cs
02-09 00:00
本研究提出了DIMES系统，通过sGIT（SketchGit）架构将Git版本控制理念应用于设计草图过程。系统核心AEGIS模块采用混合深度学习与机器学习模型，自动识别六类笔触类型，并将设计动作映射为Git操作，支持隐式分支与多模态提交（笔迹数据+语音意图）。专家使用评估显示，概念探索广度提升160%。生成式AI模块能自动生成叙述性总结，使新手设计复现保真度显著提高（基于神经透明度的余弦相似度：0.97 vs. 0.73），AI生成渲染图的用户接受度也更高（购买意愿：4.2 vs 3.1）。
智能设计工具版本控制生成式ai人机交互设计教育混合学习模型
cs
02-09 00:00
本文针对星地网络中恶意窃听威胁，提出了一种多智能体驱动的认知安全通信框架。该框架通过双层协同防御系统实现安全优化：基础层利用多智能体协调频谱调度，以减轻拥塞并提升传输可靠性；保护层则结合生成对抗网络与学习辅助功率控制，生成对抗性信号以主动削弱窃听者的推断能力。仿真结果表明，该方法在提升安全性能和降低功耗方面优于现有基准方法。
星地网络认知安全通信多智能体协同生成对抗网络功率控制频谱调度
cs
02-09 00:00
针对现有大语言模型生成品牌口号时风格冗余、缺乏品牌人格的问题，本研究提出一种新范式：通过重新语境化与品牌人格相关的名人名言来生成口号。该方法将生成过程分解为名言匹配、结构分解、词汇替换与混合生成四个可解释的子任务。实验表明，该方法在多样性、新颖性、情感冲击力和人类偏好方面均优于现有基线模型。
品牌口号生成名人名言重构大语言模型广告创意可解释生成
cs
02-09 00:00
本文针对大型视觉语言模型在特定实体知识上的不足，提出了一种新颖的解码方法——相关性感知的多上下文对比解码。该方法通过评估每个检索到的上下文与问题的相关性，对基于不同上下文生成的预测结果进行加权融合，从而有效聚合多个相关上下文的有用信息，并抑制不相关上下文的负面影响。实验表明，RMCD在多个知识密集型视觉问答基准测试中均优于现有解码方法，且无需额外训练即可直接应用于现有模型，对检索结果的质量也表现出良好的鲁棒性。
检索增强生成视觉问答解码策略多上下文融合对比学习大语言模型
cs
02-09 00:00
AI研究正从追求模型创新转向强调问题定义与现实效用。在长期、动态、用户依赖的环境中，智能体面临“上下文爆炸”挑战，记忆成为填补效用鸿沟的关键。本文从三个维度（记忆载体、认知机制、记忆主体）提供了基础智能体记忆的统一视图，分析了不同智能体架构下的记忆实例化与操作，并回顾了评估记忆效用的基准与指标，最后指出了未来的开放挑战。
人工智能智能体记忆机制认知架构长期交互评估基准
cs
02-09 00:00
本研究首次系统性地探讨了将多模态大扩散语言模型（Multimodal dLLMs）转化为嵌入模型的可行性。通过对比最先进的多模态dLLMs与自回归视觉语言模型（VLMs）在分类、视觉问答和信息检索三类嵌入任务上的表现，发现dLLMs生成的嵌入普遍弱于自回归VLM。其中，性能较强的LaViDa模型在各项任务上分别落后3.5、2.5和4.4个百分点，而MMaDA模型的差距则超过20个百分点。进一步分析表明，扩散模型在图像-文本对齐方面的不足是其嵌入性能受限的主要原因。
多模态嵌入扩散模型视觉语言模型性能评估图像文本对齐
cs
02-09 00:00
本文提出iScheduler，一个基于强化学习的迭代调度框架，用于解决大规模资源投资问题。该框架将问题建模为马尔可夫决策过程，通过顺序选择进程来构建调度方案，并支持动态更新。实验表明，iScheduler在保持资源成本竞争力的同时，将可行解获取时间缩短了高达43倍。
强化学习资源调度持续优化大规模问题云计算
cs
02-09 00:00
本文提出一种混合量化与剪枝（HQP）框架，旨在协同优化模型以应对边缘计算的严苛延迟与能耗约束。该方法采用一种基于高效Fisher信息矩阵近似的动态权重敏感度度量，来指导迭代式剪枝冗余滤波器，并严格确保模型精度下降不超过预设阈值（Δax）后，再进行8位训练后量化。在NVIDIA Jetson边缘平台上的实验表明，HQP框架在MobileNetV3和ResNet-18等模型上实现了最高3.12倍的推理加速和55%的模型压缩，同时将精度损失控制在1.5%以内。
边缘ai模型压缩混合优化量化剪枝低延迟推理敏感度分析
cs
02-09 00:00
本文针对去中心化异构网络中的协同均值估计问题，提出了一种名为CL-colME的新型算法。该算法在现有基于双重随机平均矩阵的C-colME框架基础上，创新性地采用基于拉普拉斯矩阵的共识机制，从而避免了原框架中计算成本高昂的归一化过程。仿真结果表明，CL-colME在保持与C-colME相同的收敛行为和估计精度的同时，显著提升了计算效率。
协同学习均值估计拉普拉斯共识去中心化网络计算效率
cs
02-09 00:00
针对生产环境中LLM推理因批量请求序列长度高度异构导致的GPU资源利用率低、计算与I/O失衡问题，PackInfer提出了一种内核级注意力框架。其核心方法包括：将批处理请求编排为负载均衡的执行组，通过将多个请求打包到统一的内核启动中来饱和GPU利用率；直接基于打包的查询-键区域构建注意力内核，消除冗余计算并平衡线程块执行；结合I/O感知分组，将共享前缀的请求共置，并将KV缓存重组为组连续布局，以减少内存碎片和冗余数据移动。评估表明，相比FlashAttention，PackInfer可降低推理延迟13.0-20.1%，提升吞吐量20%。
大语言模型推理注意力机制优化批处理优化gpu资源利用kv缓存管理计算效率
cs
02-09 00:00
本文提出，大型机器学习会议应将有限的额外审稿资源集中分配给处于接收边界附近的论文，而非随机或基于相似性分配。核心方法是：在人工审稿开始前，利用基于大语言模型（LLM）的比较排序（通过成对比较和Bradley-Terry模型）来预测一个“边界论文带”，并在分配审稿人时，为这些论文额外分配一次审稿（例如，从3次增加到4次）。该方法不将LLM输出用于最终的接收/拒绝决策，仅用于资源分配。文章还提供了一个简单的预期影响计算公式，涉及预测边界集与真实边界集的重叠度（$\rho$）以及额外审稿在边界附近的增量价值（$\Delta$）。
论文审稿资源分配大语言模型比较排序学术会议机器学习
cs
02-09 00:00
本文提出Canzona框架，旨在解决大语言模型训练中矩阵优化器（如Shampoo）与分布式张量并行框架（如Megatron）的固有冲突。传统同步方法存在计算冗余，而分层划分则违反高效通信原语的几何约束。Canzona通过解耦逻辑优化器分配与物理参数分布，为数据并行引入α平衡静态分区策略，为张量并行设计基于微组调度的异步计算流水线，以批处理碎片化更新并隐藏重构开销。在256个GPU上对Qwen3模型家族（最高320亿参数）的评估表明，该方法在保持并行架构效率的同时，实现了端到端迭代时间1.57倍加速，并将优化器步骤延迟降低5.8倍。
分布式优化矩阵优化器负载均衡异步计算大语言模型训练张量并行
cs
02-09 00:00
本文提出了一种受戏剧理论启发的智能体情景记忆架构CAST，旨在解决现有记忆系统难以表征和检索连贯事件的问题。CAST通过构建三维场景（时间/地点/主题）并将其组织成角色档案来表征情景记忆，同时辅以基于图的语义记忆，形成稳健的双记忆设计。实验表明，CAST在多个数据集上平均提升了8.11%的F1分数和10.21%的LLM-as-a-Judge评分，尤其在开放性和时间敏感性对话问题上表现突出。
情景记忆智能体记忆架构角色档案语义记忆戏剧理论
cs
02-09 00:00
本研究提出PersonaPlex模型，解决了现有全双工语音模型角色与声音固定的局限。该模型通过结合角色条件文本提示与语音样本克隆的混合系统提示，实现了对结构化、角色驱动的真实应用场景的支持。模型在由开源大语言模型和文本转语音模型生成的大规模合成对话数据集上训练，并在扩展的多角色客服基准测试中评估。实验表明，PersonaPlex在角色遵循度、说话人相似度、延迟和自然度上均超越了现有最佳模型。
全双工语音角色控制语音克隆对话ai混合提示
cs
02-09 00:00
本研究提出了一种知识驱动的、可减少偏见的文献原创性评估框架，旨在解决同行评议中新颖性评估主观性强、依赖隐性判断的问题。该框架通过微调大语言模型，学习了来自顶级AI会议近8万份带有新颖性标注的评审报告，从而捕捉与评审者一致的评价行为。对于待评稿件，系统会提取其思想、方法和主张的结构化表示，检索语义相关论文，并构建相似性图谱，实现与已有工作的细粒度、概念级比较。基于此结构化证据，模型能生成经过校准的新颖性评分和类人的解释性评估，相对于现有方法，减少了高估并提高了评估一致性。
新颖性评估知识驱动同行评议大语言模型结构化比较ai会议
cs
02-09 00:00
本文针对现有标注一致性度量方法在群体间分析、样本不平衡及多标签场景下的不足，提出了一种可量化、可进行统计显著性检验的极化度量指标。该指标能够直接比较不同数据集和任务中严重不平衡的社会人口与意识形态子群体，并适用于多标签设置。应用于仇恨言论和毒性检测数据集发现：种族是导致标注极化的最强且最持久的因素；宗教与非宗教标注者之间存在显著分歧；教育程度较低的标注者主观性更强。研究还估算了获得稳健结果所需的最小标注者数量，并提供了开源实现。
标注极化群体分歧仇恨言论检测社会计算标注一致性多标签分析
cs
02-09 00:00
本文提出QEIL框架，通过推理时间缩放定律和异构计算编排（CPU/GPU/NPU），为资源受限的边缘设备实现高效的大语言模型本地推理。该框架推导出五个与架构无关的定理，量化了模型大小、样本预算与设备约束对推理效率的影响。核心创新包括：异构负载分配带来的超线性效率增益、基于计算吞吐量/内存带宽/功耗/热限制的分析成本模型进行硬件感知路由，以及使用“每瓦智能”等新指标量化性能-能耗权衡。实验表明，在多个模型上实现了7-10.5个百分点的覆盖率提升、35.6-78.2%的能耗降低，且无精度损失。
边缘计算大语言模型推理能效优化异构计算缩放定律硬件感知
cs
02-09 00:00
本研究首次将Gemma3系列大型语言与视觉模型完整部署于AMD Ryzen AI NPU这类边缘数据流架构。针对预填充和解码阶段，提出了一系列硬件感知优化技术：包括高效的解量化引擎、优化的矩阵乘法内核、分块流水线注意力机制FlowQKV，以及融合解量化与投影的FusedDQP内核和重构注意力以维持高带宽利用率的FlowKV。结合紧凑的Q4NX 4位量化格式，相比iGPU，预填充和解码速度分别提升至$5.2\times$和$4.8\times$；相比CPU，提升分别达$33.5\times$和$2.2\times$。能效提升最高达$67.2\times$（对比iGPU）和$222.9\times$（对比CPU）。该工作证明了现代NPU能够在边缘实现实用、低功耗的LLM/VLM推理，并为Transformer类模型在分块数据流加速器上的映射提供了通用蓝图。
边缘计算模型部署硬件加速npu优化transformer模型低功耗推理
cs
02-09 00:00
本文提出了一种名为FlashSketch的GPU高效稀疏草图（Sketch）实现方案。针对传统稀疏随机投影在GPU上因内存访问不规则导致性能下降的问题，研究团队通过草图与计算内核的协同设计，提出了一种新的稀疏草图结构BlockPerm-SJLT。该结构引入可调参数，在GPU执行效率与草图鲁棒性之间进行权衡。理论分析证明了其在子空间嵌入（OSE）框架下的有效性。实验表明，FlashSketch在多种RandNLA基准测试及GraSS数据归因任务中，将草图质量与速度的帕累托前沿向前推进，相比现有最佳GPU草图实现获得了约1.7倍的几何平均加速。
稀疏草图gpu加速协同设计随机数值线性代数内存访问优化
cs
02-09 00:00
本研究通过实验对比了无缓存与使用内存缓存（固定生存时间）两种服务器端配置对Web应用性能的影响。实验在相同环境条件下，使用轻量级Web服务器框架，通过重复HTTP请求测量响应时间。结果表明，缓存请求的响应时间显著降低。该发现为理解简单服务器端缓存在提升Web应用性能方面的有效性提供了有价值的见解，尤其适用于强调简单性和可复现性的教育环境及小型Web应用。
web性能服务器缓存内存缓存响应时间实验分析轻量级应用
cs
02-09 00:00
当前移动GUI智能体基准测试严重缺乏对记忆能力的评估，相关任务仅占5.2-11.8%。本研究提出首个以记忆为中心的综合性基准MemGUI-Bench，包含128个跨26个应用的任务，其中89.8%通过跨时空信息保留挑战智能体记忆。研究引入MemGUI-Eval自动化评估流程，采用渐进式审查和7级分层指标，对11种最先进智能体进行系统评估。实验揭示了所有系统均存在显著记忆缺陷，识别出5种典型失败模式，并提炼出5项可操作的设计启示。
gui智能体记忆基准测试移动交互评估框架人机交互