decoupling

介绍了Deco-G，一种解码框架，将LLM中的格式遵循与问题求解相分离，通过格式估计模块在不削弱推理能力的前提下确保合规。在数学推理、事件抽取和LLM作为评判者的任务中取得了更高的准确性。

本文比较了在云环境中部署 AI 智能体的两种模式：直接在沙盒中部署与解耦组件。文章解释了沙盒方法因云故障而存在的局限性，并重点介绍了 Anthropic 的 Claude Managed Agent 作为解决方案，该方案将会话存储、智能体运行时和沙盒解耦，以提高弹性。

本文识别并解决了多模态大语言模型中的“编辑解耦失败”问题，即通过多模态输入进行知识更新后，当查询变为单模态时更新效果无法泛化。作者提出DECODE方法，用于解耦并定位模态特定神经元，从而实现更有效的知识编辑。

Electrobun 2.0 将因改用 Rust 重写而与 Bun 解耦，并将为 Rust、Zig、Go 等提供一等支持；yt-dlp 对 Bun 的支持已被弃用，原因是存在 vibe coding 问题以及供应链攻击。

本文介绍了一种基于B样条的Transformer模型压缩解耦框架，并提出了一种鲁棒交替最小二乘算法（R-CMTF-BSD），该算法在Vision Transformer和Swin Transformer架构上实现了显著的参数减少，同时保持了具有竞争力的准确率。

本文介绍了SLIM，一种极简架构，在多智能体强化学习中解耦通信与策略表示，在带宽约束下以最小性能下降实现最先进性能。