scalable

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。

M1 by Montage 是一个按需扩展的代理式用户界面平台。

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。

本文介绍了一种可扩展的开源管道，利用NVIDIA NeMo进行视频基础模型的训练和推理，通过加速数据集管理和并行化训练来解决生成高质量视频的挑战。