FlashRT开源：27倍加速，边缘AI推理告别“重计算”，秒变“快照恢复”
当机器人每次重启都要重算大模型，或边缘设备LLM冷启动慢到怀疑人生，这篇论文给出了天才解法：把整个推理的“当时状态”像游戏存档一样快照，下次直接读档。FlashRT通过“执行状态胶囊”，让低延迟、小批量的边缘AI服务延迟狂降27倍，并在LLM、TTS、机器人策略上统一了这套机制。简单说，就是让AI推理变得像按快门一样快。
标签：模型架构
共 320 篇
上海交大新作SANA-SR：32倍压缩+线性注意力，图像超分19毫秒搞定，效果还更强！
超分模型想要又快又好？上海交大奖池团队直戳痛点：不是先验不够强，而是token太拥挤、交互太贵了！他们祭出32倍压缩+线性注意力的大杀器——SANA-SR，单步推理19毫秒搞定，输出效果还吊打一众多步SOTA。这个思路，绝了！
北卡罗来纳大学夏洛特分校最新研究，ACE模块让VLM调用减少75%
长视频问答（LVQA）一直是个“烧钱”的活，把一小时的视频全喂给大视觉模型，光是token就能上百万。而TIMEPROVE给出的策略很聪明：先派轻量级的动作检测器去“探路”，生成几个高概率的答案假设，最后才让大模型去“拍板”验证。结果呢？效果涨了7.3%，成本却降了93%。这种“先猜后验”的思路，值得每个做视频理解的人关注。
仅用7%成本就吊打全场？北卡大学提出TIMEPROVE，让长视频问答学会“先找证据再说话”
长视频问答一直是个“贵”且“难”的活儿——处理一小时视频，光视觉token就超200万。北卡大学夏洛特分校的TIMEPROVE，提供了极其优雅的解决思路：先用轻量级的动作检测模块“侦察”出关键证据片段，再只把这些精挑细选的短片段送给VLM做“终审”。结果准确率涨了7.3%，VLM调用次数锐减75%，推理成本暴跌93%！这简直就是给LVQA这个“烧钱”领域的一
流感预测大PK：17个模型“华山论剑”，混合专家模型夺冠！
流感预报影响万千人健康，从ARIMA到PatchTST再到各种大模型，谁才是预测流感传播的“预言帝”？弗吉尼亚大学这篇论文，用17个模型在真实场景下进行了1-4周预测大PK。结果很有意思：混合专家模型稳居C位，而用大语言模型做时间序列预测，这次表现真是不太能打... 一起来看看到底谁是C位，谁又该回炉重造吧。
杭州电子科技大学提出ARF：生成式语音增强，还要“时间提示”干嘛？
还在给语音增强模型喂“时间”参数？杭电团队最新研究发现，在基于线性插值的生成式语音增强中，时间步嵌入可能是多余的，甚至有害。他们提出的ARF框架，去掉时间条件后，不仅生成质量更高，推理速度还快得飞起。一篇思路清奇、实验扎实的好文，值得一读。
罗格斯大学最新研究：SSD让自回归图像生成速度狂飙13倍，复杂度从O(n²)降到O(n)！
从2026年6月的PathSpec到1月的COOL-SD，加速自回归图像生成的方法层出不穷，但都难逃1D序列的束缚。罗格斯大学这篇SSD彻底打破常规，让模型用“二维视野”同时看上下左右，把复杂度从O(n²)降为O(n)，实现13倍加速，这波操作属实惊艳！
告别VAE解码瓶颈！让生成器自己当评委，视频对齐又快又准
继2026年6月推过AVDM2、DenseDPO等视频生成加速和对齐方法后，今天这篇城大新作PRISM，直接把视频生成模型本身变成了最懂行且最快速的“评委”。以往用大视觉语言模型当裁判，又慢又贵，还得等视频全生成完。PRISM反其道而行之，冻结生成模型，在满是噪声的潜伏空间里就能精准打分，还能在生成早期就淘汰烂片，推理提速7.6倍。这波操作，值得所有做视频生
德国应用科技大学最新U-Net变体：乘法交互显式建模，Dice飙升至0.942，计算量几乎不变
U-Net家族新成员驾到！还在为U-Net只能做加法特征变换而苦恼？德国应用科技大学团队祭出PU-UNet，让U-Net学会乘法交互。参数、FLOPs几乎不变，但Dice分数狂飙，正常病例假阳性率直接干到零。不烧钱，不折腾，是时候考虑给网络加个“乘法器”了。
CVPR 2026 夺冠？韩国团队用LRU做超分，效率吊打Transformer，仅需一次扫描！
Transformer的注意力机制一统超分天下？韩国高丽大学最新研究说，或许静态的线性递归单元（LRU）才是那个更香的选择。他们提出的LSM，用一次扫描就搞定了原本需要多次动态扫描的活儿，不仅省计算，画质还好到没朋友，成功登上CVPR 2026 Findings！
强化学习基础模型，真的还没到来吗？一招用「合成先验」搞定任意MDP
社区热议（453赞）！这篇2026年6月的论文一针见血地指出：强化学习缺的不是更好的模型，而是一个可以随意采样的合成先验。作者借鉴TabPFN的成功经验，直接把MDP「表格化」，用图注意力网络一通训练，结果在未见过的环境中，6个episode就收敛到最优策略，效率吊打传统上千步的Q-learning。思路极其清奇，简直是给RL基础模型铺路！
DeepMind最新警告：AI越强越不合作？揭秘“唯我论”超级智能的隐患
DeepMind终于出手，这次不谈算力，不聊模型，而是直接戳中了整个AI领域的“灵魂痛点”——我们的AI，从根上就不懂合作。这篇论文像一盆冷水，泼醒了还在疯狂堆数据、跑benchmark的各位同行。它告诉我们，超级智能的关键不在于“多强”，而在于“多合群”。不适合在“唯我独尊”的范式下闭门造车的研究者都该读读。
