University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Surveying the MLLM Landscape: A Meta-Review of Current Surveys

测绘MLLM景观：当前调研的元综述

Ming Li, Keyu Chen, Ziqian Bi, Ming Liu, Xinyuan Song, Zekun Jiang, Tianyang Wang, Benji Peng, Qian Niu, Junyu Liu, Jinlang Wang, Sen Zhang, Xuanhe Pan, Jiawei Xu, Pohsun Feng

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Indiana University（印第安纳大学） ； Purdue University（普渡大学） ； Emory University（埃默里大学） ； Sichuan University（四川大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； AppCubic ； Kyoto University（京都大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Rutgers University（罗格斯大学） ； National Taiwan Normal University（台湾师范大学） 纠错

AI总结 本文通过系统回顾现有调研，全面分析MLLMs的评估方法、挑战与趋势，为研究者提供当前评估现状的深入理解。

Comments The article consists of 22 pages, including 2 figures and 108 references. The paper provides a meta-review of surveys on Multimodal Large Language Models (MLLMs), categorizing findings into key areas such as evaluation, applications, security, and future directions

Deep Learning and Machine Learning, Advancing Big Data Analytics and Management: Handy Appetizer

深度学习与机器学习，推动大数据分析与管理：开胃菜

Benji Peng, Xuanhe Pan, Yizhu Wen, Ziqian Bi, Keyu Chen, Ming Li, Ming Liu, Qian Niu, Junyu Liu, Jinlang Wang, Sen Zhang, Jiawei Xu, Xinyuan Song, Zekun Jiang, Tianyang Wang, Pohsun Feng

机构 * AppCubic ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering, University of Hawaii at Manoa（夏威夷大学马诺а分校电子与计算机工程系） ； Indiana University（印第安纳大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Purdue University（普渡大学） ； Kyoto University（京都大学） ； Rutgers University（罗格斯大学） ； National Taiwan Normal University（台湾师范大学） ； Emory University（埃默里大学） ； Sichuan University（四川大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

AI总结 本书通过深入浅出的方式介绍深度学习与大数据管理的核心技术及应用，涵盖经典模型、预训练模型和大数据管理工具，为读者提供全面的实践指导。

Comments This book contains 93 pages and 60 figures

How Not to Detect Prompt Injections with an LLM

如何不通过LLM检测提示注入

Sarthak Choudhary, Divyam Anshumaan, Nils Palumbo, Somesh Jha

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文揭示了KAD方案的结构性漏洞，并提出DataFlip攻击方法，能够有效绕过KAD防御，实现低检测率和高恶意行为诱导率。

Mastering AI: Big Data, Deep Learning, and the Evolution of Large Language Models -- AutoML from Basics to State-of-the-Art Techniques

掌握AI：大数据、深度学习与大型语言模型的演变——从基础到最新技术的AutoML

Pohsun Feng, Ziqian Bi, Yizhu Wen, Benji Peng, Junyu Liu, Caitlyn Heqi Yin, Tianyang Wang, Keyu Chen, Sen Zhang, Ming Li, Jiawei Xu, Ming Liu, Xuanhe Pan, Jinlang Wang, Xinyuan Song, Qian Niu

机构 * National Taiwan Normal University（台湾师范大学） ； Indiana University（印第安纳大学） ； University of Hawaii（夏威夷大学） ； AppCubic ； Kyoto University（京都大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； Emory University（埃默里大学） 纠错

AI总结 本文系统介绍了AutoML的基础知识、主流工具及最新技术，旨在为AI和机器学习领域提供全面的指导与研究参考。

Comments This book contains 169 pages and 5 figures

Balancing Performance and Costs in Best Arm Identification

在最佳臂识别中平衡性能与成本

Michael O. Harding, Kirthevasan Kandasamy

机构 * Department of Statistics University of Wisconsin-Madison（统计学系威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出了一种新的最佳臂识别方法，通过平衡性能和成本来优化学习过程，提出了 DBCARE 算法并展示了其在模拟模型中的优越性能。

Comments NeurIPS 2025

The Delusional Hedge Algorithm as a Model of Human Learning from Diverse Opinions

偏见 Hedge 算法作为人类从多样化意见中学习的模型

Yun-Shiuan Chuang, Jerry Zhu, Timothy T. Rogers

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 偏见 Hedge 算法通过结合有标签和无标签信息，揭示人类在多样化意见中学习的机制。

Score Matching for Estimating Finite Point Processes

基于有限点过程的评分匹配

Haoqun Cao, Yixuan Zhang, Feng Zhou

机构 * Department of Statistics University of Wisconsin-Madison（统计学系威斯康星大学麦迪逊分校） ； School of Statistics and Data Science Southeast University（统计学与数据科学学院东南大学） ； Center for Applied Statistics and School of Statistics Renmin University of China（应用统计中心与统计学系中国人民大学） 纠错

AI总结 本文提出了一种针对有限点过程的评分匹配方法，通过引入加权评分匹配估计器和生存分类增强，解决了传统方法的归一化问题，实现了高效且准确的时空点过程建模。

dVLM-AD: Enhance Diffusion Vision-Language-Model for Driving via Controllable Reasoning

dVLM-AD：通过可控推理增强扩散视觉语言模型以实现驾驶

Yingzi Ma, Yulong Cao, Wenhao Ding, Shuibai Zhang, Yan Wang, Boris Ivanovic, Ming Jiang, Marco Pavone, Chaowei Xiao

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 dVLM-AD通过可控推理提升扩散视觉语言模型，实现更一致的驾驶推理与规划性能。

Enabling Fast and Accurate Neutral Atom Readout through Image Denoising

通过图像去噪实现快速且准确的中性原子读出

Chaithanya Naik Mude, Linipun Phuttitarn, Satvik Maurya, Kunal Sinha, Mark Saffman, Swamit Tannu

机构 * Department of Computer Sciences, University of Wisconsin–Madison（计算机科学系，威斯康星大学麦迪逊分校） ； Department of Physics, University of Wisconsin–Madison（物理系，威斯康星大学麦迪逊分校） 纠错

AI总结 通过图像去噪技术，GANDALF框架实现了中性原子量子计算机读出速度与准确性的平衡，显著提升量子误差校正效率。

Comments 12 pages, 15 figures

A Definition of AGI

AGI 的定义

Dan Hendrycks, Dawn Song, Christian Szegedy, Honglak Lee, Yarin Gal, Erik Brynjolfsson, Sharon Li, Andy Zou, Lionel Levine, Bo Han, Jie Fu, Ziwei Liu, Jinwoo Shin, Kimin Lee, Mantas Mazeika, Long Phan, George Ingebretsen, Adam Khoja, Cihang Xie, Olawale Salaudeen, Matthias Hein, Kevin Zhao, Alexander Pan, David Duvenaud, Bo Li, Steve Omohundro, Gabriel Alfour, Max Tegmark, Kevin McGrew, Gary Marcus, Jaan Tallinn, Eric Schmidt, Yoshua Bengio

机构 * Center for AI Safety（AI安全中心） ； University of California, Berkeley（加州大学伯克利分校） ； Virtue AI ； Morph Labs（Morph实验室） ； University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Gray Swan AI ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Hong Kong Baptist University（香港 Baptist大学） ； HKUST（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Tübingen（图宾根大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Beneficial AI Research（有益AI研究） ； Conjecture ； Institute for Applied Psychometrics（应用心理测量研究所） ； New York University（纽约大学） ； CSER ； Université de Montréal（蒙特利尔大学） ； LawZero 纠错

AI总结 本文提出了一种基于卡特尔-霍恩-卡罗尔理论的可量化框架，定义AGI为与受过良好教育的成年人认知能力相匹配，并通过心理测量电池评估AI系统，揭示当前AI在基础认知机制上的不足。

Instant Video Models: Universal Adapters for Stabilizing Image-Based Networks

即时视频模型：用于稳定图像网络的通用适配器

Matthew Dutson, Nathan Labiosa, Yin Li, Mohit Gupta

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出了一种通用的稳定性适配器，用于提升视频中图像网络的稳定性和鲁棒性，通过统一的损失函数和高效训练方法，在多个视觉任务中提升了预测质量与抗损坏能力。

Comments NeurIPS 2025

Fast Gaussian Process Approximations for Autocorrelated Data

快速高斯过程近似用于自相关数据

Ahmadreza Chokhachian, Matthias Katzfuss, Yu Ding

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, GA 30339（佐治亚理工学院H.Milton Stewart工业与系统工程学院） ； Department of Statistics, University of Wisconsin–Madison, Madison, WI 53706（威斯康星大学麦迪逊分校统计系） 纠错

AI总结 本文提出一种快速高斯过程近似方法，通过分块处理自相关数据以加速计算并保持模型预测性能。

Comments Accepted by the INFORMS Journal on Data Science

From Word Vectors to Multimodal Embeddings: Techniques, Applications, and Future Directions For Large Language Models

从词向量到多模态嵌入：大型语言模型的技术、应用与未来方向

Charles Zhang, Benji Peng, Xintian Sun, Qian Niu, Junyu Liu, Keyu Chen, Ming Li, Pohsun Feng, Ziqian Bi, Ming Liu, Yichao Zhang, Xinyuan Song, Cheng Fei, Caitlyn Heqi Yin, Lawrence KQ Yan, Hongyang He, Tianyang Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Simon Fraser University（西蒙弗雷泽大学） ； Kyoto University（京都大学） ； National Taiwan Normal University（台湾师范大学） ； Purdue University（普渡大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Emory University（埃默里大学） ； Cornell University（康奈尔大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The Hong Kong University of Science（香港科学大学） ； University of Liverpool（利物浦大学） ； University of Warwick（沃里克大学） 纠错

AI总结 本文综述了从词向量到多模态嵌入的发展，探讨了大型语言模型的技术、应用及未来方向。

Comments 21 pages

Benchmarking machine learning models for multi-class state recognition in double quantum dot data

在双量子点数据中对多类状态识别的机器学习模型基准测试

Valeria Díaz Moreno, Ryan P Khalili, Daniel Schug, Patrick J. Walsh, Justyna P. Zwolak

机构 * Department of Physics, University of Wisconsin-Madison（物理系，威斯康星大学麦迪逊分校） ； Department of Computer Science, University of Maryland（计算机科学系，马里兰大学） ； Department of Applied Physics, Stanford University（应用物理系，斯坦福大学） ； National Institute of Standards and Technology（国家标准与技术研究院） ； Joint Center for Quantum Information and Computer Science, University of Maryland（量子信息与计算机科学联合中心，马里兰大学） ； Department of Physics, University of Maryland（物理系，马里兰大学） 纠错

AI总结 本研究比较了四种机器学习模型在双量子点数据中的多类状态识别性能，发现CNNs在实验数据中表现最佳，具有较高的准确性和效率。

Comments 12 pages, 4 figures, 2 tables

Private Continual Counting of Unbounded Streams

无界流的隐私连续计数

Ben Jacobsen, Kassem Fawaz

机构 * Department of Computer Sciences University of Wisconsin — Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering University of Wisconsin — Madison（电气与计算机工程系威斯康星大学麦迪逊分校） 纠错

AI总结 本研究提出一种无界流的隐私连续计数算法，通过引入基于对数扰动的矩阵分解，实现平滑误差和更优的方差与空间效率。

Comments Published as a conference paper at NeurIPS 2025. 20 pages, 2 figures

Solving Neural Min-Max Games: The Role of Architecture, Initialization & Dynamics

解决神经最小-最大游戏：架构、初始化与动态的作用

Deep Patel, Emmanouil-Vasileios Vlatakis-Gkaragkounis

机构 * Department of Computer Science University of Wisconsin-Madison（计算机科学系 威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出了一种理论框架，通过隐藏的凸性和过参数化解释神经最小-最大游戏中的全局收敛性，并首次为两层神经网络游戏提供了保证。

Comments Camera-ready for NeurIPS 2025 (including updated section on neural network initialization for experiments in Appendix C)

PETAR: Localized Findings Generation with Mask-Aware Vision-Language Modeling for PET Automated Reporting

PETAR：基于掩码感知的视觉-语言建模的局部发现生成用于PET自动报告

Danyal Maqbool, Changhee Lee, Zachary Huemann, Samuel D. Church, Matthew E. Larson, Scott B. Perlman, Tomas A. Romero, Joshua D. Warner, Meghan Lubner, Xin Tie, Jameson Merkow, Junjie Hu, Steve Y. Cho, Tyler J. Bradshaw

机构 * University of Wisconsin–Madison Department of Computer Sciences（威斯康星大学麦迪逊分校计算机科学系） ； University of Wisconsin–Madison Department Radiology（威斯康星大学麦迪逊分校放射学系） ； Microsoft（微软公司） 纠错

AI总结 PETAR通过引入PETARSeg-11K数据集和PETAR-4B模型，实现基于掩码感知的3D PET自动报告生成，提升医学影像分析的精度与实用性。

Constructing Efficient Fact-Storing MLPs for Transformers

构建高效的事实存储MLP用于Transformer

Owen Dugan, Roberto Garcia, Ronny Junkins, Jerry Liu, Dylan Zinsley, Sabri Eyuboglu, Atri Rudra, Chris Ré

机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； Institute for Computational & Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所） ； Computer Science Department, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系） ； Computer Science and Engineering Department, University at Buffalo（布法罗大学计算机科学与工程系） 纠错

AI总结 本文提出了一种改进的MLP构造框架，提升了事实存储效率和实用性，并揭示了MLP事实存储能力与Transformer实用性之间的权衡。

A Comprehensive Survey and Guide to Multimodal Large Language Models in Vision-Language Tasks

多模态大语言模型在视觉-语言任务中的综合综述与指南

Chia Xin Liang, Pu Tian, Caitlyn Heqi Yin, Yao Yua, Wei An-Hou, Li Ming, Xinyuan Song, Tianyang Wang, Ziqian Bi, Ming Liu

机构 * JTB Technology Corp.（JTB技术公司） ； Stockton University（斯托顿大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； AppCubic USA（AppCubic美国公司） ； Nomad Sustaintech LTD（Nomad可持续科技有限公司） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； University of Liverpool（利物浦大学） ； Indiana University（印第安纳大学） ； Purdue University（普渡大学） 纠错

AI总结 本文综述了多模态大语言模型在视觉-语言任务中的应用，探讨了其架构、训练方法及挑战，并提供了理论与实践的全面指南。

ThetaEvolve: Test-time Learning on Open Problems

ThetaEvolve：开放问题的测试时间学习

Yiping Wang, Shao-Rong Su, Zhiyuan Zeng, Eva Xu, Liliang Ren, Xinyu Yang, Zeyi Huang, Xuehai He, Luyao Ma, Baolin Peng, Hao Cheng, Pengcheng He, Weizhu Chen, Shuohang Wang, Simon Shaolei Du, Yelong Shen

机构 * Microsoft（微软公司） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 ThetaEvolve通过测试时间强化学习提升开放问题求解能力，实现开源模型在数学优化问题上的新突破。

Comments 30 pages, link: https://github.com/ypwang61/ThetaEvolve

OctoMed: Data Recipes for State-of-the-Art Multimodal Medical Reasoning

OctoMed：面向尖端多模态医疗推理的数据配方

Timothy Ossowski, Sheng Zhang, Qianchu Liu, Guanghui Qin, Reuben Tan, Tristan Naumann, Junjie Hu, Hoifung Poon

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） 纠错

AI总结 OctoMed通过结构化推理轨迹的数据配方，提升医疗多模态推理模型的性能和鲁棒性。

AdS/Deep-Learning made easy II: neural network-based approaches to holography and inverse problems

AdS/Deep-Learning made easy II: 基于神经网络的反问题和全息学方法

Hyun-Sik Jeong, Hanse Kim, Keun-Young Kim, Gaya Yun, Hyeonwoo Yu, Kwan Yun

机构 * Asia Pacific Center for Theoretical Physics（亚太理论物理中心） ； Department of Physics, Pohang University of Science（物理系，波扬大学科学） ； Department of Physics, University of Wisconsin-Madison（物理系，威斯康星大学麦迪逊分校） ； Department of Physics（物理系） ； Photon Science, Gwangju Institute of Science（光科学，全州科学研究院） ； Research Center for Photon Science Technology（光科学技术研究中心） 纠错

AI总结 本文提出利用神经网络解决全息学和经典力学中的反问题，通过PIML方法重建空间时间与有效势能，并探讨KANs在特定情况下的高效应用。

Comments 31pages, 17 figures

On the Complexity of the Grounded Semantics for Infinite Argumentation Frameworks

无限论证框架的 grounded 语义复杂性分析

Uri Andrews, Luca San Mauro

机构 * Department of Mathematics University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系） ； Dipartimento di Ricerca e Innovazione Umanistica University of Bari, Italy（巴里大学人文研究与创新系） 纠错

AI总结 本文研究了无限论证框架中 grounded 语义的复杂性，发现其计算难度极高，与有限情况下的多项式时间计算形成鲜明对比。

Comments In Proceedings TARK 2025, arXiv:2511.20540

Journal ref EPTCS 437, 2025, pp. 112-127

Maglev-Pentabot: Magnetic Levitation System for Non-Contact Manipulation using Deep Reinforcement Learning

磁悬浮系统Maglev-Pentabot：基于深度强化学习的非接触操控

Guoming Huang, Qingyi Zhou, Dianjing Liu, Shuai Zhang, Ming Zhou, Zongfu Yu

机构 * Department of Electrical and Computer Engineering, University of Wisconsin-Madison（电气与计算机工程系，威斯康星大学麦迪逊分校） ； Flexcompute ； Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学） 纠错

AI总结 Maglev-Pentabot通过深度强化学习实现克级非接触操控，解决微米尺度操控限制，支持泛化运输任务和更大重量物体操控。

Deep Parameter Interpolation for Scalar Conditioning

深度参数插值用于标量条件化

Chicago Y. Park, Michael T. McCann, Cristina Garcia-Cardona, Brendt Wohlberg, Ulugbek S. Kamilov

机构 * WashU（华盛顿大学） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； UW–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出深度参数插值方法，通过动态插值实现神经网络对标量输入的条件化，提升去噪和样本质量的同时保持计算效率。

Extreme value theory for singular subspace estimation in the matrix denoising model

矩阵去噪模型中奇异子空间估计的极值理论

Junhyung Chang, Joshua Cape

机构 * Department of Statistics, University of Wisconsin–Madison（统计学系，威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出基于二到无穷范数的检验统计量，用于检测矩阵去噪模型中低秩信号结构的显著性，改进了传统方法的检测能力。

Comments 60 pages, 8 figures

LASER: Lip Landmark Assisted Speaker Detection for Robustness

LASER: 基于唇部特征的说话人检测以提高鲁棒性

Le Thien Phuc Nguyen, Zhuoran Yu, Yong Jae Lee

机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 LASER通过结合唇部特征提升说话人检测的鲁棒性，在高噪声环境下显著优于现有方法。

Comments WACV 2026

From Text to Multimodality: Exploring the Evolution and Impact of Large Language Models in Medical Practice

从文本到多模态：探索大型语言模型在医疗实践中的演变与影响

Qian Niu, Keyu Chen, Ming Li, Pohsun Feng, Ziqian Bi, Lawrence KQ Yan, Yichao Zhang, Caitlyn Heqi Yin, Cheng Fei, Junyu Liu, Tianyang Wang, Yunze Wang, Silin Chen, Ming Liu, Benji Peng, Xinyuan Song, Ziyuan Qin, Riyang Bao, Zekun Jiang

机构 * Kyoto University（京都大学） ； Georgia Institute of Technology（佐治亚理工学院） ； National Taiwan Normal University（台湾师范大学） ； Indiana University（印第安纳大学） ； Hong Kong University of Science（香港科学大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； University of Liverpool（利物浦大学） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） ； Purdue University（Purdue 大学） ； Emory University, Atlanta, GA, USA（埃默里大学） ； West China Biomedical Big Data Center, West China Hospital, Sichuan University, Chengdu, China（西京生物大数据中心，四川大学西京医院，成都，中国） 纠错

AI总结 本文探讨了多模态大型语言模型在医疗实践中的发展与影响，分析其在医疗影像、临床决策支持等领域的应用及面临的挑战。

Comments 12 pages, 1 figure

Large Language Models and Cognitive Science: A Comprehensive Review of Similarities, Differences, and Challenges

大语言模型与认知科学：对相似性、差异性和挑战的全面综述

Qian Niu, Junyu Liu, Ziqian Bi, Pohsun Feng, Benji Peng, Keyu Chen, Ming Li, Lawrence KQ Yan, Yichao Zhang, Caitlyn Heqi Yin, Cheng Fei, Tianyang Wang, Yunze Wang, Silin Chen, Ming Liu, Ziyuan Qin, Riyang Bao, Xinyuan Song, Zekun Jiang

机构 * Kyoto University（京都大学） ； Indiana University（印第安纳大学） ； National Taiwan Normal University（台湾师范大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Hong Kong University of Science（香港科学大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； University of Liverpool, UK（利物浦大学） ； University of Edinburgh, UK（爱丁堡大学） ； Zhejiang University（浙江大学） ； Purdue University（普渡大学） ； Emory University（埃默里大学） ； West China Biomedical Big Data Center, West China Hospital, Sichuan University（四川大学西昌生物大数据中心、西昌医院） 纠错

AI总结 本文综述了大语言模型与认知科学的相似性、差异性和挑战，探讨了LLMs在认知领域的应用及改进方法。

Comments 10 pages, 1 figure

CafeQ: Calibration-free Quantization via Learned Transformations and Adaptive Rounding

CafeQ: 无需校准的量化方法通过学习变换和自适应四舍五入

Ziteng Sun, Adrian Benton, Samuel Kushnir, Asher Trockman, Vikas Singh, Suhas Diggavi, Ananda Theertha Suresh

机构 * Google（谷歌） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 CafeQ通过学习变换和自适应四舍五入方法，在无需校准数据的情况下提升大语言模型的量化效果，实现更高效的推理性能。