AMD

Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts

微缺陷暴露宏观伪造：通过局部分布偏移检测AI生成图像

Boxuan Zhang, Jianing Zhu, Qifan Wang, Jiang Liu, Ruixiang Tang

机构 * Rutgers University（罗格斯大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta AI ； Advanced Micro Devices（先进微器件公司） 纠错

AI总结 本文提出MDMF框架，通过放大微小统计异常为宏观分布偏移，利用局部分布偏移检测AI生成图像，实验表明其在多个基准上表现优异。

Comments 41 pages, 10 figures

PARD-2: Target-Aligned Parallel Draft Model for Dual-Mode Speculative Decoding

PARD-2：面向双模式推测解码的目标对齐并行草稿模型

Zihao An, Taichi Liu, Ziqiong Liu, Dong Li, Ruofeng Liu, Emad Barsoum

机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Rutgers University（罗格斯大学） ； Michigan State University（密歇根州立大学） 纠错

AI总结 本文提出PARD-2，一种双模式推测解码框架，通过Confidence-Adaptive Token优化提升LLM推理效率，实验显示其在Llama3.1-8B上实现6.94倍无损加速。

Uncovering Intra-expert Activation Sparsity for Efficient Mixture-of-Expert Model Execution

揭示专家内部激活稀疏性以实现高效的混合专家模型执行

Jongseok Park, Sunga Kim, Zhenyu Gu, Ion Stoica, Alvin Cheung

机构 * University of California, Berkeley（加州大学伯克利分校） ； Advanced Micro Devices, Inc.（先进微器件公司） 纠错

AI总结 本文研究了混合专家模型中专家内部激活稀疏性，通过利用这种未被探索的稀疏性维度，提高了模型执行效率，实现了2.5倍的层执行速度提升和1.2倍的端到端速度提升。

Statistical Inference and Quality Measures of KV Cache Quantisations Inspired by TurboQuant

受TurboQuant启发的KV缓存量化统计推断与质量度量

Paolo D'Alberto

机构 * AMD（AMD公司） ； Anthropic 纠错

AI总结 本文分析了三种KV缓存量化方案，在公平的比特预算下，探讨了QJL对内积方差的影响及softmax非线性放大机制，通过实验证明不同方案在KL散度、几何K误差和6D距离上的性能差异。

Comments 23 pages, 7 Figures, multiple tables, the process is highly assisted by AI