标签
TRACE是一个免训练框架，通过基于效用和多样性对视觉证据进行排序来优化GUI代理效率，利用自适应令牌管理和KV收缩减少延迟和内存使用。
CoVeR 是一种无需训练的空间令牌选择器，通过强制执行精确的令牌预算和全面的场景覆盖，提高视觉语言模型中的3D推理能力，超越了先前的最先进方法。
AdaptiveSpec是一种无训练的每步推测解码方法，它自适应调整令牌验证和草稿树形状以提升LLM推理吞吐量，在基准测试中提高性能高达56%的同时保持高准确性。
文章介绍了TwinDEX的开发，这是一种协同设计的机器人接口，使机器人能够在无机器人端训练的情况下学习复杂的灵巧操作任务，标志着机器人领域的重大进步。
GeoSPRINT是一个无训练框架，它使用超平面性测试检测扩散轨迹中的几何冗余步骤，以优化采样调度，从而在不重新训练的情况下提高Stable Diffusion v1.5等模型的推理效率。
本文提出了CAT-OV和CAT-OT两种轻量级、无需训练的算法，它们基于曲率自适应调整流匹配采样中的步长，提升图像质量并将生成步数最多减少40%。
HeadWiseKV 是一个无需训练的框架，用于压缩混合长上下文语言模型中的KV缓存，在保持质量的同时减少GPU内存使用并扩展上下文长度。
IDEEA提出了一种免训练的、依赖于输入的引导方法，适用于大型语言模型，通过对激活进行聚类并使用最优匹配，在TruthfulQA上比基线提升真实性高达23.5%。
GAPS引入了维度级门控用于语言模型中的条件激活引导，结合静态和动态门控进行选择性干预，改善行为-能力权衡，在毒性缓解和概念移除任务上取得显著提升。
EditVid是一个统一的无训练视频编辑框架，利用稀疏因果记忆、令牌注入和软潜在混合，支持指令引导和主题引导的编辑，实现高保真并在基准测试中优于基线方法。
本文介绍了ClusterAttention，这是一种无训练方法，通过使用递归聚类实现块稀疏注意力，加速Transformer模型中的双向注意力。在表格数据上实现了2-6倍的加速，在视频生成上实现了1.8倍的加速，同时保持了高准确度。
GRAS是一种用于离散扩散模型奖励对齐的无训练方法，通过降低引导提议中的方差并自适应选择粒子，在DNA和蛋白质设计任务中实现了最先进的结果。
该论文提出了一种针对扩散语言模型的生存引导长度预测器，在推理和代码生成基准测试中，将推理速度提升高达7倍，而不牺牲准确性。
本文介绍了PAYN，一种即插即用的令牌压缩方法，专为基于MLLM的指代表达分割设计，仅依赖位置信息，通过保持空间关系一致性，性能超越现有技术。
ExFold是一个统一的无训练框架，通过将被排除专家的贡献折叠到保留专家中，加速MoE模型推理，实现高达1.41倍的加速，同时保持高质量。
RECAP-Forcing 通过基于外观新颖性而非时间顺序索引内存来改善长视频生成，保留新内容的键值缓存以保持一致性和质量，无需额外训练。
ChorusTIC是一个用于多元时间序列分类的免训练基础模型，它利用上下文学习来处理异构通道配置，无需目标任务更新，在标准基准测试中展现出强大性能。
HIRA 是一种免训练、本地部署的检索增强级联系统，用于受监管行业的文档分类。它利用人工反馈和本地部署的大语言模型（LLM）来提高准确性，同时减少模型重新训练和 LLM 调用次数。
本文提出COEC，一种用于大语言模型结构化剪枝的无需训练补偿框架，通过应用正交旋转和校准来减少输出误差，并在列移除后提高准确性。
EviRank 将多模态图像重排序重新表述为使用结构化证据包的语义约束满足，无需训练即可实现最先进的性能。