@HuggingPapers：YOLO-PEFT 腾讯研究人员提出一种结构感知框架，将适配器放置转化为可审计的约束规划…

X AI KOLs Timeline 2026/08/10 16:20 论文

yolo peft fine-tuning adapters object-detection efficiency

摘要

腾讯研究人员提出YOLO-PEFT，一种结构感知框架，将适配器放置视为约束规划，在YOLO检测器上优于全量微调，同时使用的可训练参数显著更少。

YOLO-PEFT 腾讯研究人员提出了一种结构感知框架，将适配器放置转化为可审计的约束规划，在YOLO检测器上超越了全量微调，同时使用的可训练参数少得多。https://t.co/o8vZ8C9CZa

查看原文

查看缓存全文

缓存时间: 2026/08/10 23:37

YOLO-PEFT

腾讯研究人员提出一种结构感知框架，将适配器放置转化为可审计的约束规划，在YOLO检测器上超越全量微调，同时使用更少的可训练参数。https://t.co/o8vZ8C9CZa

相似文章

Hugging Face Daily Papers

YOLO-PEFT 是一个结构感知框架，将适配器放置建模为约束规划问题，用于 YOLO 检测器的参数高效微调，在降低内存占用的同时取得了优于全量微调的 mAP。

arXiv cs.LG

本文介绍了PFAdapter，一种用于多模态大语言模型（MLLMs）个性化联邦微调的通信高效框架。它采用分层LoRA分解，将适配器参数分离为全局共享和本地私有组件，通过正交正则化实现通信成本降低近50%，同时提升个性化性能。

X AI KOLs Timeline

一篇关于Looped Transformers的新论文发现，循环填充骨干网络为隐式推理提供了并行工作空间，使其能够像显式思维链（CoT）一样进行监督，并同时实现了速度和准确性。

arXiv cs.CL

ShadowPEFT 提出一种集中式参数高效微调方法，通过深度共享的阴影模块细化 Transformer 层表示，在可训练参数量与 LoRA/DoRA 相当的情况下实现同等甚至更优的性能。

TLDR AI

PorTAL是一种新颖架构，将任务微调与特定基础模型权重解耦，实现可移植的任务适配器，这些适配器可以以最小的重新训练量迁移到新模型。在未见模型上，仅使用一半的校准数据就达到了LoRA约98%的准确率提升。