标签
介绍了一种无需训练的方法，通过知识蒸馏和模型融合来增强LLMs的安全对齐，以防止影子对齐，在有害问题数据集上将防御成功率提高了14.42%，且不影响性能。
介绍VarRate，一种无训练的KV缓存压缩方法，根据查询显著性为每个令牌分配可变低秩预算，避免了不可逆的令牌驱逐，并且在LongBench上以匹配的内存预算优于均匀秩方法。
O-VAD 提出了一种无需训练的智能体框架，用于工业视频异常检测，该框架随时间跟踪对象状态演变，并在时间轨迹上进行推理以识别异常对象，在三个数据集上优于现有的 VLM 和 VAD 方法。
提出DiFA，一种无需训练的框架，将推理时的数据预测优化重新定义为使用卡尔曼滤波的序列状态估计，显著提升了CIFAR-10和ImageNet上的生成保真度。
本文介绍了Enlightenment，一种针对大规模模型的无需训练的后调整方法，它修改关键模块中的快捷连接而不更新权重，实现了突发的能力提升。通过注意力头混合和标量调制的残差连接，该方法在LLMs和VLMs上展示了有效性。
提出渐进式树形草稿（PTD），一种免训练、模型无关的推测解码方法，利用渐进式树结构和逐步剪枝实现多个草稿路径的并行生成，在各种基准测试上实现高达2倍的加速。
本文提出了一种面向度假租赁市场的免训练基于LLM的候选生成流水线，使用现成LLM合成语义查询，并通过密集检索来补充协同过滤，显著提升了对长尾房源的覆盖，同时保持了在热门房源上的性能。
介绍深度熵引导采样（DEGS），一种无需训练、测试时的方法，利用大语言模型中逐层熵崩塌来改善推理能力，无需强化学习训练，达到与RL后训练模型相竞争的结果。
Motion4Motion 是一个无需训练的运动迁移框架，它从视频中建模运动流而不是依赖骨架结构，从而在推理时实现跨物种（例如，从人类到动物）的运动迁移。
REBASE 是一个无需训练框架，通过将特征投影到低秩背景子空间的正交补上，抑制情境分割中的伪上下文对应，在多个数据集上达到了无需训练方法中的最佳性能。
本文介绍了截断跳跃采样（Truncated Jump Sampling, TJS），这是一种无需训练的方法，通过利用端点可解码性加速扩散模型和流匹配模型的生成，将神经函数评估次数减少20-70%，同时在多个模型上保持接近匹配的质量。
提出MemDefrag，一个无需训练的框架，利用中间层追踪信号对大型语言模型中的潜在记忆进行碎片整理，在知识保留方面显著优于MemoryLLM和M+等现有方法。
这篇来自斯坦福大学、英伟达和加州大学伯克利分校的论文介绍了LLM-as-a-Verifier，一种无需训练的验证框架，利用LLM logits的连续评分来提高编码、机器人和医疗领域的准确性，在多个基准上取得了最先进的结果。
ReContext 是一种新的免训练推理方法，通过利用模型内部的相关性信号构建查询条件化的证据池，并在最终生成前重放该证据池，从而改进长上下文推理。在 Qwen3 和 Llama3 模型的八个 128K 上下文数据集上取得了最佳平均排名。
本文指出记忆保留是长上下文场景下循环记忆代理的瓶颈，并提出多头循环记忆（MHM），这是一种无需训练的框架，通过“先选择后更新”策略将记忆划分为独立的头。轻量级实例化版本 MHM-LRU 显著提升了 100K 至 1M token 范围内的记忆保留率和端到端准确率，在 896K token 的 RULER-HQA 上，将记忆保留率从低于 30% 提升至 73.96%。
介绍 MultAttnAttrib，一种用于长文档问答中多模态归因的免训练方法，以及 MultAttrEval 基准测试。它优于基于提示的方法，并与 GPT-5.4 等前沿模型相当。
本文介绍了任务状态表示（TSR），一种无需训练的框架，它将持久任务状态与瞬态屏幕观察解耦，以改进长时程移动GUI代理，在复杂任务上实现了高达12个绝对百分点的成功率提升。
MrFlow 是一种针对流匹配文本到图像模型的免训练多分辨率加速策略，它结合了低分辨率生成、像素空间超分辨率和噪声注入，无需训练或运行时修改即可实现高达25倍的端到端加速。
介绍了一种无需训练的零样本组合图像检索框架PEC-CIR，该框架采用Planner-Executor-Critic架构，通过将查询构建组织为多阶段推理流程来提高检索精度。
OTCache是一个无需训练的框架，利用最优传输预测扩散模型的缓存调度，在FLUX.1、Qwen-Image和HunyuanVideo上实现了高达4.7倍的加速，同时提高了生成保真度。