标签
VESFlow 是一种无需训练的安全方法，用于基于流匹配的文本到图像生成，通过编辑速度场来确保安全输出，同时保持提示的完整性。
提出了一种无需训练的多跳检索增强生成方法，避免在底层数据变化时进行昂贵的图重建，解决了动态环境中的过时问题。
本文介绍了一种无需训练的编码策略——Confident Decoding，它利用熵引导搜索动态选择LLM中最可靠的中间层，从而缓解对齐损失，并在GPQA-Diamond、Omni-MATH等基准测试中提升了推理性能，且开销可忽略不计。
本文识别出长文档稠密检索中的文档侧早期压缩这一失败模式，并引入证据稀释指数（EDI）来衡量该问题。作者提出DICE，一种无需训练的方法，将文档分割成块，独立编码，然后聚合为单一向量，显著改进了长文档的检索效果。
JanusMesh 是一个快速、免训练的框架，通过将生成过程解耦为跨空间双分支去噪和视图条件纹理合成，生成文本驱动的3D视觉错觉——单个网格从不同视角展示不同语义——在仅3-5分钟内实现高真实感。
本文识别了智能体搜索中的锚点坍塌现象，即并行轨迹因相似的初始查询而收敛，并提出了 DivInit，一种无需训练的方法，通过采样多样的初始查询来提升多跳问答的性能。
提出了Bag of Dims框架，表明Transformer隐藏状态的标准基提供了一种无需训练、架构通用的特征表示，其中维度通过符号模式编码语义内容；在语言、视觉和音频模型上得到验证，无需学习旋转即可实现高精度。
ASAG利用注意力熵来检测推理何时无效益，提前停止以提高准确率并减少token生成。在Qwen3-8B上的实验显示，准确率提升4.4%，生成的token减少超过40%。
DiRecT提出了一种免训练的安全扩散规划算法，通过滚动时域去噪仅在最终干净轨迹上施加约束，相比于现有方法提升了安全性和性能。
HiDRA 是一种无需训练的方法，利用高维随机投影在大型语言模型中进行激活引导，能够捕捉超越线性方法的判别信号，并在多种模型系列和基准测试中持续优于现有基线。
介绍了Adelic保运算嵌入（AOE），一种无需训练的表示方法，通过结合实数值与p-adic展开来编码数字，保留加法和乘法结构。在Weaving Pattern基准上实现了完美准确率。
本文提出了一种可证伪的适用性判据，用于基于时滞谱嵌入的多变量时间序列的无训练固定长度描述符，展示了该描述符在何种情况下有望有效，并在多个基准上进行了验证。
NVIDIA 推出 SpatialClaw，一个无需训练的空间推理智能体，利用 VLM 在持久化内核中编写 Python 代码，组合感知工具，并修订计划，在20项基准测试中超越先前智能体 +11.2 分。
SkillCAT是一个无需训练的LLM智能体技能自我进化框架，通过三个阶段解决单轨迹偏差、未经验证的合并和全语料库加载等问题：对比因果提取、评估增强进化和拓扑感知任务执行，在基准测试上实现高达40.40%的提升。
介绍了RKSC，一个无需训练的推理框架，用于多分支LLM推理，通过基于相似度的共享和提前退出减少KV缓存冗余，实现最高3倍加速且错误率极低。
本文提出熵引导幂采样（EGPS），一种无需训练和验证器的采样方法，提高了幂采样在增强基础语言模型推理中的效率。与标准Metropolis-Hastings采样相比，EGPS在MATH500、HumanEval和GPQA等基准测试上达到最佳或并列最佳准确率，同时实现高达12.6倍的加速。
本文介绍了MGAP，一种无需训练的解码方法，通过自适应地仅抑制语言先验中的有害部分，同时保留模型的语义流形，从而减少多模态大语言模型中的幻觉。该方法在POPE和CHAIR基准测试上优于先前的基线方法。
Dep-LLM是一个无需训练的框架，利用冻结的大型语言模型，通过将对话分解为五个临床对齐的主题，并采用基于证据的推理和置信度调制，从临床访谈中诊断抑郁症。在DAIC-WOZ和E-DAIC数据集上，其性能优于零样本和一些监督方法。
本文提出Prefilling-dLLM，一种无需训练的框架，它将前缀分割成块并缓存KV表示，在扩散语言模型的长上下文推理中实现了最先进的质量和高达28倍的加速。
一种无需训练的空间推理框架，它利用由预测3D几何生成的合成新视角视频，实现对自我中心视频中结论的重新审视。