optimization

本文解释了为什么与其他浏览器相比，Chrome 中的微型 JPEG 看起来会不同，原因在于一种 JPEG 解码优化，它会在重度缩小尺寸时跳过高频 DCT 系数。

本文介绍了一个专为 Apple Silicon 优化的 Automatic1111 分支，加入了 Metal 优化（例如 Metal Flash Attention），以加速 Stable Diffusion 1.5 的生成速度，在 M3 Pro 上将时间从 8-10 秒缩短至 3-7 秒，在 M1 Mac Mini 上从 13-20 秒缩短至 8-10 秒。

本文提出一种加速高维函数深度神经网络训练的方法，通过引入上下文特征（包括来自分解预训练DNN的秩1特征和张量特征），并利用随机张量分解将存储成本降低数个数量级。

Introduces Boundary-Seeking Policy Gradient (BSPG), a first-order method for safe reinforcement learning that actively drives the policy toward the constraint boundary, with convergence guarantees and improved reward/boundary tracking on a Safety-Gymnasium task.

本文研究了工具文档中的信息如何在不同设置下影响LLM智能体的性能，并提出了DocsChisel——一个自适应框架，通过迭代优化工具文档来提高任务成功率。

一篇理论论文，介绍了Decoupled Descent (DD)，一种训练方法，它利用近似消息传递（AMP）的Onsager修正来在梯度下降过程中强制训练误差与测试误差之间的渐近相等，从而可能实现更好的停止和超参数调整。

本文提出了一种混合嵌套搜索框架，在LLM驱动的进化优化中，将结构草图（由LLM生成）与数值参数优化（由CMA-ES等传统求解器完成）解耦，并在元优化、基于代码的策略和贝叶斯推断任务中进行了验证。

本文从理论上分析了连续DAG学习中的支持选择，表明仅靠平滑无环约束无法在可行性之外对支持进行排序，推导了NOTEARS/DAGMA的选择时间，并对320条轨迹进行了经验审计。

Presents LibraSpec, a training-free, plug-and-play algorithm that dynamically selects speculative decoding lengths via marginal-gain-driven optimization, achieving consistent speedups across multiple models and benchmarks.

This paper shows that steering vectors' safety degradation is separable and reducible, proposing a post-hoc correction via constrained optimization that restores model safety while preserving steering effectiveness.

本文介绍了LLMCompiler（一个在IR代码上大规模预训练的LLM）产生的程序嵌入在程序分析和优化任务中的首次应用，在算法分类中实现了1.54%的错误率，并在异构设备映射上取得了有竞争力的准确率。

This paper introduces KappaSharp, a method for condition-number shaping in Preferential Bayesian Optimization that corrects the ill-conditioned Hessian from isolated pairwise comparisons, showing up to +10.9% improvement over the standard PairedGP/EUBO baseline on 11 benchmarks including plasma medicine controller tuning.

一篇技术博客文章，解释了如何使用浮点除法和融合乘加来执行整数除法和取余，并给出了操作数位宽的限制，同时讨论了SIMD和舍入模式的实际注意事项。

Klaus Post 讨论了在 Go 压缩库中重新平衡 deflate 压缩级别的过程，以使速度/压缩的权衡更加线性和直观。

Meta 宣布推出一个针对设备端部署优化的全新开源模型，旨在将高效的 AI 推理带到边缘设备。

本文介绍了NS-RIS，一种基于Newton-Schulz回缩的可扩展算法，用于在Stiefel流形上学习隐藏量子马尔可夫模型，首次提供了数学性能保证和实证证据，表明HQMM在非量子生成的数据上可以优于EM训练的HMM。

介绍了CEDAR，一种自主方法，利用LLM智能体结合蒙特卡洛树搜索来发现满足用户指定行为目标的复杂系统，减少了人工投入，并实现了目标导向的设计。

本文提出了一种基于深度强化学习的车辆路径问题求解方法，并通过三个工业卡车规划案例进行了演示。与基线结果相比，该方法实现了超过10%的成本降低，并讨论了对更多VRP变体的泛化。

作者分享了 agent-design-review Skill，用于系统化诊断和优化 Agent 架构，覆盖 Prompt、工具权限、上下文、安全、记忆、评估、成本、可观测性等多方面，并输出基于证据的 P0/P1/P2 问题，帮助避免常见踩坑。

一篇深入浅出的教育性文章，探讨动态规划作为最短路径算法、神经网络训练和上下文无关文法解析背后的统一原理，并将自动机、最优控制和线性规划联系在一起。