标签
提出 T2Mem 框架，将记忆构建延迟到推理阶段，随推理过程渐进式构建面向查询的记忆，在 LoCoMo 和 LongMemEval 上超越强基线并显著降低记忆构建开销。
提出 In-Distribution Forcing (ID-Forcing) 测试时框架，通过自缓存机制避免 KV 条目偏离训练分布，从而将短时视频扩散模型扩展到分钟级长视频生成，并显著缓解漂移问题。
本文介绍了经验链（CoE），一个通过测试时与自我和环境反馈的迭代交互来持续改进LLM的框架，在多个领域和模型中显示出一致的收益和更低的API成本。
该论文提出了J64和R64，针对混合专家AI模型中推理状态的可解释读出方法，旨在提升测试时的决策效率和准确性。
提出RT，一种测试时推理方法，通过多次前向传播增强文本嵌入模型的语义推理能力，在推理任务上提升性能，同时保持通用语义理解。
本文介绍了OCLGen，一种计算高效的测试时搜索算法，它将生成式规划模型与经典的开闭列表框架相结合，提高了组合规划领域的解质量。