出估計「思考的價值」,僅在價值超過每次請求設定的價格時才啟用慢速模式。作者亦提出CDPO,以回合層級回報訓練路由區塊。

閱讀摘要離架倒數 63 小時
7社群票數
人工智慧Hugging Face Daily Papers

UniSpark:探索混合注意力於多模態理解與生成

作者提出 UniSpark-9B 統一多模態模型,以混合專家 Transformer 為骨幹,結合全注意力與 GatedDeltaNet 線性注意力,並以自迴歸文字預測與視覺流匹配聯合支援視覺問答、文生圖、指令編輯與交錯圖文生成。作者稱其在 MME-S 得 2470.3、GenEval 得 0.83。

閱讀摘要離架倒數 63 小時
13社群票數
人工智慧Hugging Face Daily Papers

WorldDraft:若程式碼構築世界,影片模型能否只負責渲染?

這篇論文提出 WorldDraft 基準,將 4D 世界建構與視覺生成分工,把影片模型當成生成式渲染器,並以 432 組配對測試案例檢驗世界保存與視覺實現兩項能力。作者稱 12 個模型的評測顯示兩目標存在張力,且提出 WorldDraft-Primer 提示策略改善表現。

閱讀摘要離架倒數 63 小時
16社群票數
人工智慧Hugging Face Daily Papers

nanoMuse:屬於每個人所有裝置的開源個人代理

這份報告以五個問題與三個時間尺度界定「個人代理」,並依據 Meta 的公開資料與其生產提示詞副本,分析 Muse 的建構方式。作者接著提出 nanoMuse:以 GPL-3.0 釋出、可跨裝置運作的開源對應方案,透過任何人皆可架設的 relay 共享同一段對話,所有動作都經過 Sentinel,記憶是可讀取的檔案,模型由使用者自行選擇。

閱讀摘要離架倒數 63 小時
103社群票數
人工智慧Hugging Face Daily Papers

拆解多模態視覺編碼的設計選擇

這篇論文探討多模態語言模型該如何編碼視覺輸入。作者指出,多數模型採用預訓練視覺編碼器,但近期也有從頭訓練或完全移除編碼器的做法。他們建立受控框架,在相同資料與計算量下比較不同設計,主張視覺先驗並非必要,真正關鍵的是專屬視覺容量,且該容量不必置於融合之前。

閱讀摘要離架倒數 63 小時
16社群票數
人工智慧Hugging Face Daily Papers

TTB:以測試時烘焙加速解碼器式新視角合成模型渲染

這篇論文提出「測試時烘焙」(TTB),把跨視角注意力中的全域場景資訊,學習並烘焙進輕量 MLP,以加快新視角解碼。作者稱其沿用 TTT 的快速權重 MLP,改為顯式學習跨視角注意力映射,並透過分離僅相機與含影像內容的上下文 token,來處理模態錯位。摘要宣稱在多個基準上可達最高 23 倍渲染加速,品質與現有最佳方法相當。

閱讀摘要離架倒數 63 小時
24社群票數
人工智慧Hugging Face Daily Papers

Ropedia Xperience 2:擴展實體 AI 環境與行為的黃金標準

作者提出 Ropedia Xperience 2,釋出 1,589 個公制尺度 3D 掃描與 4,230 段第一人稱錄影、涵蓋 74 項任務共 131 小時。他們主張每筆資料可轉為可互動模擬環境、將人體動作重定向為機器人軌跡,並以虛擬遙操作產生更多行為,作為實體 AI 資料蒐集的黃金標準。

閱讀摘要離架倒數 63 小時
30社群票數
人工智慧Hugging Face Daily Papers

YuE2:以符號規劃統一符號與音訊音樂生成

作者提出 YuE2,以符號規劃串接樂譜與音訊生成:單一 AR-NAR Mixture-of-Transformers 先寫出含旋律與和聲的可讀樂譜,再展開為語意 token 並生成完整歌曲音訊。摘要稱專家偏好此規劃方式,且在 WildSongBench 與聽測中表現具競爭力;惟這些結果皆為作者自述。

閱讀摘要離架倒數 63 小時
156社群票數
人工智慧Hugging Face Daily Papers

Open Vision Banana:將預訓練影像生成器轉為視覺感知系統的完全開放配方

作者提出 Open Vision Banana,一套完全開放且可重現的配方,把預訓練影像生成器改造成多任務視覺感知系統。研究分析色彩編碼、提示設計、參數調適與任務平衡等關鍵設計,並指出這些選擇會互相影響。以 4B 與 9B 開放權重模型為基礎,使用公開資料集訓練,作者報告其零樣本 Cityscapes 表現超越 Vision Banana,並提出測試時圖例集成方法。

閱讀摘要離架倒數 63 小時
36社群票數
人工智慧Hugging Face Daily Papers

Evolving Infra:可隨代理工作負載自適應的大規模 LLM 服務架構

這篇論文提出 Evolving Infra,一套能依代理工作負載在執行時調整的 LLM 服務框架。作者指出,現有的預填解碼分離式服務系統在運算分配與 KV 快取管理上缺乏彈性,且所用訊號過於粗略,導致預填與解碼節點間負載不均,並使代理之後會重用的 KV 快取被逐出。此框架將運算分配與 KV 快取管理解耦,讓節點能在預填與解碼間有效率地切換,並以線上規劃器與代理感知的分散式 KV 管理器進行調度。

閱讀摘要離架倒數 39 小時
12社群票數
人工智慧Hugging Face Daily Papers

演員、評審或教師?理解長程代理中的決策模型

這篇論文探討決策模型在長程代理中的三種角色:行動者、評審與教師。作者在 ALFWorld 與 WebShop 上比較三個決策模型與三個通用大型語言模型,發現表現不佳的行動者仍可作為有效教師,因為事後評判能揭示行動時難以預見的後果。

閱讀摘要離架倒數 39 小時
32社群票數
人工智慧Hugging Face Daily Papers

用於實用且可擴展 SOAP 的分解式單側 Adam 動量

這篇論文提出 FOAM,一種輕量化的 SOAP 變體。作者主張 FOAM 只做輸入側預條件,捨棄輸出側 Kronecker 因子,並以基於列與行統計的分解式 Adam 動量估計器取代稠密旋轉二階動量,目標是在接近 AdamW 的效率下保留 SOAP 的效益。摘要稱其在 124M 至 760M 參數的 LLM 預訓練上,驗證損失可與 SOAP 及 Muon 基線相當。

閱讀摘要離架倒數 39 小時
12社群票數
人工智慧Hugging Face Daily Papers

敘事落差:大型語言模型能否協助我們跨越語言導航多元敘事?

作者提出六項跨語言多元資訊尋求能力,並以涵蓋23種出版語言、23個爭議主題、1,333篇新聞與460條Reddit查詢的NarrativeBench,評估24種查詢語言下的14個大型語言模型。作者指出,現有模型難以可靠呈現與保留相互競爭的敘事,即使使用者明確要求多元觀點,仍可能出現資訊落差與語言過濾氣泡。

閱讀摘要離架倒數 39 小時
2社群票數

Auriga:以治理框架控制 LLM 代理,優化先執行後驗證許可制區塊鏈的有效吞吐量

這篇論文提出 Auriga,一個非侵入式框架,同時優化先執行後驗證區塊鏈的原始吞吐量與交易成功率。它用受治理框架控制的多代理 LLM 架構搜尋配置,並在執行前以 AST 模板預測讀寫集、劃分無衝突交易群組。作者稱在三個基準、衝突率最高 70% 下,有效吞吐量較預設 Fabric 最多提升 6.0 倍。

閱讀摘要離架倒數 16 小時
--社群票數

Caprese:結合歷史與執行時期分析的變更影響推薦

此論文摘要提出 Caprese,一套針對 Node.js 的開源框架,可在函式層級推薦原始碼變更可能影響的函式。它結合三種方式:以信心引導探勘重複的共同變更模式、由執行時期推導呼叫與事件等相依性,以及整合兩者的混合推薦。作者在十個開源應用與一百組變更集上評估,聲稱混合推薦前 60 名中有 77.4% 的相關函式僅由單一分析找出。

閱讀摘要離架倒數 16 小時
--社群票數

CuEVM:在GPU上擴展智慧合約執行

作者提出CuEVM,一個原生於GPU且語意完整的以太坊虛擬機執行引擎,將交易執行視為大規模平行資料處理問題,並以新資料結構與GPU感知排程加速。作者稱其完整支援EVM語意,通過全部VMTests與96.2%執行測試,單張消費級GPU每秒可執行逾800萬筆ERC-20轉帳。

閱讀摘要離架倒數 16 小時
--社群票數
人工智慧Hugging Face Daily Papers

Duo:用於全雙工互動的互惠世界模型

本報告提出互惠世界模型(RWM)與Duo v1,一個能持續感知影音輸入並即時回應使用者的全雙工世界模型。作者主張智慧與物理現實同屬世界的基本構成,並以意圖與實現兩項能力重新定義世界模型,再以自迴歸推理、統一時間軸的同步 token 與雙重 rollout 蒸餾等設計實現。

閱讀摘要離架倒數 16 小時
35社群票數

PLCA多點網路中基於優先級的網路存取與嚴格優先級排程

這篇論文針對10BASE-T1S多點乙太網路的PLCA機制提出改進。作者指出PLCA以節點為基礎的循環存取不考慮流量優先級,導致時敏流量延遲高且擴展性受限。他們提出基於優先級的存取與排程機制,將媒體存取與節點順序解耦,支援類別優先級,並可模擬嚴格優先級排程,同時推導最壞情況存取延遲的解析界限。

閱讀摘要離架倒數 16 小時
--社群票數

VASTRA:依查詢複雜度調控的高效代理式 Top-K 影片檢索

作者提出 VASTRA,一套代理式影片檢索系統,主張以查詢複雜度而非開放式推理迴圈來決定執行流程:簡單查詢直接由預先建立的摘要排序,較難查詢才在真正不確定處進行針對性驗證,並稱在貪婪服務下可重現排序結果。摘要報告在 40 條基準查詢上,快速模式較最佳 ReAct 代理快 12.2 倍、成本低 10.4 倍,但 mAP 少 5.0 點。

閱讀摘要離架倒數 16 小時
--社群票數

Typify:以使用情形驅動的 Python 型別推論工具

作者提出 Typify,一套輕量的靜態型別推論引擎,無需既有型別標註或訓練資料,即可在整個 Python 專案中推論型別。它結合符號執行、不動點分析與情境比對檢索,跨模組、函式與遞迴呼叫結構傳播型別,並提供命令列介面與 VS Code 擴充功能。作者稱其在兩個資料集上優於靜態基線,接近混合深度學習方法且約快十倍。

閱讀摘要離架倒數 16 小時
--社群票數

可增量驗證的預言機輔助計算

這篇論文探討可增量驗證計算(IVC)在依賴外部資訊的 AI 任務上的應用。作者在 LWE 假設下,先建構 SNARG,再擴展為 IVC,分別針對具穩健性假設的計算,以及由預言機數位簽章的查詢—回答對,提出可驗證方案,並附上一個下界結果。

閱讀摘要離架倒數 15 小時
--社群票數
人工智慧Hugging Face Daily Papers

G-STAR:以群組縮放詞元容量實現深度壓縮的自迴歸生成

此論文提出G-STAR,基於乘積量化推導出在固定名義資訊預算下,群組大小應隨單軸空間壓縮倍數平方成長,並據此設計空間與群組共同縮放的框架,聲稱可達32倍甚至有效64倍壓縮。作者另提出半自迴歸解碼器,結合平行特徵計算與輕量因果建模,以處理大群組內的相依性。摘要稱其在五項文字生圖基準上具競爭力,並在1024×1024解析度下較先前離散自迴歸模型快20倍。

閱讀摘要離架倒數 15 小時
40社群票數

CommJEPA:當預測式表徵學習遇上無線智慧

本文提出CommJEPA,一個面向通訊的預測式表徵學習框架,主張JEPA可在潛在空間學習可預測、可重用、可遷移的表徵,以捕捉通道與環境動態;同時無線系統的物理結構、部分可觀測性、多時間尺度與資源限制也反過來推動通訊感知的JEPA設計。作者整理設計空間並討論代表性實例與開放挑戰。

閱讀摘要離架倒數 15 小時
--社群票數
人工智慧Hugging Face Daily Papers

HiVe-Mem:交錯水平記憶擴展與垂直證據組合的多模態代理記憶框架

此論文提出 HiVe-Mem 多模態記憶框架,交錯水平記憶擴展與垂直證據組合。水平方向以文字與視覺錨點將記憶情節組織成關聯圖,從語意檢索種子擴展鄰居以補足資訊;垂直方向讓每則記憶保留摘要、說明、視覺視圖、原始影像與互動歷史,並以輕量可訓練選擇器為每則記憶組合證據子集。作者稱於三個基準上提升表現並大幅降低 token 消耗。

閱讀摘要離架倒數 15 小時
3社群票數

探索架構模型與參考架構之間的關係

此論文探討如何判斷具體軟體架構是否與其參考架構一致。作者指出通用模型比對演算法在參考架構上並不準確,因而提出基於大型語言模型的流程 RAMD,結合模型分析與結構化提示,並透過迭代式符合性檢查精煉結果。作者在物聯網、自駕與智慧停車三個領域的 64 個開源架構模型上評估,聲稱達到 85.8% 映射準確率。

閱讀摘要離架倒數 15 小時
--社群票數
人工智慧Hugging Face Daily Papers

BirdDreams:聯合生成透視與鳥瞰影片的可信可反應駕駛世界模型

BirdDreams 是一種自迴歸駕駛世界模型,同時生成透視影片與鳥瞰(BEV)影片,讓場景布局成為預測未來的一部分。兩個影片擴散 Transformer 以聯合注意力互相交換資訊;預測的 BEV 也提供幾何介面,用於自車軌跡控制。推論時僅需單張相機影像,不需高精地圖或車輛狀態輸入。

閱讀摘要離架倒數 15 小時
45社群票數

Janus:以單一代理雙重角色統一數位孿生建構與網路編排

作者提出 Janus,一個以大型語言模型為基礎的代理框架,將數位孿生建構與網路編排整合進閉環系統。其核心 NetTwin 代理採「一代理、兩角色」範式,同時從部分觀測建構孿生並做任務導向決策,並以規劃、建模、編碼三個模組化角色與統一提示模組強化圖結構推理。

閱讀摘要離架倒數 15 小時
--社群票數
人工智慧Hugging Face Daily Papers

DeepStress:對深度搜尋代理進行壓力測試

這篇論文提出 DeepStress,一個動態壓力測試框架,用來檢驗搜尋代理在證據品質下降時是否仍可靠。作者以合成環境控制文件的可信度、相關性與事實正確性,並提出五類答案結果分類及 RAS、CoPRAS 兩項指標。摘要指出,在 HotpotQA 與 BrowseComp-Plus 上評估 12 個系統後,部分開放權重代理在來源有明顯可信度警訊時仍自信作答,且許多 HotpotQA 問題即使所有檢索文件皆為錯誤事實,仍能靠參數知識答對。

閱讀摘要離架倒數 15 小時
4社群票數

為軟體工程教育設計協作式虛擬環境

本文介紹 MetaSEE,將需求指引、Web XR 特徵模型、可重用 UML 元件與瀏覽器多人平台串接起來,並彙整框架、特徵模型、UML 元件與平台的形成性評估參與情形。作者指出,參與者肯定共享建模與模擬的潛力,但也提出導航、互動、視覺化與分心等疑慮;文中另以數值稽核重建學生 SUS 平均分,結果與原報告不一致。

閱讀摘要離架倒數 15 小時
--社群票數
人工智慧Hugging Face Daily Papers

以 Fisher 幾何進行結構化信心擾動的對抗訓練

這篇論文指出對抗訓練常出現「偽攻擊」:擾動雖大幅提高損失,卻未真正改變模型的信心結構。作者提出兩種互補方法,直接攻擊並防禦信心結構變形:一是結合交叉熵與 KL 散度的混合目標,二是於信心流形上最大化分布距離來幾何重建對抗訓練。理論分析稱最佳擾動方向對齊 Fisher 資訊矩陣的主特徵向量,並提出避免高維矩陣運算的高效演算法。

閱讀摘要離架倒數 15 小時
2社群票數
人工智慧Hugging Face Daily Papers

SO-Arena:評測系統一模型的能力光譜與決策可靠性

作者提出 SO-Arena 基準,涵蓋 11 個領域與五類能力,用可靠來源與人工核對標籤評估系統一模型,並在沙箱中進行互動測試。除準確率外,也衡量選項變動下的決策穩定性與無正確答案時的辨識能力。作者稱 21 個模型的結果顯示,規模與推理帶來的效益因領域而異,且整體表現最佳者可靠性僅排第七。

閱讀摘要離架倒數 15 小時
72社群票數
最近整理: 11/16 06:01上架 72 小時