ode

SPT-Flow 提出一种连续时间世界模型的训练方法：每条轨迹采样一个隐变量，并将自由运行的 ODE 展开与多个读出时刻的演示状态对齐，从而克服监督捷径问题。在 LIBERO 上，该方法相对 ODEWorld 基线在中段与最终帧的 best-of-10 PSNR 分别提升 2.0 和 2.4 dB，平均 LPIPS 降低 23%。

本文介绍Mean Velocity Matching (MVM)，它使用一个单一的学习场来参数化扩散模型中的随机逆向动力学，使得能够进行随机和确定性采样，并具有竞争力的生成质量。

本文提出使用Runge-Kutta积分方法的基于ODE的Transformer解码器，以改进手语翻译的迭代细化过程，在不增加模型大小的情况下，取得了比IPSLT基线更好的BLEU分数。

本文介绍了 ODEWorld，一种使用物理时间流（PT-Flow）的连续时间潜在世界模型，该模型学习由常微分方程参数化的潜在速度场，能够实现任意时间分辨率、回溯预测，并改进视频生成和机器人控制的规划。

TechCrunch报道了Ode——一家与Anthropic的合资企业，旨在为企业部署前导工程师，将AI试点项目投入生产，押注AI原生服务将成为重要的科技领域。

Anthropic和Blackstone共同推出Ode，这是一家价值15亿美元的人工智能实施合资企业，押注帮助企业部署AI模型是下一个万亿美元的机会。Ode将专注于定制AI系统，并与Anthropic的Claude技术合作。

ResilPhase是一个免训练的扩散模型加速框架，将加速推理重述为ODE空间中的稳定宏轨迹外推，通过无导数重心拉格朗日外推和有界相位映射，在高加速比下实现最先进的保真度。

LFNO是一个统一的神经算子框架，它整合了拉普拉斯和傅里叶变换，将系统动力学分解为瞬态和稳态分量，在ODE和PDE基准测试中显著优于现有算子。