Apple Neural Engine 每引擎能耗 Roofline 预测模型
研究构建了 Apple Neural Engine (ANE) 的预测性能耗 Roofline,修正了单一带宽假设,发现 ANE 存在快慢两条有效内存带宽路径。
研究构建了 Apple Neural Engine (ANE) 的预测性能耗 Roofline,修正了单一带宽假设,发现 ANE 存在快慢两条有效内存带宽路径。
研究团队提出 NF-VLA 模型,结合条件自回归归一化流与基于分数的动作细化。在 LIBERO 四个标准套件上成功率达 98.35%,LIBERO-Plus 上达 72.6%。该模型作为竞争性的 VLA 控制方法,确立了自回归流在机器人操作任务中的有效性。
TokenFormer V2 在 TAAC 2026 基准中以比领先基线少 5.1 倍的 FLOPs 实现统一推荐基线中的准确率排名领先。 其通过局部-全局分解范式将表示分辨率与交互密度解耦,在微信视频号广告十亿参数评估中比最先进的工业级基线整体 AUC 提升高达 0.07 pp,在线 A/B 测试中 GMV 增长 2.33%。
基准测试显示,在双 NVIDIA DGX Spark GB10 系统上,使用 vLLM 进行张量并行(TP=2)可使峰值吞吐量中位数提升 1.59 倍,优于流水线并行(PP=2)的 1.39 倍增益。
研究者发展了自适应动量 SGD 的高维有效动力学,证明该过程为 Markov 过程。 利用平均法处理指数移动平均和前条件化带来的非 Markov 特性,适用于 ADAM、MUON 等算法及多种学习任务。 揭示了 ADAM 早期泛化劣于在线 SGD 的交叉现象,并证明了稳定边缘现象。
在EmbryoNet数据集上,ResNet50结合SwAV的自监督模型表现最优。线性分类器准确率达86.4%,与全监督模型持平。 标签稀缺时,SwAV模型在5%标签下准确率70.2%,远超从头训练的45.7%。 迁移至未见数据集,SwAV模型达81.3%,优于EmbryoNet的75.9%。
CAST(Certified Action Selection at Test time)通过从冻结扩散策略中采样动作块,利用障碍条件进行认证并依据学习值集成排序来执行动作,解决了部署后遇到新约束时重新训练不切实际的问题。
LBM-VAE 框架将潜在块模型集成到变分自编码器中,通过协同聚类观测数据和潜在维度,实现了解耦表征学习。 该框架允许变化因子编码在潜在维度组中,而非单个维度,实验显示其在解耦表征学习方面具有竞争力。
针对 VLA 模型在部署中因执行器漂移失效问题,ReGround 提出在推理时保持模型冻结并重新接地预期动作的方法。 该方法通过任务无关的肌肉颤抖学习动态,无需奖励或再训练即可在检测到偏移时激活。
大型语言模型算力租赁与Token输出市场已建立价格指数及衍生品交易,CME和ICE已制定期货合约。 研究发现合约结算价基于短期租赁率,而非运营商主要收入来源的长期私有合同价格;Token价格与租赁率通过吞吐量关联但风险敞口不同,GPT-5在十二个月内最低列表价下跌17倍。
新基准 SWE-CoWork 包含 101 个真实仓库开发任务,测试编码智能体在模拟工程组织中的协作与交付能力。 评测 11 个模型发现,头部模型仅完成不足 8% 任务,满足约 63% 的 fail-to-pass 测试。 研究发现持续的需求追踪是自主软件工程面临的关键挑战,即便提供完整需求,任务成功率仍无变化。
平台经济模型显示,强制为训练数据付费会导致低质量创作者仅作为数据供应商,被 AI 完全替代,而无需付费时平台会限制 AI 价格以留住创作者。 补偿政策虽提升了创作者收益和总剩余,但降低了消费者剩余,凸显了此类政策在更强大生成式 AI 时代对创作者经济角色的塑造作用。
Olmo-core 更新训练栈以支持可扩展 MoE 训练,采用 DDP 及 Expert Parallelism,避免传统 FSDP 的高吞吐损耗。 支持 1.2 万亿参数在 512 GPU 下达到 858 TFLOP/s/GPU,DeepEP v2 后端可扩展至 2.38 万亿。 提出 Token Gerrymandering 缺陷,发现重叠通信会显著拖慢 Kernel 速度。
实验表明,显式行为义务使 LLM 生成代码失败率降低 47.2%,远超轻量结构仅降低 8.7% 的效果。 研究测试了 72 名参与者在不同规格明确度下的表现,显式规格使不变量违规减少 66.1%,并改善了对生成代码正确性的校准。
RoboKit 是一款高性能机器人并行可微分优化工具包,GPU 并行求解器在 7 项任务上比基线快 2-60 倍。 该工具支持可微分渲染与物理模拟,2.97 秒内优化 4096 个抓取,蒸馏策略运行速度提升 9-240 倍。 已被 CoRL 2026 会议接收,通过蒸馏与强化学习加速机器人策略训练。
CapCover Filter 是一种利用球面帽几何结构总结嵌入向量的数据,可支持任意相似度阈值且无假阴性。 在五个真实数据集上,余弦相似度阈值为 0.95 时,该方法消除约 20%-100% 的索引访问,内存占用仅为 FP32 的 2%。 部署在 FAISS 平面索引前,查询吞吐量最高提升 382%,平均提升约 116%,且结果范围一致。
MADM 模型结合结构描述符与蛋白质语言模型嵌入,在八项抗体成药性检测中实现性能提升。 该模型采用双流架构,结构描述符在多项指标上表现优于或持平于 AbLang2 和 ESM2;多检测任务联合训练使卵白蛋白和 SMP 的 Spearman rho 提高约 0.1。
研究提出基于量子启发的正交蝶形层的微调方法,在MNIST和MedMNIST实验中展现出优于LoRA的认证鲁棒性。该结构通过构造保持正交性,仅需O(n log n)可训练参数即可保留预训练模型的Lipschitz界。 在斑秃诊断应用中,该方法使认证准确率约为常规微调和LoRA的两倍,同时保持可比的分类精度。
提出SAFER框架,通过离线学习他人失败并在线自我修正,解决自动驾驶世界模型在训练数据覆盖范围内外的探索与利用困境。 框架结合分块隐式世界模型与风险感知采样规划器,在CARLA排行榜路由中实现0.95的路线完成率和0.77的单步奖励,MetaDrive常规交通回合奖励达53.4。
论文提出 Stint 系统,解决推理 LLM 长输出场景中 KV 缓存因内存不足导致的频繁抢占(KV thrashing)问题。 通过 CPU 连续池存储固定长度 KV 快照、年龄-based 重新准入及剩余长度估计选优,Stint 在 Qwen3-32B 上使无请求暂停超 50 秒,p99 输出 token 时间降低 50.7%,整体完成时间缩短 10.7%。
富士山 webcam 长时序列研究揭示可见性预测存在时间尺度层级:季节性气候学提供远期指导,当日 webcam 图像为最强当日观测(AUC 0.95),目标日数值预报承载 1-3 天主要信号。
32名耳鼻喉科医生对800例喉镜检查前病例评估显示,审阅AI评估卡后准确率从49.8%提升至56.8%。 AI模型暂定类别准确率为72%,恶性预警敏感度从53.9%升至75.0%。 研究指出顺序设计无法完全分离AI辅助与重新评估效应。
该研究系统梳理了 Deep Research Agent 在检索、规划等四阶段的安全威胁,提出“议程植入”攻击。 对 34 项主要研究的编码显示,仅 26.5% 涉及规划阶段,且无一项针对商业产品进行端到端投毒评估。在 3,520 次沙盒运行中,该攻击可使攻击者目标在 16% 至 28% 的报告中被列为首选。 现有防御手段如注入检测和查询锚定均失效,作者提出了八个研究方向。
Robust-GCD 提出针对受退化影响的非标签数据池的 D-GCD 任务框架,直接估计腐蚀并构建特征锚点。 在五个数据集上,Robust-GCD 恢复了 SimGCD 在污染下损失的 43% 至 96% 的 All accuracy,其中四个数据集恢复率超过 60%。 提升了在含噪图像上的 GCD 分类鲁棒性。
Domino 通过一阶马尔可夫链建模同一去噪步骤内揭示位置间的条件依赖,优化掩码扩散模型的少步采样。 该方法在预训练 MDM 去噪器隐状态上实现,仅增加 2.6% 参数开销,训练时冻结去噪器。 在 LM1B 等文本数据集上将少步生成困惑度降低 1.7 至 3.8 倍,分子样本有效性提升 1.5 倍。
研究引入 ReactBench-AD 基准,发现 4 个 VLA 和 2 个 WAM 对路径中突发危险物的反应微弱。 该基准基于 NAVSIM 和 PhysicalAI-Autonomous-Vehicles 场景构建,通过像素级反事实对隔离因果影响。 对 ReCogDrive 进行微调可显著提升其制动反应,该行为能泛化至未见物体和全真实场景。
研究提出 LightAlign 方法,利用少量成对数据实现冻结编码器间的跨模态对齐。在 3D CT 任务中,LightAlign 以 200 个数据对超越 CT-CLIP(0.754 vs 0.733 AUROC),并在 CheXpert 上以约 5% 的数据量达到 0.862 AUROC,显著降低医疗影像分析对标注数据的依赖。
提出 CreaTrace 框架,通过迭代创意证据追溯解决视频创意剽窃检测(VCPD)难题,在视觉外观差异大时验证创意相似性并定位证据片段。 设计多模态语义事件分割策略划分长视频叙事事件,结合粗粒度创意匹配与创意解耦,利用创意交换对比学习增强跨实现特征的创意一致性。 实验证明 CreaTrace 在多种创意剽窃场景中具备有效性与鲁棒性,能提供可解释的证据报告,为视频版权保护提供新方案。
研究表明,在BB84量子密钥分配中,基于强化学习的自适应检测器无法收敛以关闭隐蔽窃听窗口。 实验将博弈建模为表格型窃听者与检测器间的交替最佳响应,测试Q-Learning、SARSA等三种学习规则。结果显示,直至200轮博弈,可利用性波动未衰减,双方动态未达固定点。 结果指出,单一轮次的学习检测器无法通过认证,需打破信息结构而非单纯提升适应性来关闭安全漏洞。
论文提出结合想象策略改进与直接校准的世界模型强化学习框架,通过交互感知潜空间模型支持模拟,利用离策略校正与重放更新监督评价器与执行器,平衡自动驾驶车辆(AV)进度与人类驾驶车辆(HDV)交互负担。 在无人信号灯交叉口模拟实验中,该框架实现了100%成功率和跟随HDV加速度变异性分别较PIWM和DreamerV3降低65.5%及44.0%,消融实验证实价值校准降低HDV负担,策略校准提升通行效率。
研究团队开发可穿戴系统 AllyAAC,通过 14 名参与者的实地研究构建了首个包含 60 万余条非典型手势的多模态数据集。 该系统采用腕部 IMU 与智能手机应用,利用不同预训练策略的 Transformer 模型解决个性化手势识别挑战。 研究为开发结合无辅助与有辅助 AAC 的自适应个性化系统提供了设计原则及参考实现。
AgenticJevNav 将目标导向规划、证据记忆与事件触发验证结合,在60次模拟试验中成功率为 73.33%,领先对照组 21.67 个百分点。 该架构在真实 GENISOM L1 四足机器人 30 次试验中成功率达 70.0%,采用单一执行器与独立 RGB 反射约束运动,目标修订会撤销过时请求。 模拟与实体机器人结果共同验证了该架构的有效性,剩余失败案例揭示了改进接地与接近规划的机遇。
ENA架构通过进化搜索生成专家网络,结合环境检测和贝叶斯策略重用,旨在缓解持续强化学习中的灾难性遗忘。 在30次重复的非平稳CartPole消融实验中,完整架构在5个测试环境中的平均成功率达到83.2%。 该架构在CartPole上适应速度低于PPO,且在HalfCheetah上的收益低于SAC。
R2A 框架通过持续重用导航历史经验来优化在线视觉语言导航策略,无需源域数据或专家监督。 在 REVERIE 验证集上,R2A 将 DUET 的 SR 从 46.98% 提升至 69.84%,SPL 从 33.73% 提升至 50.98%。
研究团队在304个场景中评估主流LLM智能体,发现所有模型均存在“危险回退”行为,在高风险场景中动作边界违规率高达96.8%,且三种主流缓解措施均无效。作者提出nrepair方法,通过在替代工具调用时进行上下文评分并拦截违规调用,将四个模型的动作边界违规率降低最多76.0%,且正常运行成功率下降幅度控制在7%以内。该方法在Claude Code和Codex两个生产级智能体上同样有效。
CertiSum 实现 MXFP4 训练在并行布局与 GPU 厂商间的位级一致性,通过统计认证与精确重算解决非确定性问题。 在 Qwen3-8B 实验中,CertiSum 在 AMD MI350X 与 NVIDIA GB200 上保持训练状态位级一致,跨数据、张量、上下文并行变更无损。
基于 GLM-4.7-Flash,采用全文件微调、C++ 修复课程及组相对强化学习。 该流程利用执行反馈构建奖励,在 26 项 C++ 任务中评估模型性能。 最强配置首轮成功率 45.2%,两轮内达 61.5%。
基于等变性的压力测试表明,Wasserstein-1等统计指标无法可靠预测零样本时序基础模型(TSFMs)的性能退化。 在9种分布偏移中,评分最低的偏移导致29%的性能下降,实测严重度与模型退化间无正向关联。
研究提出HalluProbe方法,通过增强并分析视觉语言模型(VLM)解码过程中的幻觉分布一致性来识别后门攻击。 核心依据是受毒化数据训练的VLM会高频幻觉特定目标token,而干净模型的幻觉缺乏稳定偏差。该方法在三个模型上对抗六种代表性VLM后门攻击测试,检测准确率超过90%。 实验结果证明HalluProbe有效检测后门VLM,性能优于现有后门检测技术。
summary_zh: 提出Safe AD与A-Lag方法,在五个环境测试中,A-Lag的平均每集成本均低于Safe AD。 动态预算提升DarkRoom和HalfCheetah的回报并降低成本,A-Lag通过自适应拉格朗日乘子调整动作权重。