标签
SESSE是一个无需训练的框架，将整体性的LLM-as-Judge评估分解为结构化子问题，从而提高可解释性并诊断标签模糊性，同时与微调模型达到竞争性的性能。
FlowEvo是一个免训练框架，使得大语言模型智能体能够在推理时协同演化可复用技能和工作流，在ALFWorld、HumanEval和GSM8K等基准测试中实现了最先进的准确性和效率。
SparsePR 是一种训练无关的方法，通过使用响应耦合分区和探测拟合残差重构来减少注意力误差，同时保持生成质量，从而加速视频变换器。
本文提出了dLLM-SetScore，一个使用离散掩码扩散语言模型进行多标签文本分类的免训练框架，仅需少量验证数据即可达到竞争性能。
本文提出激活-剪枝-合并（APM），一个无训练的跨尺度融合框架，通过使用更大的供体模型来改进较小的语言模型，无需语义对齐，在多个基准测试中取得了性能提升。
Second Thought是一个无需训练的框架，它在LLM代理行动-观察等待期间并行运行辅助推理分支，以减少序列解码和轮次计数，同时不损害准确性。
本文揭示了经过强化学习训练的多模态大型推理模型中的一个隐私漏洞：即使在最终答案中成功消除了敏感事实，模型仍可能在推理轨迹中重现这些事实。为此，本文提出LEMUR，一个无需训练、推理时运行的框架，利用熵动态来检测并抑制此类泄露。
提出了Ripple-Pivot Search，一种无需训练的扩散大语言模型解码方法，主动确定中熵枢轴位置以减少不确定性并加速并行解码，实现4-10倍加速。
This paper presents a unified global-to-local paradigm for video anomaly detection, introducing a training-free framework (GtS) and a tool-augmented agentic reasoning method with reinforcement learning, along with a new benchmark VAGU-T and metric JeAUG.
CORA-Diff is a training-free method that accelerates diffusion language model inference by using native confidence and persistence signals to accept residual positions early, skipping redundant dense denoising passes while preserving task quality.
Introduces Archer, a training-free KV caching method for diffusion language models that adaptively reuses cached hidden states to reduce recomputation while preserving rollback capabilities, achieving up to 2.95x speedup and improved generation quality.
This paper introduces SkillAligner, a training-free framework that treats retrieved skills as adaptable drafts, jointly adapting them to task requirements, execution environments, and other skills to mitigate skill-execution misfit and improve agent performance.
KReF 提出了一种用于长期时间序列预测的免训练检索框架，该框架从相似的历史回看-未来对中构建经验预测分布，在多个基准上取得了优异的 CRPS 表现。
KLQ is a training-free LLM quantization method that allocates bits per direction based on measured KL divergence, outperforming existing training-free rotation-based methods on W4A4KV4-bit settings for models like Llama 3.2 1B and Qwen 2.5.
该论文提出了约束优先推理（CFR），一种免训练的两阶段提示协议，在求解前提取答案空间约束，并检查中间及最终结果是否符合这些约束，从而在竞赛基准测试中提升了数学问题求解性能。
ConWriter 引入了一种无需训练的框架，用于长篇故事生成，通过场景级增量写作、符号状态推理和不确定性感知的风险信号来维持叙事一致性。在 ConStory-Bench 上跨多个模型和长度进行了评估，旨在防止一致性错误在扩展上下文中传播。
本文介绍了基于肘部的路由，这是一种针对MoE模型的免训练推理时方法，通过检测路由器概率分布中的肘部点，动态调整每个令牌的活跃专家数量，在保持准确率的同时实现了平均5.3%的延迟降低。
本文提出了一种无需训练、不确定性感知的推断框架，用于在运筹学中应用大语言模型。该方法使用短视前瞻仿真和重要性重采样来提高数学公式表述的一致性，在OR基准测试上优于标准基线。
OmniPack提出了一种无需训练的全模态大语言模型令牌压缩框架，将LLM前结构化压缩与LLM内任务相关语义精炼相结合，在多个基准上实现了优异的性能-效率权衡。
GaussianSelector是一个无需训练的框架，利用涂鸦引导从稀疏视图进行交互式3D物体选择，并通过图割优化直接对高斯图元进行操作。