跳到主要内容
检索

Northeastern University

23 篇关联报道

订阅更新
  1. Scientific Reports

    手机与云端分摊生成式推理:MAGS用报价代替抢单,p99延迟降17.1%

    生成式查询的代价要等答案生成完才知道,设备只能提前占资源,多台设备还会同时涌向同一台服务器。MAGS让每台设备先用本地小模型的四层探针预测token数与生成熵,再按服务器广播的拥塞价格竞标云端容量,并在同一次出价里选定每token的隐私参数。在相同观测与调参预算下,十个随机种子上它相对反应式PPO基线把p99延迟降低17.1%、每token能耗降低13.6%、吞吐提高20.7%;八设备两服务器实测把卸载决策的跨设备相关性从0.41降到0.08。

  2. arXiv

    JEPA世界模型会记住背景而忘掉动作:加入运动引导对比正则后,随机背景下规划成功率从52%升到78%

    JEPA式世界模型只用分布正则约束隐空间时,编码器会把每一回合固定的背景当成主要信息,反而压掉机械臂与物体交互带来的状态变化,这种失效被称为静态坍缩。新方法在同一回合内把预测的隐状态变化与候选观测的变化做对比,并用光流相似度给出软目标,让运动相近的候选获得相近的监督。在OGBench-Cube随机背景设置上,规划成功率相对LeWM从52%升到78%,在LIBERO-Object上从14%升到54%,其余四个视觉控制基准保持相当水平。

  3. arXiv

    四个检测器坏一个,LLM调查员准确率跌到0.50–0.72:CAV改用工具碰不到的证据复核

    在修正版CIC-IDS2017上,四个异构检测器给出的标签与置信度被按威胁模型污染后,未经核验的开源LLM调查员在四个检测器坏掉一个时准确率降到0.50–0.72,坏掉三个时全部跌到0.13以下。冲突感知证据核验(CAV)把上报置信度排除在投票之外,只在工具之间出现冲突时,用基于原始流量特征的最近邻信任分数检验候选家族。冻结提示词后,CAV-LLM在三个检测器被污染的持久与偶发两种情形下达到0.84–0.88,而朴素调查员至多0.08,同时只在0.4%的干净流量上调用LLM。

  4. arXiv

    SAM 3 压到 4 比特后不再认错目标:SPQ 把 RefCOCO 命中率从 42.1 拉回 72.5

    把 SAM 3 的图像编码器权重量化到 4 比特、激活保持 8 比特后,模型常出现“提示对齐漂移”:掩码看着合理,却圈错目标或在视频中丢失同一对象。SPQ 在离线校准阶段给影响文本概念分数的参数更高权重、约束低方差残差方向上的特征误差,并用成对视频推演估计记忆接口的均值偏移后折入已有偏置。在 W4A8 设置下,RefCOCO Pr@0.5 由 PTQ4SAM 的 42.1 升到 72.5,同时保留 54.8 COCO mask AP,推理图不增加算子。

  5. arXiv

    激活引导该插在哪一层:TopoSteer用位移点云的连通长度排序,免去留出集试跑

    激活引导在推理时向大模型内部表示加一个向量,但插在哪一层长期靠试:已有选择器只看两类激活是否可分、单条位移是否与均值同向,从不真正引导模型验证。TopoSteer改为给每层算一个分数,即该层逐样本位移点云的欧氏最小生成树总长,用连通长度衡量均值差向量能否代表这些位移。在五个指令微调模型、六个二元人格引导任务上,它在多数模型—层预算组合中优于LayerNavigator,但优势随模型和层预算变化,Qwen-7B与Qwen-32B上更小且更混杂。

  6. arXiv

    大模型推理时不再改权重:按每个问题调神经元,3B到32B七个模型全部涨分

    大模型推理时不必再靠预设的固定干预:Q-NeuS按每个问题自身的内部激活决定放大哪些前馈神经元,在3B到32B的七个模型和三个基准上全部涨分。

  7. arXiv

    终端智能体自己造训练环境:有效环境率最高提升25倍,单环境成本降75%

    AutoEnvScaling把强化学习环境设计本身变成终端任务,让提议智能体从求解器的 rollout 中生成新环境,有效环境率最高提升25倍、单个有效环境成本最多降低75%。

  8. arXiv

    MiniCorp 让智能体公司自主运营电商:价格弹性 2.9–3.2、广告带来 23–32% 增量并产生延迟自然流量收益

    MiniCorp 构建了一个闭环办公室模拟器,把持续存在的智能体公司与不断演化的电商外部市场耦合起来:外部世界显式建模搜索需求、匹配排序、点击转化、竞价广告与动态竞争者,内部世界由固定角色智能体观察数据、沟通并提交决策。实验显示,集成后的市场在价格弹性、临时折扣与缺货的持续效应、广告的延迟自然流量收益等响应路径上与实证研究一致,智能体也能跨角色协作并生成可回放的反事实企业数据。

  9. arXiv

    ΔRepresentation 用反事实推理把病灶表型建模为相对正常解剖的表征增量,在六个医学 VLM 上同时提升病灶定位与表型识别

    该工作提出 ΔRepresentation,一个面向医学视觉语言模型的视觉表型表征学习框架:BaseAnatomy 用理想空间分布对正常解剖表征施加几何监督,Phenotype 通过反事实推理估计病灶块对应的正常解剖参考并学习表型特异的表征增量,使同一表型的增量在表征空间中聚集。在 ReXGroundingCT 与 LIDC-IDRI 上,该方法在六个预训练医学 VLM 上一致提升病灶定位与表型识别准确率。

  10. arXiv

    研究者用归因相似度区分忠实与不忠实的自我报告模型,忠实模型均值0.34对不忠实0.08

    该研究在受控设定下用低秩适配器让模型按隐藏的线性偏好函数为虚构角色做二选一决策,发现仅靠决策任务微调即可在无自我报告监督下涌现出准确的偏好自我报告,且忠实模型在决策与自我报告两项任务上的归因相似度显著更高(均值0.34对0.08,配对自助法95%置信区间[0.16,0.36]),从而无需理解报告内容即可区分忠实与不忠实的自我报告。