标签
本文介绍了 NoisyCoconut，这是一种在推理阶段通过向潜在轨迹注入噪声以生成多样化推理路径从而提高大语言模型可靠性的方法。该方法使模型能够在不确定时选择拒答，从而在无需重新训练的情况下显著降低数学推理任务的错误率。
本文介绍了潜在空间优化可视化（LVO），这是一种机械可解释性技术，利用稀疏自编码器来可视化 Stable Diffusion 1.5 等扩散模型中的单义特征。
本文介绍了 LaTER，一种两阶段推理范式，它将潜在探索与显式思维链（Chain-of-Thought）验证相结合，从而在保持准确率的同时，降低大型语言模型的标记使用量并提升效率。
本文介绍了 RIS，这是一个用于多模态大语言模型的空间-语义接地潜层视觉推理框架，旨在克服信息瓶颈。该框架提出将潜在令牌（tokens）锚定于空间和语义证据之上，在 V* 和 HRBench 等基准测试中展现出性能提升。
本文介绍了 MCP-Cosmos，这是一个将生成式世界模型集成到 Model Context Protocol (MCP) 生态系统中的框架，旨在通过潜在空间中的预测性模拟来增强智能体的规划与执行能力。
这篇研究论文探讨了大型语言模型如何将社会角色的细粒度性编码为一个结构化的潜在维度。研究证实，这一“细粒度轴”在 Qwen3 和 Llama-3 等不同架构中保持一致，并且可以通过激活 steering（activation steering）进行因果干预。
本文提出RecursiveMAS，一种将递归扩展原则应用于多智能体系统的框架，以提升协作推理的效率和准确性。与标准基线相比，该框架在多个基准测试中实现了显著的加速和token缩减。
SignX提出了一种用于连续手语识别的新框架，该框架将异构姿态格式统一到紧凑的潜在空间中，并在像素空间基线基础上实现50倍计算加速，同时达到最先进的准确率。
本文介绍了MMOT，一种基于最优传输理论的在线混合模型学习框架，通过动态质心更新和改进的类别相似性估计来应对分布漂移下的增量学习。该方法包含一种动态保持策略，用于缓解灾难性遗忘并在潜在空间中维持类别可分离性。