大模型不需要深：一个递归技巧让数独生成器小5倍快3倍
模型大≠能力强？这篇来自洛桑联邦理工学院（EPFL）等机构的工作，直接把「递归循环」这一此前只在自回归模型里验证过的思路，正式引入了掩码扩散模型（MDM）。结果相当亮眼：一个6层Transformer循环5次，参数省5倍，模型小了，效果反而吊打30层模型！更绝的是，推理时去噪步数还能砍掉近3倍。龙哥觉得，这可能是近期最实用的模型「瘦身」思路之一。
标签：模型训练
共 155 篇
模型太大跑不动？试试“循环”一下：递归缩放让6层Transformer媲美30层，参数省5倍！
拼参数时代要终结了？EPFL等机构提出递归掩码扩散模型（R-MDM），让模型在每次去噪时“循环思考”多次。仅6层循环5次的模型，效果竟吊打30层大模型，推理还快了2.7倍！这不就是AI界的“以小博大”新范式吗？
普林斯顿大学最新：用扩散模型替代梯度，越狱成功率高达100%，竟能绕过防御
越狱攻击的“流畅性”和“成功率”就像鱼和熊掌，之前的GCG虽然成功率不错但写出的后缀简直不是人话，而基于改写的方法虽然流畅却容易丢失攻击意图。普林斯顿这篇论文直接用扩散模型替代梯度，解决了这个“既要又要”的悖论，在多个模型上取得SOTA，甚至对Mistral-7B达到了100%的攻击成功率，而且能完美绕过困惑度和守卫模型检测。如果你想了解攻击的最新范式，这一
全球最大伽马射线天文台的“数字大脑”揭秘！CTAO的ACADA系统如何实现每秒24Gb数据流实时处理？
宇宙中最剧烈的伽马射线暴发，需要地球最强的“眼睛”来捕捉。CTAO就是这双眼睛，而ACADA系统则是操控这双眼睛的“数字大脑”。这篇论文详细展示了如何构建一个能管理上百台望远镜、处理每秒几十Gb数据流、并能在4秒内响应宇宙瞬变事件的超级控制软件。对于研究大型分布式系统、实时数据处理和天文信息学的读者来说，这是一份来自全球最大在建天文台的一手架构设计文档。
CVPR 2026夺冠！商汤&清华让VLM学会“边想边搜边裁剪”，开源7B模型碾压GPT-4o-mini
当VLM面对一张4K图片里的微小文字或长尾知识时，现有模型不是“看瞎了”就是“知识库不够用”。SenseSearch巧妙地把“搜索”和“裁剪”两个看似不相关的能力，通过强化学习捏合成了一个统一的推理智能体。更关键的是，它开源了所有代码和数据集，让社区可以直接复现并续写。这项工作的完成度和效果都相当扎实，值得细细品味。
告别千篇一律，VLM自进化提问框架让问题又难又多样
一般的VLM只会当“答题机器”，这篇来自马里兰大学、UCLA和MBZUAI的工作，却让模型学会了“问问题”，而且问得越来越好。无需人工标注，模型自己就能在问答之间形成“进化闭环”，看到QG分数飙升82%，龙哥直呼过瘾。
清华年度研究：TTA4CLIP的证据质量比调参重要百倍？
别再被TTA4CLIP的参数更新给骗了！清华这篇论文用20多个方法的大规模实验揭开了真相：所谓的“最优”方法，其成功很少来自更强劲的梯度更新。证据的质量和与之对齐的代理才是真正的引擎。本文不仅是一次透彻的方法论剖析，更是一份帮你避开复杂优化陷阱的指南手册。
首个斯洛伐克语文本嵌入基准SkMTEB：词汇裁剪62%，45M小模型媲美商业API
大模型多语言能力虽强，但在斯洛伐克语这种仅有500万使用者的语言上，效果会打多大折扣？本文不仅给出了教科书式的基准测试，更告诉你：通过巧妙的“词汇裁剪+定向微调”，一个仅45M参数的开源小模型就能追平商业API，这对于所有小语种研究者来说都是一剂强心针。
UC Berkeley等四校联名Mana：让机器人学会用钳子、打针，零样本迁移！
继2026年6月聊过AI看视频学抓瓶子后，这篇Mana又来了！UC Berkeley、CMU、斯坦福、亚马逊四家联手，把灵巧操作关节工具的难题，变成一串“动画关键帧”来解决。一分钟标注，零样本迁移，成功率高达70%！这操作，值得每个机器人从业者了解。
告别二值猜测！高斯对审计器让隐私下界提升84%
差分隐私模型的水分有多大？市面上多数一次运行审计方法，在把金丝雀得分拍成二值猜测时，扔掉了大量宝贵信息。这篇佐治亚理工的工作别出心裁，抓住得分序列本质上趋近高斯的特性，直接用高斯对做审计，硬是把隐私下界给翻倍了，堪称“睁眼看世界”的典范。
武汉大学最新研究：用扩散模型的"天性"反制模仿，一招让照片"神隐"
当你想保护自己的照片不被AI拿去“换脸”，现有方法都是在图像上加点看似“聪明”的扰动。但武大这项研究告诉你：别跟扩散模型死磕了，让它自我怀疑才是王道！一句话：用魔法打败魔法，效果直接翻三倍。
