标签
本文提出事件特征迁移（EST），这是一种无需训练、模型无关的算子，能够通过将历史事件的特征迁移至时序预测中，来构建预测场景。
本文提出一种LLM驱动的免训练闭环范式，用于融合双源加密POIs，改进LULC制图中的位置对齐和属性匹配，性能优于现有方法。
本文对LLM的过度拒绝进行机制分析，并提出语义路由校准（SRC），这是一种轻量级、无需训练的推理框架，用于动态抑制过度敏感的安全头，缓解过度拒绝，同时保持内在安全。
PRQuant 是一种无需训练且低开销的框架，用于量化大型语言模型中的线性层，通过置换和残差补偿来减少推理延迟，同时在如MXFP4等基准上提升准确性。
一项系统性的基准测试研究，对多模态大语言模型的免训练不确定性量化策略进行评测，将方法分为基于令牌级、语言化和语义的方法，并发现最佳策略取决于响应长度。
本文介绍了GeoPair，一个用于Transformer压缩的免训练框架，它在保持激活几何结构的同时优化跨层分解，实现了跨多样架构的最新结果。
本文介绍了Neural Spectral Capacity (NSC)，一种基于奇异值谱的无需训练的指标，用于评估和优化神经网络架构，并提出了动态规划方法以在约束下进行最优设计。
本文介绍了Lens，这是一个用于多模态表示学习的无训练框架，它解决了语义视角不对齐的问题，在MMEB数据集上取得了显著的性能提升，无需参数更新。
本文介绍了EvoSkill-GUI，一个无需训练的框架，允许GUI代理通过执行中的反思、修订和复用来改进技能，在多个基准测试中展示了无需重新训练的性能提升。
RefineEdit 是一种免训练的提示到提示图像编辑方法，它使用生成精炼网络来增强编辑定位和背景保留，实现了顶级的基准分数。
本文提出AREA，一种无需训练的推理时方法，自适应分配多模态大语言模型中的证据高亮，提升在基于知识的视觉问答和标准多模态基准测试上的性能。
本文介绍了MUSE任务，用于评估大型语言模型中的上下文更新，并提出了PLUME，一种无需训练的方法，在顺序演化设置中显著提升了性能，尤其是在MUSE-Bench基准上。
本文介绍了一种用于大型语言模型词汇提示压缩的无需训练、确定性处理流程，包含十一个任务类别的实证帕累托分析。
决策流采样是一个无需训练的框架，通过构建分层树并执行全局轨迹评估，从大语言模型中提取高质量推理路径，在基准测试中超越现有采样方法。
CoG 是一种认知启发的免训练框架，适用于检索增强生成中的自适应知识探索，通过计划-探索-反思循环与双向图-文本协同，在多跳问答基准测试上实现了最先进的性能。
HarnessVLN是一个零样本、无需训练的实体导航框架，通过统一工具接口整合了感知、检索、定位、导航、恢复和终止功能，在R2R和RxR等基准测试中达到了最先进的结果。
RSIAgent 是一个无需训练的多智能体框架，它使数字智能体能够通过递归自我改进、自主记忆构建和广度优先然后深度优先的探索来适应新环境，在基准测试中优于闭源模型。
ConvMem 是一个免训练、可并行化的框架，它将大型语言模型中的长上下文推理重新表述为层次卷积，以提高效率、避免过拟合并超越基线方法。
论文提出了一种免训练且免对齐的企业智能方法，使用确定性稀疏种子向量来分析SEC文件，无需大型语言模型即可实现高效的文档比较和语义事件检测。
本文介绍了 World in World，这是一个无需训练的接口，可以通过使用对应引导查询和基于证据的注意力指导，在冻结的自回归视频世界模型中实现灵活的相机和时间控制。