标签
本文提出了一种基于GPT-5模型变体的生成式AI辅助摘要框架，以解决自动作文评分中输入长度限制的问题，并在ASAP 2.0数据集上展示了模型能力、摘要保真度和计算成本之间的权衡。
提出了一种基于扰动的学习规则，用于Echo State Networks中的在线自监督学习，通过分解学习成本并仅扰动输入相关部分，避免了依赖于储层大小的方差增长。
本文提出SCISE，一个可扩展的无监督图聚类框架，通过社区感知采样和结构熵克服小批量训练中的结构孤立问题，在基准数据集上取得了最先进的结果。
本文提出了用于AI安全验证的单证明者交互证明，避免了两竞争模型之间的辩论需求，并将该方法扩展到预言机辅助计算。
Memora 是一种为 AI 智能体设计的可扩展记忆系统，它将存储与检索分离，能够支持长周期任务，同时将上下文令牌减少多达 98%，并在基准测试上取得了新的最佳性能。该论文发表于 ICML 2026。
DataStates-LLM提出了一种可扩展的检查点架构，利用可组合的状态提供程序，相比于现有解决方案，吞吐量提升高达4倍，训练时间减少2.2倍。
该研究表明，人工智能可以使专家主导的旧病例定期再分析更具可扩展性，帮助临床医生随着医学知识的进步重新审视病例，挖掘值得调查的线索，并可能为更多此前难以分析的病例找到答案。
μ_0是一种可扩展的世界模型，可预测交互点的平滑3D轨迹，通过使用TraceExtract系统进行监督，实现无需动作标签的、与具身无关的机器人学习。
PatchSTG 提出了一种基于补丁的时空图变换器，用于不规则传感器网络的交通预测，实现了近线性复杂度并保持了有竞争力的性能。
GRASP 提出了一种几何感知、基于交互的可扩展预训练数据归因方法，该方法对子集动态进行建模，在任务级秩相关上比现有加性方法提升超过两倍，同时降低了计算成本。
mimalloc 是一个开源、高性能、可扩展的内存分配器，可作为 malloc 和 free 的直接替代品。它专为现代高并发应用和大内存规模而设计，被用于 Bing 等主要服务，并集成到 NoGIL CPython 和 Unreal Engine 等项目中。
Browser Use 推出全新浏览器基础设施服务，具备亚秒级冷启动、更低成本（每小时0.02美元）以及无限扩展能力，现已面向开发者上线。
本文提出了一种分布式方法，用于约束多智能体强化学习，该方法采用状态增强策略学习和对偶变量上的邻居间一致性，以在满足全局资源约束的同时实现智能体数量线性扩展。在智能电网需求响应上的实验表明，一致性协调对可行性至关重要：与集中式训练方法不同，它能够扩展到数千个智能体。
本文提出AgentDoG 1.5，一个面向AI智能体安全的轻量可扩展对齐框架，利用基于分类树引导的训练，仅需极少量样本即可达到与领先闭源模型相当的性能。
本文提出了一种可扩展的异构图神经网络工作流，用于数据驱动的最优潮流替代建模，利用超级计算机进行分布式训练，并通过微调预训练模型展示了性能改进。
Equilibrium Reasoners (EqR) 提出了一种新颖的可扩展推理框架，通过在潜在动态系统中学习任务条件吸引子，展开多达 40,000 层，在 Sudoku-Extreme 上实现了超过 99% 的准确率。
TideGS提出了一种外存训练框架，通过块虚拟化、异步流水线和差分流式传输技术，在SSD-CPU-GPU层级管理参数，使得在单个GPU上能够以超过十亿原语进行3D高斯泼溅训练。
PACER 是一个新的可扩展框架，用于从大规模干预数据中进行因果发现，其设计保证了无环性，在包含数千个变量的基准测试中，比基于惩罚的方法实现了高达两个数量级的加速。