Johns Hopkins University（约翰斯·霍普金斯大学）

XYZFlow:Scaling Multi dimensional Shortcut Flows for Efficient Generative Modeling

XYZFlow：用于高效生成建模的多维捷径流缩放方法

Jinxiu Liu, Xuanming Liu, Kangfu Mei, Yandong Wen, Weiyang Liu

机构 * CUHK（香港中文大学） ； Westlake University（西湖大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 XYZFlow框架通过流匹配的多维缩放实现高效图像生成，兼具7.2-8.5倍的教师模型速度提升与竞争力FID，其下一捷径预测可实现更优的质量-延迟权衡。

Comments ICML 2026 (16 pages, 5 figures)

Information Abundance Paradox: Long-Context Training Undermines Parametric Knowledge

信息丰度悖论：长上下文训练会破坏参数化知识

Arda Uzunoglu, Benjamin Van Durme, Daniel Khashabi

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 该研究提出信息丰度悖论，发现长上下文训练会使模型减少参数化知识编码、增加对上下文的依赖，预训练和微调中均存在性能先升后降或鲁棒性降低的现象，表明近无穷大上下文缩放并非仅靠更多数据。