Columbia University（哥伦比亚大学）

The Limits of Learning from Pictures and Text: Vision-Language Models and Embodied Scene Understanding

图像与文本学习的极限：视觉语言模型与具身场景理解

Gillian Rosenberg, Skylar Stadhard, Bruce C. Hansen, Michelle R. Greene

机构 * Barnard College, Columbia University（哥伦比亚大学巴纳德学院） ； Colgate University（科尔盖特大学） 纠错

AI总结 研究探讨图像与文本学习在人类场景理解中的局限性，通过对比18个视觉语言模型与2000名人类观察者在15项任务中的表现，发现模型在具身认知任务中存在显著缺陷，表明分布学习不足以实现基于 affordance 的场景理解。

Comments 7 figures, 5 tables

FastCache: Fast Caching for Diffusion Transformer Through Learnable Linear Approximation

通过可学习线性近似加速扩散变换器的FastCache

Dong Liu, Yanxuan Yu, Jiayi Zhang, Yifan Li, Ben Lengerich, Ying Nian Wu

机构 * Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Michigan State University（密歇根州立大学） 纠错

AI总结 本文提出FastCache，通过隐藏状态层面的缓存与压缩框架，利用模型内部表示中的冗余性加速扩散变换器推理，结合可学习线性近似方法，有效降低计算开销并保持生成质量。