标签
本文提出G^2PTQ，一种统一的大语言模型训练后量化框架，采用广义梯度补偿来改善与全精度模型的对齐，优于最先进基线。
作者使用Opus 5.5 (Extra)构建了一个单独的HTML文件，实现了深度缩放的Mandelbrot探索器和Conway的生命游戏，通过高精度数学和WebGL2优化，能够缩放至10^300。
本文提出一种改进的Neo4j大规模并行导入方法，采用基于哈希的分区和k-1着色算法，以避免数据加载过程中的死锁和锁竞争。
文章对ThinkingCap-Qwen3.8-27B和Swift-Qwen3.8-27B与原始Qwen3.8-27B进行了基准测试，结果显示两个微调模型都减少了约40%的推理令牌，性能损失极小，但在特定语言结果和令牌使用模式上存在差异。
论文介绍了Neurogenesis Network (NGN)，这是一种可微分参数化方法，用于在训练过程中学习神经网络的最优规模，适用于包括MLPs、CNNs和Transformers在内的多种架构。
本文提出一种谱连通性正则化的图学习框架（SCoGL），该框架融入拉普拉斯谱先验，以在数据稀缺时提高图恢复和图信号去噪等下游任务的性能。
COPE是一种新颖的优化框架，用于在稀疏用户反馈下对LLMs进行持续个性化，采用可学习的用户嵌入和自评估校准。实验表明，它优于无训练和基于训练的基线，并在各种设置下保持稳健。
本文介绍了用于局部学习的谱更新方法，该方法增强了深度鲁棒性并减少了超参数敏感性，在CIFAR-10基准测试中取得了比局部Adam更好的准确性。
该推文讨论了利用AI模型Opus 5.5通过ShellPerfBench工具来发现shell启动时间的优化，并建议用户优化他们的.zshrc文件。
本文提出了一种方法，通过使用随机Hessian估计将全参考图像质量指标近似为输入依赖的二次失真，将其集成到视频编解码器的率失真优化中，从而在VVC中实现BD率节省。
Tailscale 详细介绍了其网络产品即将推出的性能改进，包括降低小型数据包的内存开销，以及计划在 2026 年末实现的吞吐量提升。
一条推文推广了一个用于LLMs和AI代理的'Jev'提示，该提示分析用户以优化他们的AI设置并节省时间和金钱。
在预览版中，uv 将省略锁文件中的包元数据，平均减少锁文件大小最多 50%，并降低冲突。
一位开发者分享了在本地硬件上将对象检测延迟降低到0.35秒以下的成就，突显了人工智能性能优化的进展。
这篇文章突出了一项性能基准测试，其中将代码从 Swift 重写为 Objective-C 大幅提升了执行时间，对于大型数据集，从毫秒级缩短到微秒级。
本文介绍了一种名为Modular Norm RandOpt的架构感知扰动方法，用于语言模型的高效集成。该方法在多任务和不同模型规模下，使用较少的候选模型即可实现性能提升。
本文首次提出在具有p-adic参数的机器学习模型中，使用Berkovich仿射线进行连续梯度下降优化的方法，以实现如模算术等任务的有效学习。
提出终端收缩平均法 (TSA) 以在LLM预训练中将学习率调度与模型估计器分离，提高验证质量并可能加速基准测试。
LazyAgent 引入了一个用于智能体程序的需求驱动执行框架，该框架根据当前目标选择性地仅执行必要步骤，相比于急切执行的基础方案，带来了显著的效率提升和成本节约。