高校专区
章鱼：用于软件API函数调用的设备端语言模型
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
AI总结 研究利用设备端大语言模型调用软件API，通过编译数据集微调不同参数模型，提升其API交互能力，提出条件掩码技术和新基准，经微调的Octopus模型在API调用上性能超GPT-4，推动自动化软件开发和API集成。
FAIR_XAI: 通过可解释性提升多模态基础模型公平性以用于幸福感评估
机构 * Department of Computer Science & Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Harvard University（哈佛大学）
AI总结 本文研究了多模态基础模型在幸福感评估中的公平性问题，通过可解释性干预框架改善诊断可靠性与公平性，发现不同模型在不同数据集上表现差异显著，且存在性别和种族偏见。
Comments 11 pages, 4 figures
GeCo：通过运动和结构评估视频生成的几何一致性
机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； MIT（麻省理工学院）
AI总结 GeCo通过融合残差运动和深度先验，检测静态场景中的几何变形和遮挡不一致问题，并用于评估视频生成模型的性能与缺陷。
感知对齐的人工智能输出：临床决策中用于不确定性通信的端到端视觉预测
机构 * Harvard Ophthalmology AI Lab（哈佛眼科人工智能实验室） ； Schepens Eye Research Institute of Massachusetts Eye and Ear（马萨诸塞眼耳医院施佩恩眼科研究所） ； Harvard Medical School（哈佛医学院） ； Center for Advanced Technology and Education（先进教育技术中心） ； Florida International University（佛罗里达国际大学） ； Dartmouth Institute for Health Policy and Clinical Practice（达特茅斯健康政策与临床实践研究所） ； Dartmouth College（达特茅斯学院） ； Computer Aided Medical Procedures（医学辅助程序） ； Technical University of Munich（慕尼黑技术大学） ； Singapore Eye Research Institute（新加坡眼科研究所） ； Singapore National Eye Centre（新加坡国家眼科中心） ； Department of Ophthalmology, Byers Eye Institute, Stanford University（眼科部门，比尔斯眼科研究所，斯坦福大学）
AI总结 研究针对医疗保健中可解释人工智能的问题，提出以人为本的机器学习可视化学习框架VL4ML，通过直观视觉表示传达模型预测与不确定性，经多临床任务验证及评估，结果显示其能有效支持临床决策，具有广泛可及性。
DINE：距离并不够——学习用于鲁棒软组织点云配准的全局变形先验
机构 * Mannheim Institute for Intelligent Systems in Medicine (MIISM), Medical Faculty Mannheim, Heidelberg University（曼海姆医学智能系统研究所（MIISM），海德堡大学曼海姆医学院） ； Department of Radiation Oncology, Brigham and Women’s Hospital, Dana-Farber Cancer Institute, Harvard Medical School（布莱根妇女医院放射肿瘤学系，达纳-法伯癌症研究所，哈佛医学院） ； Department of Otorhinolaryngology, Head and Neck Surgery, University Medical Center Mannheim, Medical Faculty Mannheim, Heidelberg University（海德堡大学曼海姆医学院曼海姆大学医学中心耳鼻咽喉头颈外科） ； Department of Otolaryngology, Head and Neck Surgery, Campus Klinikum Bielefeld Mitte, University Hospital OWL of Bielefeld University（比勒费尔德大学OWL大学医院比勒费尔德市中心校区耳鼻咽喉头颈外科） ； Interdisciplinary Center for Scientific Computing (IWR), Heidelberg University（海德堡大学跨学科科学计算中心（IWR）） ； Central Institute for Computer Engineering (ZITI), Heidelberg University（海德堡大学中央计算机工程研究所（ZITI）） ； CZS Heidelberg Center for Model-Based AI, Heidelberg University（海德堡大学CZS基于模型的人工智能中心）
AI总结 研究针对软组织点云配准中对应估计难题，提出DINE框架，通过学习统计先验增强基于距离的配准，应用于两个主干并采用两阶段策略，实验表明其能降低平均倒角距离，提高对变形和噪声的鲁棒性，凸显全局变形合理性的重要性。
主观函数
机构 * Harvard University（哈佛大学） ； Department of Psychology（心理学系） ； Center for Brain Science（脑科学中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院）
AI总结 本文探讨了主观函数的概念，通过预期预测误差作为例子，提出了一种赋予人工系统自主设定目标能力的方法，连接了心理学、神经科学和机器学习。
超越基准：动态、自动和系统化的红队代理用于可信的医疗语言模型
机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； University of Oxford（牛津大学） ； TUM University Hospital（慕尼黑技术大学医院） ； Imperial College London（伦敦帝国理工学院） ； Harvard Medical School（哈佛医学院） ； Stony Brook University（史泰兹布鲁克大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Sheffield（谢菲尔德大学）
AI总结 本文提出DAS红队框架，通过动态压力测试揭示医疗语言模型在鲁棒性、隐私、偏见和幻觉方面的潜在风险，发现高静态基准性能与低动态可靠性之间的'基准差距'。
从非结构化数据中做出可解释的发现：一种高维多重假设检验方法
机构 * Harvard University（哈佛大学）
AI总结 本文针对社会科学家利用非结构化数据获取实证见解的需求，提出通用灵活框架。借AI可解释性方法映射数据到概念嵌入，计算统计量检验假设，经选择性推断得出发现，并生成评估自然语言描述，具有低自由度、鲁棒性等优点。
诱导情绪会影响大语言模型在序列决策中的行为吗？
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Texas A&M University（德州农工大学） ； National University of Singapore（新加坡国立大学） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mass General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院）
AI总结 研究探讨诱导情绪对大语言模型在序列决策中行为的影响，采用爱荷华赌博任务结合情绪诱导程序，发现诱导情绪平均不显著影响其决策动态，但愤怒有条件地影响决策，揭示了与人类行为的差异，为相关研究提供工具。
Atlas H&E-TME：基于AI的可扩展组织分析，达到专家病理学家级别的准确性
机构 * Aignostics, Germany（Aignostics，德国） ； Institute of Pathology, Charité – Universitätsmedizin Berlin, Germany（柏林夏里特医学院病理学研究所） ； Berlin Institute of Health, Charité – Universitätsmedizin Berlin, Germany（柏林夏里特医学院柏林健康研究所） ； Massachusetts General Hospital, Department of Pathology, Harvard Medical School, Boston, MA, US（哈佛医学院麻省总医院病理学系） ； Department of Laboratory Medicine and Pathology, Mayo Clinic, Rochester, MN, US（梅奥诊所检验医学与病理学系） ； Machine Learning Group, Technische Universität Berlin, Germany（柏林工业大学机器学习组） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data, Germany（柏林学习与数据基础研究所） ； Department of Artificial Intelligence, Korea University, Republic of Korea（高丽大学人工智能系） ； Max-Planck Institute for Informatics, Germany（马克斯·普朗克信息学研究所） ； German Cancer Research Center (DKFZ) & German Cancer Consortium (DKTK), Berlin & Munich Partner Sites, Germany（德国癌症研究中心及德国癌症联盟柏林和慕尼黑合作站点） ； Institute of Pathology, Ludwig-Maximilians-Universität München, Germany（慕尼黑大学病理学研究所） ； Bavarian Cancer Research Center (BZKF), Germany（巴伐利亚癌症研究中心）
AI总结 提出Atlas H&E-TME系统，利用病理基础模型预测组织质量、区域和细胞类型，通过IHC共识验证和20万+注释基准，在多种癌症中达到或超越病理学家水平。
推理时的机器去学习 via 门控激活重定向
机构 * MALTA, Machine Learning Theory and Applications Lab, PUCRS, Porto Alegre, Brazil（MALTA机器学习理论与应用实验室，PUCRS，波士顿-阿尔格雷，巴西） ； Harvard University（哈佛大学） ； Kunumi Institute, Brazil（库努米研究所，巴西）
AI总结 本文提出了一种无需训练和梯度的机器去学习方法GUARD-IT，通过在推理时依赖输入的激活引导来消除特定数据集的影响，同时保持模型性能，且在量化部署下仍有效。
泛化与信息权衡的率-失真签名
机构 * Windreich Department of AI ； Human Health, Icahn School of Medicine at Mount Sinai, New York, NY, USA ； Department of Computing, Imperial College London, London, UK ； Department of Psychiatry, Icahn School of Medicine at Mount Sinai, New York, NY, USA ； Department of Neuroscience, Icahn School of Medicine at Mount Sinai, New York, NY, USA ； Berkman Klein Center for Internet \& Society, Harvard University, Cambridge, MA, USA
AI总结 本文提出率-失真理论框架，通过斜率和曲率签名分析系统泛化与鲁棒性权衡，揭示生物与人工系统在RD空间中的不同表现。
首先，不伤害：迈向临床安全的大语言模型
机构 * Harvard Combined Dermatology Program（哈佛联合皮肤科项目） ； Department of Dermatology, Mass General Brigham（麻省总医院皮肤科） ； Harvard Medical School（哈佛医学院） ； Stanford Center for Biomedical Informatics Research（斯坦福生物医学信息学研究中心） ； Stanford University（斯坦福大学） ； Division of Hospital Medicine, Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医院医学科） ； Department of Medicine, Cambridge Health Alliance（剑桥健康联盟医学科） ； Beth Israel Deaconess Hospital–Plymouth（贝塞斯达德acons医院-普利茅斯） ； Department of Medicine, University of California, San Francisco（加州大学旧金山分校医学科） ； Department of Neurology, Stanford University School of Medicine（斯坦福大学医学院神经科） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝塞斯达德acons医学中心医学科） ； Division of Cardiology, Department of Medicine, Cambridge Health Alliance（剑桥健康联盟心脏病科） ； Department of Cardiovascular Medicine, Summa Health System（Summa健康系统心血管医学科） ； Division of Allergy, Pulmonary, and Critical Care Medicine, Department of Medicine, University of Wisconsin-Madison（威斯康星大学麦迪逊分校医学科过敏、呼吸科和危重医学科） ； Division of Pulmonary and Critical Care Medicine, Department of Medicine, Massachusetts General Hospital（麻省总医院呼吸科和危重医学科） ； Center for Immunology and Inflammatory Diseases, Department of Medicine, Massachusetts General Hospital（麻省总医院免疫和炎症疾病中心） ； Broad Institute of MIT and Harvard（MIT和哈佛Broad研究所） ； Division of Pulmonary, Critical Care, and Sleep Medicine, Cambridge Health Alliance（剑桥健康联盟呼吸科、危重医学科和睡眠医学科）
AI总结 提出NOHARM基准，包含1100个初级到专科咨询案例，评估28个LLM的医疗建议安全性，发现高达22.6%的案例存在严重危害风险，其中遗漏错误占80%以上。
RippleBench: 利用现有知识库捕捉涟漪效应
机构 * Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； Northeastern University（东北大学）
AI总结 提出RippleBench-Maker自动管道，从知识库检索语义邻居生成选择题，评估八种遗忘方法在Llama3-8B-Instruct上的涟漪效应，发现准确率下降随语义距离衰减且跨模型一致。
高维二分类中的最优且可证明的校准：角度校准与Platt缩放
机构 * Harvard University（哈佛大学）
AI总结 针对高维高斯特征下的线性二分类器，提出基于估计权重与真实权重夹角的角度校准方法，证明其可校准且唯一Bregman最优，并揭示Platt缩放在高维下收敛于该最优解。
TopCoW挑战——用于CT和MR血管造影的拓扑感知Willis环分割
机构 * Department of Quantitative Biomedicine, University of Zurich, Zurich, Switzerland ； Institute of Computational Life Sciences, Zurich University of Applied Sciences (ZHAW), Waedenswil, Switzerland ； Department of Neuroradiology, University Hospital of Zurich, Zurich, Switzerland ； Department of Neurosurgery, Zhongnan Hospital of Wuhan University, Wuhan, China ； Department of Radiology at Weill Cornell Medicine, Cornell University, New York, USA ； Institute for Tissue Engineering ； School of Computation, Information ； Technology, Technical University of Munich, Germany ； Athinoula A. Martinos Center for Biomedical Imaging, Harvard Medical School, Boston, USA ； School of Medicine ； Health, TUM Klinikum, Technical University of Munich, Germany ； Munich Center for Machine Learning, Munich, Germany ； Department of Computing, Imperial College London, London, UK ； Image Sciences Institute, UMC Utrecht, Utrecht, The Netherlands ； Department of Neurology ； Neurosurgery, University Medical Center Utrecht, Utrecht, The Netherlands ； Department of Radiology, University Medical Center Utrecht, Utrecht, The Netherlands ； Electronic \& Information Engineering School, Harbin Institute of Technology (Shenzhen), China ； Peng Cheng Laboratory, Shenzhen, China ； Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany ； Faculty of Mathematics ； Computer Science, Heidelberg University, Germany ； Helmholtz Imaging, German Cancer Research Center, Heidelberg, Germany ； Data Science School for Health, Karlsruhe/Heidelberg, Germany ； Learning Group, Department of Radiation Oncology, Heidelberg University Hospital ； Department of Radiology, University of Washington, Seattle, WA, USA ； Department of Radiology, Ren Ji Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China ； Department of Clinical Neurosciences, Division of Neurosurgery, Geneva University Hospitals, Geneva, Switzerland ； Department of Neurology, University Hospital of Zurich, Zurich, Switzerland ； Department of Physiology, University of Toronto, Canada ； Department of Neurosurgery, University Hospital of Zurich, Zurich, Switzerland ； Department of Diagnostic Imaging, National University Hospital, Singapore ； University of Chicago, USA ； Department of Diagnostic ； Interventional Neuroradiology, University Hospital Berne ； University of Berne, Berne, Switzerland ； Centre de Recherche du Centre Hospitalier de l’Université de Montréal (CRCHUM), Montréal, Québec, Canada ； DEEPNOID Inc., Seoul, South Korea ； Department of Artificial Intelligence, Korea University, Seoul, South Korea ； Charité Lab for AI in Medicine (CLAIM), Charité Universitätsmedizin Berlin, Berlin, Germany ； Lung Institute, Faculty of Medicine, Imperial College London, London, UK ； Centre for Medical Image Computing, Department of Computer Science, University College London, London, UK ； Department of Radiation Oncology, Duke University Medical Center, Durham, NC, USA ； Institute of Medical Technology, Peking University Health Science Center, Beijing, China ； Hangzhou Genlight MedTech Co., Ltd., China ； Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China ； Department of Automation, Shanghai Jiao Tong University, Shanghai, China ； Department of Artificial Intelligence, Sungkyunkwan University, Seoul, South Korea ； Department of Electrical ； Computer Engineering, Sungkyunkwan University, Seoul, South Korea ； Shanghai MediWorks Precision Instruments Co., Ltd., China ； Institute of Informatics, HES-SO Valais-Wallis, Switzerland ； Department of Measurement ； Electronics, AGH University of Krakow, Poland ； Laboratoire de Thermique et Energie de Nantes (LTeN), Université Nantes, Polytech’Nantes, Nantes, France ； Research Institute of Computer Vision ； Center for Precision Health, McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston, USA ； Physense, BCN-Medtech, Department of Communication ； Information Technologies, Universitat Pompeu Fabra, Barcelona, Spain ； Department of Mathematical Modeling ； Machine Learning, University of Zurich, Zurich, Switzerland ； Laboratory of Brain Atlas ； Brain-inspired Intelligence, Institute of Automation, Chinese Academy of Sciences, Beijing, China ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China ； School of Computer ； Information Engineering, Xiamen University of Technology, Xiamen, China ； Vascular Research Center, University at Buffalo, NY, USA ； Department of Pathology ； Anatomical Sciences, University at Buffalo, NY, USA ； Department of Neurosurgery, University at Buffalo, NY, USA ； LPIXEL Inc., Tokyo, Japan
AI总结 组织TopCoW基准挑战，发布含125对MRA和CTA扫描的注释数据集，参与者提交CoW分割和变体分类算法，经评估，最佳算法在多任务中表现出色，证明CoW分割算法对下游临床应用有可解释性效用。
Comments Summary paper for the TopCoW Challenge: 4 figures, 1 table, and supplementary material in appendix. Accepted for publication in NEJM AI. Datasets and best-performing algorithm Dockers are available at https://zenodo.org/records/15692630 and https://zenodo.org/records/15665435
Journal ref NEJM AI 2026;3(8)
领域感知缩放定律揭示数据协同效应
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Microsoft Research（微软研究院） ； Harvard University（哈佛大学）
AI总结 研究语言模型预训练中的数据协同效应，利用开放权重语言模型的观测变化估计领域间协同效应，其框架提高预测精度，恢复稳定估计，经训练模型验证能正确预测性能排名。
用于多任务块推的单扩散策略控制器，具有零样本模拟到现实转移
机构 * Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究旨在用强化学习从零训练单扩散策略用于多任务块推，提出含简单策略损失函数的框架，结合反向课程生成等应对探索挑战，评估其在不同条件下零样本从模拟到现实的转移能力，证明该流程有效。
Comments 8 pages, 7 figures
MAC-Splat：用于高保真稀疏视图重建的多属性一致性
机构 * Xidian University（西安电子科技大学） ； Harvard University（哈佛大学） ； Nanyang Technological University（南洋理工大学） ； City University of Hong Kong（香港城市大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 针对稀疏视图重建中现有方法存在几何伪影的问题，提出MAC-Splat训练框架，利用MASt3R和DINOv3获取2D对应关系并定义MAC损失，联合正则化3D属性，实验证明该方法能有效解决不适定的稀疏视图重建问题，性能优于基线。
Comments Accepted to the European Conference on Computer Vision (ECCV 2026)
检测人工智能生成的视频：视觉-语言双视角综述
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学中关村人工智能学院） ； Harvard University（哈佛大学）
AI总结 综述人工智能生成视频检测，将任务重定义为事实保真度验证，提出视觉-语言双视角分类法，基于对221篇论文回顾，综合生成范式、审视检测方法、回顾评估指标，讨论挑战并指出未来方向。
Comments 51 pages, accepted by ACL 2026
Journal ref Association for Computational Linguistics 2026 pages 32221 to 32255
有状态世界，无状态弹性：交互式世界模型的精确状态服务
机构 * Harvard University（哈佛大学） ； Independent Researcher（独立研究者）
AI总结 研究交互式世界模型精确状态服务中的调度问题，提出 WorldMove 方法，能快速迁移缓存且保证位相同，通过可接受性条件等解决调度难题，实现跨传输和验证的联合调度，提升集群可调度性。
Comments 20 pages. Extended version
我们准备好迎接人工智能驱动的发现了吗？在下一次基础物理学突破之前进行人工智能验证
机构 * NSF AI Institute for Artificial Intelligence and Fundamental Interactions（NSF人工智能与基本相互作用研究院） ； MIT Laboratory for Nuclear Science（MIT核科学实验室） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Nagoya University（名古屋大学） ； Technical University Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 探讨在基础物理学中，随着机器学习日益自主，确保其可靠性至关重要。通过VERaiPHY计划框架，结合统计发现工作流程确定验证时机，强调归纳偏差等局限，思考物理学家角色，以实现机器学习在物理学中负责任的整合。
MemoBench: 动态变化环境中的世界建模基准测试
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Boston University（波士顿大学） ； Google（谷歌） ； JHU（约翰霍普金斯大学） ； CMU（卡内基梅隆大学） ； Kempner Institute（肯普纳研究所）
AI总结 提出MemoBench基准，通过目标消失-重现范式评估视频生成模型在动态环境中的记忆一致性，涵盖合成与真实场景，揭示现有模型的关键挑战。
MetaState: 持久工作记忆增强离散扩散语言模型的推理能力
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Harvard University（哈佛大学）
AI总结 MetaState通过引入轻量级循环增强模块，为冻结的离散扩散语言模型提供持久固定大小的工作记忆，提升推理性能，平均提升4.5%。
现实世界中的强化学习：统计挑战与未来方向综述
机构 * Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计学系） ； Department of Statistics, Harvard University（哈佛大学统计学系） ； School of Data Science and Society, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校数据科学与社会学院） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系）
AI总结 本文综述现实世界强化学习应用，指出其研究与部署存在差距及两大挑战。将应用框架化为三部分过程，回顾应对统计挑战的进展，涵盖在线、离线方法及持续改进设计，还概述受应用启发的未来研究方向。
硬度与伪熵之间的广义统一等价关系
机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学）
AI总结 研究计算硬度与计算随机性的关系，证明统一伪熵刻画，适用于一般熵概念族，由单个通用函数见证。通过权重受限校准等技术，证明增强引理，相比前人刻画在字母表大小依赖上有指数级改进且此依赖不可避免。
Comments Accepted to TCC 2025
DETRAM：人类网格的端到端检测、跟踪与恢复
机构 * Harvard University（哈佛大学） ； NVIDIA（英伟达） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对多人场景下人类网格恢复难题，提出DETRAM统一框架，利用单个变压器解码器及可学习查询嵌入，能自动和依用户提示检测、重建与跟踪人类，在多数据集上取得领先跟踪结果及有竞争力的重建精度，实现端到端可训练的用户导向人体分析。
电子健康记录多模态分析中的对比学习
机构 * Harvard T.H. Chan School of Public Health（哈佛T.H. 柏林公共卫生学院） ； Harvard Medical School（哈佛医学院） ； Rutgers University（罗格斯大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对电子健康记录多模态数据传统分析方法不足，提出多模态特征嵌入生成模型及对比损失来学习特征表示，经理论分析、模拟研究和真实数据验证，该方法有效且具隐私保护特性，展现了多模态学习优势。
用于开放词汇量内镜组合式指称分割的属性检索
机构 * Virginia Commonwealth University（弗吉尼亚联邦大学） ； King’s College London（伦敦国王学院） ； University at Buffalo（纽约州立大学布法罗分校） ； Harvard Medical School（哈佛医学院）
AI总结 该研究针对内镜图像指称分割面临的挑战，引入ReferEndoscopy基准，提出AR-ERIS框架，利用属性检索进行开放词汇量内镜组合式指称分割，在模拟和真实内镜数据上实现最优性能且泛化能力强。
理解模型大小插值中的层修补
机构 * Harvard University（哈佛大学） ； Kempner Institute（肯普纳研究所） ； IST Austria（奥地利科学技术研究所）
AI总结 研究零样本模型大小插值中如何选择学生层，将其转化为优化问题并证明可看作无环图最短路径问题。通过实验揭示修补对插值行为的影响，介绍KLPatch算法，为模型大小插值提供理解与实用指导。
Comments 10 pages, 5 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈