高校专区
Spatula：探索用于属性控制的按需原位界面和交互
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Utah（犹他大学） ； University of Utah Salt Lake City USA（犹他大学盐湖城美国）
AI总结 研究针对生成内容属性控制问题，提出Spatula系统，基于技术探针沿四个维度探索属性控制空间，用户研究显示其交互直观便捷，支持多样参数控制，且即插即用设计可推广到其他领域。
IB-Flow：用于少步文本到图像生成的信息瓶颈引导的CFG蒸馏
机构 * Tsinghua University（清华大学） ； Wan Team, Alibaba Group（万团队，阿里巴巴集团） ； HKUST（香港科技大学） ； Beijing Normal University（北京师范大学）
AI总结 研究针对少步文本到图像生成中推理延迟问题，通过信息论将蒸馏建模为信息瓶颈引导的动态互信息博弈，提出双轨自适应框架，消除过度条件化伪影，在2步配置下实现SOTA生成保真度。
超越可教内容的搜索：拓展智能体视觉生成的知识边界
机构 * Hong Kong University of Science and Technology（香港科技大学） ； University of Waterloo（滑铁卢大学） ； Qwen Applications（通义千问应用） ； Imperial College London（帝国理工学院）
AI总结 针对视觉生成器的世界知识瓶颈，构建专用数据集与基准，提出教-搜协同训练框架定位动态知识边界，实现知识驱动的可迭代视觉生成性能提升。
机制驱动的LLM训练不稳定性抢先检测监控器
机构 * HKUST（香港科技大学） ； Huawei（华为） ； Independent Researcher（独立研究者）
AI总结 针对大语言模型训练中的数值或超参数故障，提出基于模块功能角色的内部监控器，通过QK双线性分解谱熵和MoE路由器指标，在损失发散前数千步检测到不稳定性。
AutoFed: 通过自适应提示实现个性化联邦交通预测
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 本文提出AutoFed框架，通过自适应提示学习实现个性化联邦交通预测，解决传统联邦学习在非独立同分布数据下的不足，无需手动调参，提升交通预测性能。
将MARL连接到SARL：一种通过潜在共识的顺序无关多智能体Transformer
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 本文提出CMAT框架，通过Transformer编码器处理联合观测空间，利用层次决策机制生成共识向量，实现顺序无关的联合决策，优于传统MARL方法。
重新思考用于大语言模型的前景理论：在认知不确定性下决策的不稳定性
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文重新审视前景理论在大语言模型中的应用，发现其在认知不确定性下的决策稳定性存在问题，指出前景理论可能无法可靠地处理此类不确定性。
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