标签
PixelDense 将密集预测任务重构为像素空间扩散的表征对齐目标，通过独立的投影流分别路由语义教师（DINOv2、SAM2）和几何教师（Depth Anything v2、Metric3D v2），并加入正交性惩罚。该方法提升了 PixelGen 和 DeCo 上的 GenEval、DPG-Bench 与 HPSv2.1 得分，在部分噪声重建中 PQ 提升最高达 53.1%，且训练速度比基线快 1.23 倍。
ELF-REG通过使用表示对齐和纠缠，将连续扩散语言模型扩展到推理任务，在基准测试如GSM8K和HumanEval上，相比其他扩散模型实现了性能提升。
这篇综述定义了模型融合，并将研究组织为参数级、表示级和行为级三个层次，以集成大型语言模型的能力。
DCRA提出了一种扩散条件表示对齐框架，旨在增强时间序列学习的鲁棒性，尤其适用于脑电图（EEG）和心电图（ECG）等临床信号，通过对不同噪声水平下的表示进行对齐来实现。
本文探讨了在仅解码器语言模型中使用K/V缓存干预进行人格控制的方法，发现表征对齐与行为表达之间存在解耦，其中中层干预在人格表达方面有效且能保留词汇多样性。
FlashRender是一个几步生成式渲染框架，通过对齐表示和使用均值流目标来加速视频合成，在显著降低采样成本的同时，达到与多步方法相当的质量。
ReFlowSET是一个用于高保真SAR到EO图像翻译的潜在流匹配框架，通过编解码器选择和带有视觉模型对齐的条件DiT，实现了最先进的性能。
一项系统性实证研究显示，当规模足够（≥1.7B参数）时，从一种语言模型中提取的概念方向可以引导其他独立训练的模型，为柏拉图式表征假说提供了功能上的证据，并突显了跨模型可解释性工具的规模阈值。
本文介绍了CGTime，一个4B参数的计算基础时间序列-语言模型，通过确定性统计和LLM言语化将感知与描述解耦，在多元理解任务上优于更大的通用模型。
本文研究了扩散Transformer中自对齐方法的机制，揭示了Self-Flow等方法带来的性能提升主要来自噪声维度上的数据增强，而非噪声级别之间的token交互。作者引入Attention Separation来证明这一点，并提出了一种结合自表示对齐与双时间步增强的有效设计。
GEAR提出了一种通过表示对齐共同训练向量量化分词器和自回归生成器的方法，实现端到端训练，在ImageNet gFID上相比强基线实现高达10倍的收敛速度提升。
HeRA 在多模态大型语言模型 (MLLMs) 中对齐单个注意力头，以保留跨模态的局部邻域关系，从而提升视觉中心任务的性能并减少视觉幻觉。
DO-ALL 是一个即插即用框架，利用数据集蒸馏生成合成锚点来总结源数据，从而无需保留原始源数据即可实现稳定的长期持续测试时自适应。
本文首次系统研究了视觉-语言-动作（VLA）模型中的多语言指令跟随问题，揭示了当模型基于英语训练时，在其他语言上的性能显著下降。作者提出了多语言主成分对齐（MPCA）方法来缩小多语言性能差距。
介绍了一种基于基础模型的框架，用于CT影像与纵向EHR数据之间的跨模态表示对齐，以实现时间-事件预测，并在肺栓塞和心血管疾病队列上评估了融合策略。
MaskAlign提出了一种Token子集表征对齐方法，通过减少对完整Token集的依赖，并在扰动下保持稳定对齐，从而改进扩散Transformer训练。
本文提出通过学习鲁棒的语义锚点并使用几何感知相似度度量来改进相对表示，使得不同架构的独立训练模型之间能够实现近乎无损的信息传输和稳定的零样本通信。
本文研究了Platonic Representation Hypothesis，提出对齐源于表示中的线性结构，并引入了一个包含信号、偏置和噪声的统计框架。
LoMo 提出了一种数据整理方法，将单模态提示重新表述为交错的多模态序列，以改善视觉-语言模型中的跨模态表示对齐，在多个基准测试上取得了持续的性能提升。
本文介绍了 Repr-Align，一种通过表征对齐将自回归语言模型适配为扩散语言模型的方法，无需从头重新训练表征即可实现高达 4 倍的训练加速。