高校专区
ThinkBooster: 一种用于LLM推理无缝测试时扩展的统一框架
机构 * MBZUAI ； ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； NUS（国立大学新加坡） ； Accenture（埃森哲） ； Innopolis University（因诺普里斯大学） ； Independent Researcher（独立研究者）
AI总结 提出ThinkBooster框架，通过模块化库、联合评估基准和可部署代理服务，实现LLM推理的测试时计算扩展，在数学和编码任务上验证了性能-计算权衡。
STaR-Quant：扩散大语言模型的状态-时间一致训练后量化
机构 * School of Artificial Intelligence, Beijing Normal University, Beijing, China（北京师范大学人工智能学院） ； Department of Computer Science, National University of Singapore, Singapore（新加坡国立大学计算机科学系） ； Centre for Frontier AI Research, Agency for Science, Technology and Research (A*STAR), Singapore（科技研究局前沿人工智能研究中心）
AI总结 针对扩散大语言模型低比特量化中的状态相关激活差异和时间误差累积问题，提出STaR-Quant框架，通过状态引导激活变换和时间注意力补偿实现高效量化。
MIRAGE: 具有隐式推理和生成世界模型的移动智能体
机构 * Beihang University（北京航空航天大学） ； Northwestern Polytechnical University（西北工业大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； National University of Singapore（新加坡国立大学） ； Peking University（北京大学）
AI总结 提出MIRAGE框架，通过从显式推理轨迹学习连续潜在表示，使移动智能体能够内部推理并预测未来屏幕状态，在减少生成token的同时提升执行效率。
通过机器学习加速可分负载处理：大规模工作负载的实用框架
机构 * Department of Electrical and Computer Engineering, National University of Singapore（电子与计算机工程系，新加坡国立大学）
AI总结 提出首个机器学习框架，使用前馈神经网络预测单级树网络架构中的最优处理时间，实现97-99%准确率和1-5%平均绝对百分比误差，推理时间小于1毫秒，相比传统方法加速10-100倍。
FingerEye：通过连续视觉-触觉感知学习灵巧操作
机构 * National University of Singapore（新加坡国立大学） ； RoboScience（机器人科学） ； Huazhong University of Science and Technology（华中科技大学） ； South China University of Technology（华南理工大学）
AI总结 FingerEye通过连续视觉-触觉感知提升机器人灵巧操作，结合视觉和触觉反馈，在模拟和现实环境中使腕部策略的成功率提升超30个百分点。
IGenBench：文本到信息图生成可靠性基准测试
机构 * State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； UESTC ； University of Virginia（弗吉尼亚大学） ； HKUST(GZ)（香港科技大学（广州）） ； Cornell University（康奈尔大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出IGENBENCH基准，包含30种信息图类型和600个测试用例，通过多模态大语言模型分解为10类原子问题评估10种T2I模型，发现数据完整性等维度是普遍瓶颈。
SAD-Flower：用于安全、可接受和动态一致规划的流匹配
机构 * TUM School of Computation, Information and Technology, Technical University of Munich, Munich, Germany.（慕尼黑技术大学计算、信息与技术学院） ； Munich Institute of Robotics（慕尼黑机器人与智能机构研究所） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所） ； National University of Singapore（新加坡国立大学） ； National Taiwan University (NTU)（国立台湾大学） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立台湾大学人工智能研究中心） ； University of Utah（犹他大学） ； Beijing Institute of Technology（北京理工大学） ； McGill University（麦吉尔大学）
AI总结 提出SAD-Flower框架，通过虚拟控制输入增强流匹配，利用非线性控制理论提供状态约束、动作约束和动态一致性的形式化保证，无需重新训练即可在测试时满足未见约束。
Audio-FLAN：面向语音、音乐和声音的统一音频理解与生成的指令跟随数据集
机构 * The Hong Kong University of Science（香港科学与技术大学） ； Inner Mongolia University（内蒙古大学） ； Beihang University（北京航空航天大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学） ； University of Surrey（萨里大学） ； University of Rochester（罗切斯特大学） ； Independent Researcher（独立研究者）
AI总结 提出Audio-FLAN数据集，包含80种任务和1亿实例，支持统一音频理解与生成的零样本学习。
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