人事变动
暂无已发布的人事变动。
论文
论文2026-10-07 · arXiv (Cornell University)
Long-WAM: Scaling the Context of World-Action Models
- 做了什么
- 研究团队开发了 Long-WAM，这是一种在实时约束下有效利用机器人过去视觉信息的模型。
- 核心结果
- 当使用自回归（AR）方法对处理视觉信息的基础模型进行预训练时，历史记忆的利用率达到最大化，并提高了机器人任务的成功率。
- 意义
- 证明了其能够在各种硬件环境中实时运行，有助于未来应用于复杂的长期机器人控制任务。AI 摘要
论文2026-10-06 · arXiv (Cornell University)
Humanize: Judgement Engineering for Agentic Coding
- 做了什么
- 介绍了Humanize，这是一种在规划、实现和审查阶段之间应用清晰、机械性决策的多人工智能协作工作流。
- 核心结果
- 由不同厂商的生成人工智能与审查人工智能交替工作，在解决竞赛问题和性能评估中取得了优异的成果。
- 意义
- 表明在利用人工智能进行编程的过程中，独立审查有助于发现错误。AI 摘要
论文2026-09-29 · arXiv (Cornell University)
SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video
- 做了什么
- 提出了SoL-Refiner，这是一种“精炼器（视频画质改善模型）”，它通过仅单步去噪过程，将预先生成的低分辨率视频转换为高分辨率视频。
- 核心结果
- 在2K分辨率下，其VBench和UniPercept的平均得分高于所对比的外部精炼器；在3840×2176分辨率下，这两个指标均优于采用三步法的LTX-2.3精炼器。据报道，在2K延迟设置下，与相同基准模型相比，精炼延迟缩短了8.91倍。
- 意义
- 高分辨率视频生成的计算量显著增加且成本高昂，这表明采用单步而非多步来提高画质的方向可以减轻这一负担。不过，摘要中给出的结果是在作者设定的条件下测得的，因此很难断言其在实际服务中的整体效果。AI 摘要
论文2026-09-29 · arXiv (Cornell University)
LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization
- 做了什么
- 提出了LeapQuant，这是一种无需训练的方法，用于在大型语言模型处理长上下文时，将反复读写的“循环状态”压缩到较低的精度。
- 核心结果
- 根据摘要，在8比特压缩下，它在保持与FP32基准模型相近准确度的同时，在GPU内核层面平均加速2.05至3.70倍，整体推理速度提升1.47倍。
- 意义
- 鉴于它能够减少推理过程中的内存和计算负担，这项研究有助于提升处理长上下文的AI服务的运营效率。不过，由于摘要仅呈现了特定模型和GPU的结果，很难断言在所有实际商业服务中都会出现相同的效果。AI 摘要
论文2026-09-28 · arXiv (Cornell University)
Sol-H3: Recursive Self-Improvement for MiniMax-H3 Inference Acceleration on Sol-Engine across Cloud and Edge
- 做了什么
- 构建了完整的执行流水线，旨在让拥有330亿参数的视频生成AI模型MiniMax-H3在云端服务器和小型设备上运行得更快、消耗更少内存。
- 核心结果
- 根据摘要，该技术实现了最高达30倍的端到端（从输入到最终结果的全过程）速度提升以及约20%的内存节省，并在8个GB200服务器节点上以比实时快3.5倍的速度生成了包含音频的5秒1344x768分辨率视频。
- 意义
- 该研究的意义在于展示了如何降低将视频生成AI应用於实际服务时面临的最大障碍——生成延迟与内存限制，但仅凭摘要很难判断其商业化效果或具体的成本节约规模。AI 摘要
论文2026-09-28 · arXiv (Cornell University)
d-OPD: Future-Aware On-Policy Distillation for Block Diffusion Language Models
- 做了什么
- 提出了 d-OPD，这是一种蒸馏训练方法，用于将传统的自回归（一次生成一个标记）语言模型转化为以块为单位并行生成多个标记的块扩散语言模型。
- 核心结果
- 据报告，在 Qwen3 模型（0.6B 至 8B）的实验中，与现有方法 OPDLM 相比，六个基准测试的平均分最多提高了 4.0 分，同时训练时间缩短了 1.35 到 1.58 倍。
- 意义
- 摘要指出，以块为单位同时生成多个标记的方法有望提高文本生成速度，而本研究表明可以提高构建此类模型的训练过程效率。AI 摘要
