标签
提出了一种新颖的D-vine copula估计框架，该框架利用基于梯度的最大似然估计和束搜索以获得更好的全局拟合，并给出了一种通过共形预测进行不确定性量化的局部异常检测方法。
FlashTrie提出了一种GPU加速的约束束搜索方法用于生成式检索，利用简洁的trie布局和协作式CUDA内核来降低解码延迟，实现大规模实时服务，在商业搜索引擎中实现了高达24倍的加速和0.71%的收入提升。
本文提出了检索增强搜索（RAS），一种黑盒自适应方法，利用检索增强搜索和原子编辑分解（AEGIS）来改进基于LLM的C++和Python程序优化，相较于先前方法实现了高达2.06倍的提升。
本文探讨了将gzip压缩算法用作语言模型的可行性，展示了压缩算法可以通过基于压缩长度对候选续文进行评分并利用束搜索来生成文本。
ThinkBooster是一个用于LLM推理的测试时计算扩展的统一框架，提供了模块化Python库、性能-效率基准、兼容OpenAI的代理服务以及可视化调试器。在数学和编程任务上的实证结果展示了实际收益以及质量-成本权衡。
# 论文页面 - (1D) 有序词元实现高效测试时搜索 来源：[https://huggingface.co/papers/2604.15453](https://huggingface.co/papers/2604.15453) ## 摘要 具有“粗到细”词元结构的自回归模型在测试时扩展上表现更佳，并在与图文验证器结合后，实现无需训练的文本到图像生成。 [词元化](https://huggingface.co/papers?q=Tokenization) 是自回归（AR）生成模型的关键组件，将原始