标签
本文针对 Ego-Exo4D 数据集提出了三种参数高效的多视角熟练度评估方法，实现了从判别式分类到生成式反馈的转变。与基于视频 Transformer 的基线模型相比，所提出的模型在参数量和训练轮次大幅减少的同时，取得了最先进的准确率。
RDP-LoRA 通过几何轨迹分析与 Ramer-Douglas-Peucker 算法，自动挑出对参数高效微调最关键的层，效果优于全层及随机 LoRA 基线。
JumpLoRA 引入了一个新颖的稀疏适配器框架，用于大语言模型的持续学习。该方法使用 JumpReLU 门控来动态隔离任务参数并防止灾难性遗忘。它增强了基于 LoRA 的方法，并超越了 ELLA 等最先进的持续学习方法。
# 论文页 - B空间拥挤：为LoRA融合校准共享方向 来源：[https://huggingface.co/papers/2604.16826](https://huggingface.co/papers/2604.16826) 发布于4月18日 · 由[https://huggingface.co/yixuantt](https://huggingface.co/yixuantt)提交 [](https://huggingface.co/yixuantt) [yixuan](https://huggingface.co/yixuantt) 于4月21日上传 ## 摘要 通过校准共享方向，可提升LoRA适配器融合性能。
论文页面 - MNAFT：用于图像翻译的多模态大语言模型模态神经元感知微调 来源：[https://huggingface.co/papers/2604.16943](https://huggingface.co/papers/2604.16943) 发布日期：4月18日 · 提交者 [https://huggingface.co/liboaccn](https://huggingface.co/liboaccn) [](https://huggingface.co/liboaccn) [Bo Li](https://huggingface.co/liboaccn)
# 论文页面 - Motif-Video 2B：技术报告 来源：[https://huggingface.co/papers/2604.16503](https://huggingface.co/papers/2604.16503) 作者：、、、、、、、、、、、、、、、、、、、、、 ## 摘要 Motif-Video 2B 采用共享交叉注意力与三段式主干的专用架构，以及高效训练方法，在显著降低参数量和训练数据用量的同时，实现了高质量文本到视频生成。