代码生成｜中科院大作：安全测试当规范，结构化反馈零回归修复80个
大模型生成的代码能跑就算完？一测就出安全漏洞的场面见过太多。这篇论文把安全测试当“可执行规范”提前塞给模型，2705条轨迹实测：隐藏的联合成功率平均涨19.3个百分点，但也有模型越看测试越翻车。机制级严谨、工程级实用，值得细读。
标签：模型训练
共 180 篇
图像生成｜南科大新作：在线微调13秒搞定个性化文生图，主体一致性稳了
一张参考图，一段文字，13秒在线微调，不用预训练不用大算力，就能让扩散模型在生成过程中同时锁定"主体像不像"和"文字听不听话"。这种把炼丹塞进推理管线的思路，工程落地潜力很值得一看。
计算开销砍98.7%，成功率不降反升：VANE重新定义机器人测试时训练
机器人部署最怕什么？模型离线训得好，一到现场就“水土不服”。理想汽车联合多所高校提出VANE框架，把测试时训练做成“提案—验证—提交”的可靠流程：用未来视觉表征预测当监督信号，只在关键时刻更新，错了还能回滚。SimplerEnv上WidowX平均成功率提升3.2个百分点，反向传播计算量削减98.7%。把“边干边学”从口号变成了可信工程。
北大阿里最新：两步视频生成新范式DUET，质量追平DMD、多样性翻倍！
两步视频生成一直面临“要质量还是要多样性”的取舍难题。北大、阿里与清华联手提出的DUET，干脆让sCM和DMD两位专家按噪声级分工，高噪声步管结构多样性，低噪声步管细节质量，实验显示多样性比DMD翻倍、质量还追平了DMD。思路简单到让人拍大腿，效果却相当能打。
快手Kling团队新作：16 FPS实时生成多镜头连贯视频，一个模型搞定生成、参考与编辑
告别逐镜头生成的割裂感，快手Kling团队联合清华、南大提出的ContextMaster，把生成、参考和编辑统一进一个模型，在单卡上跑到16 FPS的同时，还能让角色和场景在多镜头之间保持一致。🔍 想看懂这套固定预算稀疏路由怎么在有限算力下留住完整记忆？这篇值得细读。
苹果谷歌联手开源：16B扩散模型6层线性化，推理提速1.73倍
大模型推理贵、响应慢，一直是落地最扎心的痛点。苹果、谷歌DeepMind、哈佛这次联手给16B扩散语言模型LLaDA 2.1动了场小手术：6层注意力换成线性版本，只训练约60小时就换来最高1.7倍解码加速，代码已开源。扩散模型也能线性化，这波操作值得细品。
开源模型的防盗锁来了？Apple用DLR-Net让微调成本暴涨4倍
这是龙哥近期看到的最有“反常识”的AI安全论文：正常防御都是让模型变笨或推理变慢，Apple却反手把训练成本拉满，推理保持原速，还顺手把自适应攻击者挡在门外。方向清奇且实验扎实，值得一读。
Apple最新实测：1.7B流模型4步生成，文本质量直追自回归
自回归模型统治语言建模多年，但Apple这次把连续流模型直接干到了1.7B参数、2.1T tokens的规模，自蒸馏后只需4步推理就能生成高质量文本。这是CFM路线迄今最大规模的实证，值得所有关注非自回归生成的人仔细看看。
多元时序预测新损失CvLoss：114组对比111胜，零推理开销
多元时间序列预测最被忽视的角落，其实是未来变量之间"一起涨跌"的结构关系。这篇来自悉尼科技大学、清华和港科大广州的工作提出CvLoss，一个即插即用的损失正则项，不改模型结构就能在114组受控对比中拿下111胜，推理还零开销。
图像去噪｜上海交大新方案：去噪模型砍掉90%参数，画质几乎无损
手机拍完照，噪点糊一脸？上海交大这个LiteKD-Net给出一个相当务实的答案：把重型去噪网络的参数砍掉90%、推理提速近2倍，再用知识蒸馏把画质“回填”回来，最终效果直逼大模型。做移动端部署的团队，这篇值得一读。
NASA新研究：地球AI天气模型搬到火星，10个epoch学会昼夜循环
现在地球上的AI天气预报已经卷到起飞。GraphCast是DeepMind在2023年推出的图神经网络天气模型，在Science上发表，用再分析数据训练后，中短期预报精度一度超越传统数值天气预报系统，而且推理速度快了几…
阿里&新国立最新研究：大模型对齐隐私泄露，32B照样能防住
偏好数据是大模型对齐的燃料，但用户“喜欢什么”本身就是敏感信息。这篇来自新加坡国立大学与阿里集团的工作，精准定位DPO独有的隐私漏洞，提出只往“偏好轴”上加噪声就能锁定隐私的PrivDPO，还首次将严格隐私对齐做到了32B模型，工程上几乎零额外成本。隐私保护与模型效用兼得，值得一读。
