全部动态

本页 40 条
10月12日 周一
arXiv cs.LG77

STAPLE:通过嵌入模块对预训练检查点进行静态稀疏升级

arXiv:2610.12599v1 公告类型:新论文 摘要:稀疏计算可以扩展大语言模型的参数容量,而无需按比例增加实际计算量,但稀疏架构的预训练仍然成本高昂,且需要大量数据。现有的稀疏升级方法主要针对混合专家模型,其中专家同质性、样本效率低下和系统开销可能限制实际可扩展性。静态稀疏记忆具有可预测的访问模式和词元特定的更新机制,有助于应对这些挑战,但将其直接整合到预训练计算中收益不佳。在本研究中,我们提出 STAPLE,这是一种基于 STEM、将静态稀疏记忆整合到预训练模型中的方案。STEM 用按词元索引的嵌入替换 FFN 的升维投影,而 STAPLE 保留这些投影,并将嵌入作为残差路径加入,从而在保留预训练计算的同时,以可扩展的方式学习互补的词元特定信息。在 OLMo-2 1B 上,相比继续进行稠密训练,STAPLE 在 HumanEval、MBPP、GSM8K 和 DROP 上分别提升了 4.27、2.80、2.27 和 1.65 分。平均性能随静态容量的增加而提升,且在更大的 OLMo-2 7B 骨干模型上仍有改善。STAPLE 还优于 STEM 和 Engram 风格模型等静态稀疏基线;在我们面向吞吐量的解码评估中,其平均得分高于 MoE 升级基线,解码速度达到该基线的 2 倍,而 GPU 模型显存占用和实测每词元 GPU 能耗均不到该基线的一半。重要的是,尽管在训练后期引入了数十亿参数,我们采用主机卸载的实现仅需在 GPU 上缓存使用频率最高的约 5% 的嵌入,就能使生成吞吐量与稠密基线的差距保持在 1.5% 以内,训练吞吐量的差距保持在 3% 以内。这些结果表明,静态稀疏记忆可以为扩展预训练模型提供一条样本高效、可扩展且可持续的路径,而无需从头进行稀疏预训练。

arXiv cs.LG73

真实性与准确性:生成建模视角下的事件序列预测

arXiv:2610.12586v1 公告类型:新论文 摘要:事件序列是由随机事件构成的链,其中每个事件都由异构特征(数值型和类别型)描述。事件序列预测问题广泛存在于金融、医疗、业务流程智能等领域。在本研究中,我们将事件序列的多预测跨度预测视为一个条件生成建模问题。我们不仅评估预测的准确性,还评估其分布真实性。为此,我们提出了一个基准,涵盖衡量这两个质量维度的指标、强大的统计基线方法、从相邻领域改编的近期模型,以及经过精心整理的真实世界数据集。细致的评估表明,没有任何方法能在准确性和真实性两方面均表现优异,这凸显了两者之间的根本性权衡。最后,我们提出了 Wasserstein BaryBooster,该算法将真实性表现出色的扩散模型生成的样本进行聚合,构建出达到当前最先进水平的预测器,证明分布真实性可以转化为预测准确性。代码可在 https://github.com/xaosina/event-sequence-forecasting 获取。

arXiv cs.LG76

DiffusionART:高效、稳定且可扩展的扩散模型强化学习

arXiv:2610.12572v1 公告类型:新论文 摘要:在线强化学习(RL)通过黑盒奖励对扩散模型进行微调,但 Flow-GRPO 等逆向过程方法因信用分配不佳而效率受限,DiffusionNFT 等前向过程方法虽然高效,却需要精心调优的指数移动平均(EMA)离策略训练才能保持稳定。我们发现,NFT 风格的目标函数中隐含着一种前向—逆向一致性作用力,正负联合训练只能部分抵消这种作用力,而 EMA 是通过恢复机制而非离策略轨迹采样来稳定训练的。我们提出 DiffusionART(采用聚合优先奖励倾斜的扩散强化学习),将每个提示词对应的奖励聚合为逆向过程状态共享的奖励提升方向,从构造上消除一致性作用力,并增加一次采用信赖域掩码的二次更新,以实现自适应于漂移的恢复,无需调优 EMA。该方法不需要可微奖励模型,在每个提示词的采样数量更少时仍然有效,并支持成对奖励模型(DiffusionART-Pairwise)。在图像和视频生成任务中,DiffusionART 无需针对各任务单独调优,即可实现高效、稳定的训练。具体而言,在 HunyuanVideo-13B 上,当视觉质量与运动质量奖励权重相同时,DiffusionART 达到 DiffusionNFT 和 Flow-GRPO-Fast 训练后期平均奖励水平所需的 GPU 小时数分别仅为二者的 1/12.02 和 1/11.72,同时平均训练奖励分别高出 28.8% 和 53.0%。

arXiv cs.LG74

一种可通过训练执行上下文学习的全晶体管物理学习 transformer

arXiv:2610.12571v1 公告类型:新论文 摘要:大多数通过平衡传播或耦合学习训练的系统与多层感知机属于同一类:虽然它们可能是通用函数逼近器,但却难以学会对 transformer 而言很容易的关联任务。平衡传播依赖于信息在物理系统的输入与输出之间双向流动。更复杂的非线性系统会破坏反向信息流,例如执行乘法运算的系统,而乘法是实现点积注意力所必需的。在这里,我们在双重或二元电路中引入专门用于此目的的额外电路元件,显式恢复这种双向信息流。随后,我们利用这些思路,构建了一种利用亚阈值 MOSFET 器件指数电流定律的注意力机制。我们通过仿真表明,尽管使用的实际反向元件只能传递近似梯度,该电路仍可通过训练执行一项简单的上下文学习任务。要使训练成功,我们需要使用交叉熵损失,而非均方误差。我们利用一种新型浮置电路元件生成适用于该损失的微扰,该元件基于与 softmax 所用相同的 MOSFET 子电路。我们使用 Lion 优化器训练该电路中的电阻;实现这一优化器时,每个参数只需一个电容器,即可在局部存储对以往梯度估计的记忆。

arXiv cs.LG73

样本自适应零阶后训练

arXiv:2610.12566v1 公告类型:新发布 摘要:零阶(ZO)优化为大型语言模型微调提供了一种内存高效的反向传播替代方案。然而,现有 ZO 方法通常均匀采样训练样本,忽略了样本重要性的动态变化,并产生了本可避免的估计方差。为解决这一局限,我们提出 Sample-Adaptive Zeroth-Order Optimization(SAZO),该方法在线学习样本重要性,并自适应分配查询以加速收敛。SAZO 从已有的方向差分中提取梯度范数信息,无需获取真实梯度即可估计样本重要性。此外,为利用稀疏的小批量反馈跟踪不断变化的重要性,SAZO 为每个样本维护指数移动平均值,汇总多次更新中的观测结果。与 MeZO 相比,该方法无需额外的模型求值,且仅需 $O(N)$ 的额外标量状态。我们证明,SAZO 在渐近意义上可达到最小方差采样预言机的收敛主导项,并实现比标准方法严格更快的收敛速率。在四个模型系列上开展的大量实验表明,SAZO 提升了平均下游任务性能,并且以查询次数衡量,收敛至相同训练损失的速度最高可提升至 $6\times$。

arXiv cs.LG72

基于 Transformer 的掩码扩散模型可被证明能够学习具有潜在结构的分布

arXiv:2610.12544v1 公告类型:新论文 摘要:掩码扩散模型(MDMs)使用学习得到的掩码预测器,通过迭代地并行解除多个词元的掩码来生成离散数据。其输出包含两类误差:并行采样导致的并行化误差,以及由有限样本学习得到的掩码预测器产生的估计误差。现有理论分别处理这两类误差,且已有的统计界通常随大小为 $V$ 的词表上长度为 $L$ 的序列数量 $V^L$ 增长,因而受到维数灾难的困扰。在本研究中,我们建立了端到端的统计保证,表明基于 Transformer 的 MDMs 能够学习结构化分布,其样本复杂度由分布的潜在结构决定。具体而言,我们通过隐马尔可夫树的混合来建模这种结构,以捕捉各分量内部的潜在依赖关系以及不同分量之间的异质性。当数据分布能够由此类混合分布良好近似时,采用并行解掩码调度的基于 Transformer 的 MDM 仅需 $\widetilde{O}(LK_{\mathrm{par}}/\varepsilon)$ 个训练样本,即可实现以 KL 散度衡量的 $\varepsilon$ 精度采样,其中 $K_{\mathrm{par}}$ 是关于 $L$、$V$、隐藏状态数量和混合分量数量的多项式。Transformer 网络和采样过程均无需知晓树的拓扑结构或分量参数,从而能够自动适应未知的潜在结构。总体而言,我们的结果为 MDMs 在真实世界数据上的实际有效性提供了理论依据。

arXiv cs.LG65

Enriched Holomorphic Neural Networks for 2D and 3D Laplace Problems

arXiv:2610.12541v1 Announce Type: new Abstract: Boundary-value problems for the Laplace equation develop singular behaviour near corners, edges and junctions that smooth approximators resolve poorly. We combine holomorphic neural networks with singular functions derived from the local geometry and boundary conditions. The representation is harmonic by construction, so no interior residual is needed: the network fits the smooth remainder from boundary data alone, and the enrichment terms capture the singular behaviour. Singular exponents are trainable, so the construction also applies when the local expansion is not known in advance. We extend the approach to three dimensions using independent networks evaluated along complex null directions. The enriched model is the most accurate tested method on every problem. Its margin is several orders of magnitude where the enrichment captures the singularity exactly, and a factor of about 1.7-2.1 over the next-best method on a CdZnTe radiation detector with many singular sites, in both two and three dimensions.

arXiv cs.LG75

结局依赖的截断与删失下生存分析模型的高效学习

arXiv:2610.12538v1 公告类型:新论文 摘要:现代机器学习模型的训练通常假定训练数据能够代表模型未来将面对的预测任务,但实际数据集往往违背这一假设。我们聚焦于结局依赖的截断,即一条观测是否出现在训练数据中取决于其标签。我们的工作将两个在很大程度上相互独立的研究领域联系起来:截断条件下的高效学习与生存分析。现有的截断生存分析方法并未刻画优化景观,而是依赖期望最大化等迭代过程。我们填补了这一空白,并证明:当基线风险函数已知时,即使存在非凸性,也可以使用一阶优化方法,在截断且右删失的数据上高效学习 Cox 回归。相比之下,当联合学习基线风险函数时,我们构造了可识别且设定正确的模型,其负对数似然包含严格次优局部极小值。在四个生存数据集上的实验表明,考虑截断能够减少朴素 Cox 回归引入的预测偏差,且这一方法可扩展至神经网络。我们还表明,与标准期望最大化方法相比,该方法可实现数个数量级的加速。

arXiv cs.LG72

通过因果基础模型估计市场冲击

arXiv:2610.12537v1 公告类型:新论文 摘要:当交易者执行一笔大额订单时,关键问题不是\emph{价格会是多少?},而是\emph{如果我没有交易,价格本来会是多少?}因此,市场冲击是一个因果量,然而经典模型(Almgren--Chriss、传播子模型)将价格对订单流进行回归,只要知情订单流既通过信息又通过交易推动价格,这种方法就会产生偏差。我们提出了一个概念验证性的 \emph{Causal Market Simulator}:一种连续时间因果先验数据拟合网络(PFN),在合成市场先验上训练。该先验在构造上使隐藏的信息性订单流混杂订单流与价格之间的关系,并将混杂强度设为每个模拟回合均可精确调节的参数。在该先验下,朴素估计器的偏差遵循一个闭式表达式,我们通过实证验证了这一点(高估幅度最高达 68\%);而在强混杂条件下,PFN 的表现接近使用真实参数的无偏理想估计器。它的 \emph{do 消融孪生模型},即移除干预输入后的同一模型,则退化为输出前置窗口均值。在零样本条件下,模型对 ABIDES 限价订单簿中的元订单作出了与真实值尺度一致的响应(相对于随机种子重放生成的反事实,响应为起始前标准差的 $+0.38$ 倍);其干预响应也在 BTC/ETH/SOL 永续合约中检测到的约 2,300 次订单流突增,以及 Nasdaq 股票中的 3,800 次订单流突增上得到复现。这些证据与因果迁移相符,但并不能证明因果迁移。偏离先验分布时,响应性能平缓下降,而分割保形重校准能够修复区间校准。迁移的关键在于将元订单编码为新增订单流,而非固定的价格水平,而不在于增加训练。一个循环状态空间变体弥合了剩余的形态差距:其冲击在执行期间逐步累积,而 Transformer 的冲击则保持平坦,使其与实测元订单冲击的相关系数从 $+0.68$ 提升至 $+0.92$ 至 $+0.96$,代价是在先验分布内的去混杂能力较弱;这一弱化源于训练方案,而非循环结构。

arXiv cs.LG76

CacheScope:用于免训练扩散加速的精确计算分配

arXiv:2610.12530v1 公告类型:新论文 摘要:免训练特征复用通过在选定步骤中用缓存近似替代完整的去噪计算,加速扩散 Transformer 推理。现有方法主要致力于改进被跳过特征的重建,但我们发现,一旦采用稳定的一阶重建器,增加重建复杂度所带来的收益就十分有限,而精确计算步骤的位置对保真度的影响要大得多。更重要的是,浅层探针变化的绝对量同时受到输入轨迹位移和网络响应强度的影响,因此不能直接反映缓存风险。为消除这种混杂影响,我们用相应的输入位移对探针输出变化进行归一化,得到单位轨迹移动的方向增益。基于这一信号,我们提出了 CacheScope,它可在线识别高风险复用步骤,并选择性地回退到完整的去噪计算,同时保持底层缓存重建器不变。CacheScope 无需额外训练、梯度、辅助网络,也无需针对特定提示词进行离线调度优化。在 FLUX.1-dev、Wan2.1-T2V-1.3B 和 Open-Sora 1.2 上,CacheScope 实现了最高 3.57 倍的加速,并且相较于最强的基于探针的基线方法,将 LPIPS 中位数最多降低了 70.1%。

arXiv cs.LG77

GlucoPRISM:用于跨队列血糖迁移的协议监督预训练

arXiv:2610.12528v1 公告类型:新论文 摘要:连续血糖监测(CGM)基础模型将每天的数据编码为一个向量,其中混合了个体身份、当天发生的情况以及传感器的测量方式,因此测量差异会随表征一同迁移到新队列中。我们探讨预训练能否将损害迁移效果的测量成分置于已知坐标中,从而在部署时通过固定投影将其移除,且无需目标数据。GlucoPRISM 利用响应约定来监督 GlucoFM 骨干网络,这些约定规定了仅日期变化或仅传感器变化时,表征的各个部分应如何变化:64 维的 Trait 分区不应随两者中的任何一个变化,48 维的 State 分区应仅随日期变化,而 16 维的 Sensor 分区应反映设备变化。基于配对的 Dexcom 和 Libre 记录校准的合成传感器视图、不同日期的数据对以及血糖汇总指标目标,在无需临床标签的情况下提供了这种监督。在十二个跨队列迁移方向上,从同一个冻结编码器的表征中移除 Sensor 分区,使平均迁移 AUROC 从 68.75 提高至 73.57,而 GlucoFM 为 69.3。这一提升包含两个部分。在迁移至 CGMacros 时,过滤带来了 11 至 19 个点的提升;CGMacros 是唯一使用两种传感器类型采集数据的目标队列,而且在使用一半参与者的数据重新校准生成器、并在另一半参与者的数据上进行评估时,这一提升依然成立。在其余八个方向上,过滤未产生明显影响,而编码器本身比 GlucoFM 高出 3.5 个点。过滤后仍可通过线性解码识别设备,因此该过滤器移除的是损害迁移效果的设备相关成分,而非所有测量信息。保留的分区在十四个公开任务—队列组合中的十三个上提高了窗口级 AUROC(Holm 校正后 p=0.031),并在一个包含 9,303 名参与者的外部队列中,提高了十五个临床终点中的十四个的相关性。

arXiv cs.LG74

基于净计量智能电表的表后光伏可观测性:部署场景与运行启示

arXiv:2610.12527v1 公告类型:新论文 摘要:配电运营商需要掌握表后光伏(PV)发电情况,但对大多数居民用户的观测仅能通过净计量智能电表实现。基于深度学习的光伏发电分解能够恢复这种可观测性,但其运行价值取决于模型是服务于已知用户、新用户、未来时段还是新区域。我们利用四种将家庭间迁移与时间外推分开考察的部署场景,量化了这种依赖关系,并将其应用于 Ausgrid 智能电表数据,同时开展向 Pecan Street 数据的跨数据集适配。在固定训练方案下,我们采用与部署场景相匹配的评估方式,对用于光伏发电分解的代表性深度序列架构进行基准测试。在上下文长度固定为 48 小时的条件下,最佳模型在未来测试时段内对已见家庭的日间平均绝对误差(MAE)为 0.104 kW,而对同一时段内未见家庭的误差升至 0.185 kW;在训练约束固定的条件下,部署场景对误差变化的解释力远高于模型选择。采用目标域归一化后,利用目标区域五户家庭的数据进行微调,可使源模型的迁移误差降低 28%—36%。较长的输入窗口有助于已知用户的时间外推,但对新用户的收益因模型而异。这些发现表明,能源数据分析应采用与部署场景相匹配的误差预算,在新区域利用少量目标域监督数据进行模型适配,并根据具体应用场景选择上下文长度。

arXiv cs.LG69

CircuitTree: Composing Circuits into A Syllable Transcriber

arXiv:2610.12520v1 Announce Type: new Abstract: The goal of circuit discovery is to decompose a monolithic neural network into tiny modular subnetworks which are interpretable in the sense that each does an identifiable subtask. We develop a practical method for composing arbitrarily many circuits into a single model. We propose a greedy, density-scaled composition algorithm that overcomes limitations of previous attempts to compose circuits by naive union, then generalize it to $N$ circuits via CircuitTree, a new data structure built on a $\Theta(N\log N)$ tree-compose schedule. We compose circuits pruned from HuBERT for classifying individual phonemes into a syllable classifier, a capability none of the 39 phoneme circuits has individually. Chaining CircuitTrees into a hierarchy-of-circuits pipeline, we transcribe open syllables at 64.8\% accuracy, within 1.2 points of a 66.0\% ceiling that shares no circuitry at all, with 99.5\% of circuit components shared.

arXiv cs.LG67

An Input-Dependent Readout Phase for Resonant Sequence Models

arXiv:2610.12496v1 Announce Type: new Abstract: Sequence models with a fixed-size state avoid the quadratic cost of attention, but face a design choice. An input-dependent state transition gives content-dependent memory at the cost of FFT-based training, while a fixed transition keeps the O(T log T) convolutional path but reads memory the same way for every input. ResonatorLM, a recent model of the second kind, reads a bank of damped complex oscillators through a fixed learned phase per head. We make that readout phase a function of the current token, which adds input dependence to the read only, keeps the convolution exact, and costs 0.2 percent more parameters. An analysis of the untrained bank shows that phase does encode elapsed time, but an ordinary token falls below the background within 2-8 steps and no choice of damping extends linear reconstruction beyond about 16 tokens. In 6M-parameter character-level models on WikiText-2, the input-dependent phase matches the original at the training length and removes its failure beyond it: trained on 256 tokens and tested on 1024, perplexity falls from 12.81 to 3.76. We trace the failure to long-memory heads that accumulate more history than training exposed them to. The learned phase tracks the current character rather than distance and does not improve retrieval.

arXiv cs.LG50

Kairos: Toward a Byte-Level Foundation Model for Every Modality

arXiv:2610.12495v1 Announce Type: new Abstract: Small language models trained on a single local machine leave little room for architectural trial and error. Kairos combines bidirectional gated-DeltaNet linear attention and sliding-window attention over shared projections (LiZAttention2), block-wise Attention-Residual aggregation, a sparse Mixture-of-Experts (MoE) feed-forward layer and a multi-scale byte-level codec, trained with a uniform-noise denoising objective over one byte space shared by text, image, audio, video, lidar and control streams; this report asks whether the combination optimizes at all before asking whether it is useful. We give code-derived algorithms for each component, including a cross-session recurrent-state memory gate, then run convergence sanity checks: overfittinga single 440-byte sentence at 1--15M parameters, text only, with three seeds for codec and attention choices and single-run sweeps for seven further factors. The two attention variants tested at 3\,000 steps (LiZAttention2 and window attention alone) reach a minimum loss near $10^{-3}$. After 600 steps, the mean minimum loss ranges from 0.018 (patch codec) to 0.354 (depthwise convolutional codec) with an identical ranking on three seeds. An apparent advantage of shared over separate attention projections closes with more steps or more diverse data and reverses when the projections are frozen: it is a convergence-speed effect, not a capacity effect. These checks suggest that the implementation optimizes; they say nothing about generalization, multimodal training or comparison with existing models, which a planned pretraining run is meant to address. The Discussion sizes a 200M-total/25M-active target analytically; none of its throughput figures is measured. Code is available at https://github.com/fabienfrfr/Kairos . Python package at https://pypi.org/project/kairos-fm/ .

arXiv cs.LG74

面向机器学习应用的代数整数量化

arXiv:2610.12494v1 公告类型:新论文 摘要:本文提出代数整数数值格式(AINF),作为一种支持高度可配置、高精度压缩计算的框架。AINF 的一个关键特性是能够直接归约为纯整数算术,从而实现无误差的乘加运算。我们开发了一种利用该特性的矩阵乘法引擎,其性能与现代硬件加速器上最高效的同类数值计算实现相比,差距处于可预测的倍数范围内。AIQ 的另一个关键优势是可以根据给定用例的数值特征,自由选择适合的代数整数,从而提供浮点或定点格式从根本上无法实现的优化机会。基于这些特性,我们引入了代数整数量化(AIQ),这是一种用于大语言模型(LLM)推理的有损压缩格式,并通过结果表明,在每个参数的比特数预算相同的情况下,AIQ 在多种模型和基准测试中均能达到与行业标准 MX 格式相媲美的准确率。本文所述实验采用二次代数整数;推广到更高次、尤其是多维代数整数,有望带来更大的计算优势,仍是未来研究中一个前景广阔的方向。

arXiv cs.AI71

用于专用神经网络模型自动调优的多智能体 LLM 系统

许多机器学习方法采用两层流程:先由专家选择一类方法,再在该类方法中选择关键组件,而后者至关重要且通常依赖人工。本文研究这些组件的自动调优,并提出一种可迁移至不同性质模型的框架。该多智能体大语言模型(LLM)框架包含分析员、编码员和记录员三种角色,并配备实验日志和沙箱执行环境。与优化整个机器学习脚本或在离散空间中搜索架构的系统不同,该框架在开放但语义范围受限的空间中运行:智能体仅为指定组件生成代码,保持网络整体结构不变。该方法在两个方向上得到验证:对采用相关性学习的分类脉冲神经网络进行调优,以及使用物理信息神经网络(PINN)求解高阶微分方程。在五项任务中,包括 MNIST 和 Digits 上的脉冲神经网络分类任务,以及广义非线性 Schrödinger 方程(GNLSE)和 Kuramoto–Sivashinsky(KS)方程的边值问题,该智能体均优于基线:分类准确率分别提高了 13 个百分点(MNIST)和 6 个百分点(Digits);相对于单孤子解析解的误差降至原来的约 1/2491;在选定的含高斯扰动的 GNLSE 实验中,不变量保持误差降至原来的约 1/325,在多次重复初始化实验中,平均误差降至原来的不足 1/100;对于含高斯扰动的 KS 问题,质量漂移降至原来的 1/14。因此,该框架无需改变其内部结构,即可针对不同性质的任务调优关键组件。

arXiv cs.AI65

A Step Harder, Not a Step Too Far: The Benefits and Limits of Curriculum Difficulty Progression in GRPO

Curriculum learning typically organizes training samples from easy to hard. In GRPO, medium-difficulty samples are attractive for online selection because they are more likely to yield informative group-relative learning signals, and prioritizing them can improve training efficiency. However, it remains unclear whether persistently selecting such samples also leads to the strongest final model performance, or whether training can benefit from progressing toward harder samples. Meanwhile, sample difficulty changes as the policy evolves, so fixed difficulty estimates can become misaligned with the current policy. We therefore re-estimate sample difficulty under the current policy and, inspired by the easy-to-hard principle of curriculum learning, design and evaluate a staged curriculum that progressively shifts the active difficulty band toward harder samples. Experiments on GSM8K show that persistent medium-difficulty selection does not achieve the strongest observed performance. Across three random seeds, progressing to a moderately harder difficulty band improves test accuracy to $0.6591 \pm 0.0077$, compared with $0.6449 \pm 0.0024$ for the fixed-medium curriculum. However, further progression to a harder difficulty band reduces accuracy to $0.6405 \pm 0.0053$. These results show that staged difficulty progression can outperform persistent medium-difficulty selection, but its benefit is non-monotonic. Effective GRPO curricula can therefore benefit from progressing beyond medium difficulty, while avoiding excessive progression toward overly difficult samples.}

arXiv cs.AI78

注入一个轮次,而非一个词元:学习在何处重定向 LLM 推理以实现自我纠错

大语言模型难以可靠地识别并纠正自身推理中的错误。以往基于训练的方法通过微调 LLM 来生成修订或反馈,而我们学习的是在失败的生成轨迹中何处进行干预,以及如何重定向这些轨迹。为选择干预位置,我们在冻结的编码器上训练一个具有 13 万参数的 MLP 头,仅以最终答案的正确性作为监督信号。在重定向方面,我们发现,在固定的生成预算下,所测试的行内注入无法可靠地重定向推理,而在新的用户轮次中呈现同一条指令则能改变模型的推理走向。由此得到的纠错框架 UPTURN(在学习得到的位置注入用户提示轮次)无需微调 LLM:它保留选定的前缀,将指令作为新的用户轮次注入,并重新生成后缀。在四个推理模型和六个数学基准测试中,UPTURN 在所有设置下的平均准确率均高于生成 32 条轨迹的基线。在相同的纠错预算下,它优于自我纠错和反思词元注入基线;无需重新训练即可迁移至其他推理模型及 GPQA-Diamond,并可与 GRPO 和自我纠错方法互补。

arXiv cs.AI76

并非所有维度都同等重要:基于分组二次核的异常值感知注意力线性化

将 softmax 注意力线性化为高效的 Transformer 推理提供了一条路径,但保留预训练注意力的行为仍然具有挑战性。我们发现了一个被标准线性化方法忽视的重要近似误差来源:少数异常维度对查询与键的点积贡献不成比例地大,并造成了很大一部分近似误差。受这种异质性的启发,我们提出 Outlier-Aware Attention Linearization(OAL),这是一种用于构建二次注意力近似的维度感知方法。从二阶 Taylor 近似出发,我们引入了一种 Hadamard 积形式,显式呈现查询与键各维度的贡献。该形式放宽了系数全局共享的限制,支持维度特定的线性项和跨维度的二次交互,同时保留可分离计算的性质。为了以更少的参数保留这种灵活性,OAL 将贡献尺度相近的维度分组以共享系数,同时允许对少数异常维度进行区别处理。所得正值二次核以预训练注意力输出为参照进行校准,并且在注意力头维度固定时,可按序列长度的线性时间复杂度计算。在 Qwen2.5-0.5B 上,与 DiJiang 相比,OAL 将冻结注意力的输出相对均方误差降低了约 8.9%。替换中间层注意力模块,并结合 LoRA 联合微调核系数后,与学习得到的全局二次核相比,WikiText-103 上的困惑度进一步从 31.71 降至 27.50,同时在 PIQA、HellaSwag 和 ARC-E 上的准确率也有所提升。这些结果表明,异常值感知的维度分组对于注意力近似和预训练模型转换均具有价值。代码已公开于 https://github.com/wuqianyue09/OAL

arXiv cs.AI75

Variance-Reduced Policy Gradient is Nearly Minimax-Optimal

Standard Policy Gradient (PG) algorithms suffer from high estimation variance because they rely on Monte Carlo updates. While off-policy variance reduction mitigates this problem, establishing optimal sample complexity currently requires either restrictive assumptions, such as uniformly bounded importance weights, or impractical second-order operations. In this work, we introduce Loopless Variance-Reduced PG (LVR-PG), a unified theoretical framework that abstracts a class of first-order estimators that integrate recursive updates with defensive importance sampling, including known estimators such as PAGE-PG and STORM-PG. We prove that this algorithmic class achieves $\tilde{\mathcal{O}}(ε^{-2})$ last-iterate global convergence under weak gradient domination for general parametric policies. We establish this guarantee using purely first-order updates, with minimal assumptions and without gradient preconditioners. By extending state-of-the-art lower bounds to continuous parametric policies, we establish an $Ω(ε^{-2})$ sample complexity limit, confirming our framework is minimax-optimal up to logarithmic factors and horizon terms.

arXiv cs.AI75

一步完成校准:联合学习准确且校准良好的神经网络

神经网络(NNs)虽然具有高度的灵活性和通用性,但往往校准不佳。事后校准方法使用独立的校准数据集和额外的校准参数,调整已训练模型的输出。这一过程需要单独优化校准器并进行后续模型选择,从而增加了开销。本文表明,通过双层 Stackelberg 建模,标准的事后校准器可以与骨干网络一起进行端到端训练。该建模方式使用交叉熵联合优化准确性与校准性能,无需独立的校准集或专门的校准损失,仅引入一个额外的超参数:校准器学习率。尽管我们的框架支持从温度缩放、矩阵缩放到神经网络层等多种校准器,但实验结果表明,直接将最终分类层用作校准器,即可在不增加任何参数的情况下,获得准确且校准良好的模型。我们的方法仅增加极少的复杂度,便优于当前最先进的校准器,同时还能避免在多任务学习等场景中,独立校准组件所带来的成倍开销。

arXiv cs.AI72

智能体网络技术栈的基线评估

面向基于大语言模型(LLM)的智能体,各类协议、框架和技术正被快速提出,使任何致力于打造前沿 AI 解决方案的人都面临复杂局面。如果缺乏对不同协议、框架和库如何协同构建智能体网络解决方案的评估,开发者和组织甚至在加入智能体网络生态系统之前,就会面临技能培养、治理、基础设施等方面的挑战。在此背景下,我们提出了一个用于开展智能体网络评估的系统,名为 MASTIF(Multi-Agent System TestIng Framework),并基于 300 项 Mind2Web 基准任务,对包括 3 个 LLM、3 种协议和 4 个智能体实现框架在内的智能体网络技术进行了基线评估。结果表明,选择针对特定任务的技术栈,可能提高任务完成率、效率得分和社会价值稳定性得分,同时降低冗余程度并缩短任务完成时间。我们希望通过这些结果,为致力于设计、评估和开发多智能体系统的人们,在这一复杂且快速演进的环境中提供指标和结果方面的基线。

arXiv cs.AI77

Adaptive DHiSparse:基于负载自适应 KV 层次结构的推测解码

长上下文推理服务在硬件达到有效吞吐量之前,就会耗尽 KV 内存。HiSparse 将历史数据存储在主机内存中,并且仅取回选中的条目,但它在所有负载下都使用同一缓存预算,也不支持 DSpark 和 DFlash2 等基于草稿模型的推测解码。我们提出 Adaptive DHiSparse,它支持在分层稀疏 KV 上进行推测解码,并根据负载调整数据驻留。它保护必需的工作集,在 GPU 内存空闲时保留更多历史数据,并通过精确的融合检索取回其余数据。DSpark 和 DFlash2 的候选生成与接受规则保持不变:查询共享缺失行的取回操作,草稿 KV 使用受窗口大小约束的环形缓冲区,验证阶段的暂存空间则跨层组复用。在 100K 上下文长度和 128 并发下,结合 DFlash2 的 GLM-5.3 在每个解码 GPU 上实现了每秒 793 个输出 token,分别为 HiSparse 的 1.45$\times$ 和不使用推测解码的自适应推理服务的 1.27$\times$。在遵守与 HiSparse 相同的延迟上限时,根据每 token 延迟上限的不同,它能够持续支持最高 4$\times$ 的并发量和 2.3 至 3.7$\times$ 的输出吞吐量。在 500K 上下文长度和 512 并发下,对于 DeepSeek-V4.1-Flash,结合 DSpark 的 Adaptive DHiSparse 实现了结合 DSpark 的全驻留推理服务 1.85$\times$ 的输出吞吐量。在一次负载阶跃变化中,可选驻留在低负载时将需要从主机取回的行占选中行的比例从 14.2% 降至 1.4%,并在内存压力下释放内存。

arXiv cs.AI75

基于图神经网络的摊销式反事实预测

反事实推断探究的是,在不同情境下,已观测到的结果可能会有何不同,例如,如果患者接受了另一种治疗,是否会康复。只要决策依赖于未被观测到的备选方案的结果,就会出现这类问题。回答反事实查询通常需要了解底层因果结构,而这在实践中往往无法获得。因此,一种常见方法是先从观测数据中估计因果图,再进行反事实推断。然而,估计因果图中的误差可能会传播至下游的反事实预测。为应对这一挑战,我们提出了 Counterfactual Graph Neural Process(CFGNP),这是一种端到端方法,无需预先估计因果图,即可直接根据观测数据回答反事实查询。CFGNP 使用图神经网络(GNN),通过将跨世界消息传递限制在相互对应的事实变量与反事实变量之间,来利用双图结构。在合成数据和基于图像的基准测试中,CFGNP 的预测性能均优于现有方法,包括在 German Loan 基准测试中,将均方误差(MSE)从 $4.51 \times 10^{-2}$ 降至 $0.19 \times 10^{-2}$。此外,在合成因果图上,仅使用 10 节点图训练的模型,无需重新训练,即可在最多包含 30 个节点的图上保持较强的预测性能。

arXiv cs.AI77

LAPT-Scale:通过人类视频中的潜在动作预训练扩展具身策略

通用机器人策略的规模化受到具身交互数据采集成本高昂的限制。大规模第一人称视角的人类视频提供了一种数据丰富的替代方案,但这些视频缺乏机器人动作标签,而且在现实世界复杂的视觉环境和多样化的操作动态下,现有动作标注方法往往噪声较大。我们提出 LAPT-Scale,这是一种可扩展的潜在动作预训练范式,包含两个组件:LAPT-Scale-LAM 通过解释人类视频中相邻帧之间的视觉变化来学习连续潜在动作,并将其用作源自人类的监督信号;LAPT-Scale-Policy 则通过人类视频潜在动作预训练、目标机器人具身形态对齐以及任务特定的后训练来训练 VLA 策略。与以往采用向量量化的 LAM 不同,LAPT-Scale-LAM 使用连续潜在空间来保留细粒度的运动与交互动态。我们进一步结合感知、语义和光流对齐信号,使视觉变化层面的监督超越单纯的像素重建。LAPT-Scale-LAM 在 2.33 万小时的第一人称视角视频上训练,为策略预训练提供隐式动作监督,带来持续的规模化收益:当经过标注的人类视频从 1000 小时扩展至 5000 小时时,真实机器人任务成功率从 63.3% 提升至 85.0%。所学策略还能泛化到未见过的视觉条件。

arXiv cs.AI80

Orthros:面向高效 Transformer 的阶段感知异构注意力

线性注意力和滑动窗口注意力等高效注意力机制旨在将 Transformer 的计算复杂度从二次降至线性。然而,它们在上下文内召回能力上的下降往往使其必须交错使用全注意力层,导致长上下文处理中的二次复杂度瓶颈仍未解决。为此,我们提出 Orthros 注意力,将提升效率的范式从结构分配转向阶段感知解耦。作为一个统一模块,它在序列处理的不同阶段动态切换计算模式,实现线性复杂度的预填充和全注意力解码。在预填充负载重、解码负载轻的常见长上下文场景中,我们的设计使 Orthros 注意力的渐近复杂度低于原始 Transformer。除理论推导和复杂度分析外,广泛的实证评估也表明 Orthros 在多个维度上具有优势。首先,我们验证了其基础语言建模能力,展示了其在不同模型规模下的可扩展性,以及在全面架构比较中的强大竞争力。其次,通过数据高效的 Transformer 到 Orthros 转换,Orthros 展现出出色的转换可行性,转换后的性能甚至超越原始 Transformer。最后,Orthros 相比 Transformer 实现了 $21.9\times$ 的预填充加速,并带来端到端推理性能提升,同时保留了长上下文能力:它在 128K 大海捞针测试中取得了近乎完美的结果,在真实场景的上下文内召回任务中也达到了 Transformer 级别的性能。总体而言,这些在高性能、灵活性和效率方面的优势,使 Orthros 有望成为工业应用中接替 Transformer 的候选架构。

arXiv cs.AI72

SafeDiSTL:通过分解联合约束实现安全多智能体强化学习

协作式多智能体任务通常会对共享目标或集体安全施加约束。团队层面的违规成本函数可以衡量约束违反情况,但无法区分哪些智能体的动作对违规的影响最大。我们提出 SafeDiSTL,这是一种受约束的多智能体强化学习框架,即使仅有联合约束的测量结果,也能进行贡献分配。我们使用信号时序逻辑(STL)鲁棒度,通过运行最大值的成本增量来衡量回合层面的违规程度。平滑的完整回合鲁棒度和可微动力学提供动作敏感度,用于将每个成本增量分配给同一决策时刻的各个智能体。这些敏感度在对各智能体应分担的成本增量进行加权时,会考虑延迟效应。我们在协作载荷运输、连通导航和联网交通控制任务中研究了该框架。与受约束基线相比,SafeDiSTL 在运输任务中的安全成功率达到基线的 1.6–5.1 倍,在导航任务中的安全成功率提高了 11.1%,在交通任务中的吞吐量提高了 50–68%。结果表明,所学策略在处理共享约束方面取得了显著改进,同时保留了无约束策略的性能。

arXiv cs.AI80

只会评分的特权教师无法搜索:面向推理的批评条件化同策略自蒸馏

同策略自蒸馏有望用密集的词元级信用分配取代可验证奖励强化学习中的稀疏结果信号:以参考解答为条件的教师对学生自身生成的轨迹进行评分,再将由此产生的分布偏移蒸馏回策略。我们研究这种评分信号是否真正包含纠错性的信用分配。利用学生生成轨迹中人工标注的错误片段,我们检验自蒸馏目标所使用的两种信号——全分布 KL 和词元对数比——是否具备两项性质:能否定位错误,以及能否降低错误学生词元的概率。它们既不具备这两项性质,也无法可靠地区分同一道题的正确与错误轨迹。我们认为,这种失败是结构性的:在推理轨迹中定位错误本身就是一个搜索问题,而评分教师从未被明确要求执行这种搜索。当允许同一个模型在拥有相同特权信息的情况下生成批评时,它定位错误的能力会显著提升。这促使我们提出\emph{批评条件化自蒸馏}:先对当前轨迹生成批评,再让评分教师以该批评为条件进行评分。由此得到的信号能够定位错误,在错误片段内发挥纠错作用,并将概率转移至引发回溯的词元,例如“等等”“但是”和“实际上”。我们进一步表明,批评在测试时和冷启动 GRPO 中都有用:在测试时,将批评纳入上下文后继续生成原本错误的轨迹,可以解出模型仅靠采样无法解决的数学题;在冷启动 GRPO 中,对于仅凭可验证奖励无法提供优势信号的提示,批评能够提供这样的信号。

arXiv cs.AI71

用于 LLM 智能体训练的匹配上下文组策略优化

训练长时程语言模型智能体,需要根据稀疏的终局反馈为中间决策分配信用。在有限的一组同源 rollout 中,有效的动作比较取决于其上下文、支持两个备选动作的证据,以及这些证据如何融入学习。我们提出 Matched-Context Group Policy Optimization(MCGPO),这是一种从已收集的轨迹中构建加权动作偏好的方法。MCGPO 使用动作前的状态摘要和观测到的评分标准完成进度来定义比较上下文,并依据任务规则进行标注。双动作支持度用于在有序的精确匹配规则和粗粒度匹配规则之间进行选择。固定的数据分折将候选决策与用于确定其偏好方向的终局结果分离,而依赖支持度的证据权重则用于缩放辅助成对目标,使其与共享的 GraphGPO 任务学习共同进行。MCGPO 复用 rollout 数据和每条响应的原始历史,保持无需 critic 的训练方式。在六种环境与骨干模型组合设置中,每种设置均采用三个训练随机种子,MCGPO 的平均成功率均优于对应的 GraphGPO:在使用 Qwen2.5-1.5B 和 7B 的 ALFWorld 与 WebShop 上提高了 0.47–1.46 个百分点,在使用 Qwen3-4B 和 8B 的 WebShop 上分别提高了 3.96 和 5.16 个百分点。ALFWorld 上的提升是在基线成功率已超过 92%、剩余提升空间有限的基础上取得的。在四种 Qwen2.5 设置中,有三种的积分成功率得到提升。采用三个随机种子的析因对照实验支持使用另一数据折的证据和证据加权;状态与评分标准的联合匹配在全部四种表示对照设置中均取得了最高平均值。

arXiv cs.AI70

When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors

Discrete graph diffusion models corrupt graph structure through independent edge updates with a Markovian noise model. Combined with the exchangeability requirement on the output distribution, the terminal prior is necessarily an Erdős--Rényi (E-R) random graph. This has a fundamental consequence for unconditional graph generation without node features: in the large graph limit, any GNN denoiser applied to an E-R graph approximately outputs an E-R graph, making effective denoising difficult. In practice, generated graphs fail to recover meaningful node heterogeneity and higher-order structure. Previous models introduced specialized node features to compensate, framing this as an expressivity problem, while the role of the prior remained unexamined. We instead address the root cause by introducing the Latent Sociability Prior (LSP) and a join} diffusion process that co-evolves latent node sociability variables and graph structure, removing edge independence while preserving exchangeability. Unlike existing latent graph diffusion methods, the sociability mechanism requires no complex encoder: its sole role is to guide edge updates and preserve node heterogeneity throughout the trajectory. We validate our approach on multiple graph generation datasets and show that the proposed framework more accurately captures graph distributions than baseline methods without node features.

arXiv cs.AI82

DualQuant:面向大语言模型的双尺度免校准权重与激活量化

在原生支持 4 位运算的加速器上进行低比特推理,需要同时量化权重和激活,才能充分实现这些格式带来的吞吐量提升。尽管训练后权重量化已得到广泛研究,但激活量化仍然更具挑战性,且通常需要校准数据。在本研究中,我们提出 DUALQUANT,一种双尺度、免校准的训练后量化框架。该框架直接最小化权重重构均方误差(MSE),并由此直接得到激活量化前的逐通道激活重缩放系数。我们的关键观察是,通过最小化权重重构误差得到的缩放因子能够有效地对激活进行重缩放,从而在无需校准数据的情况下实现具有竞争力的激活量化。我们将 DUALQUANT 表述为一个不可微的权重重构问题,并基于变量分裂和分块坐标下降开发了一种高效求解器,其中每个子问题都具有闭式更新解。DUALQUANT 提供了一种统一算法,支持包括完整 MX 系列和 NVFP4 在内的多种格式。据我们所知,DUALQUANT 是首个正式支持 MX 和 NV 块格式的双缩放方法。在 WikiText-2、C4 和零样本下游任务上对 Llama 和 Qwen 模型的评估表明,DUALQUANT 在大多数模型和格式上的准确率达到或超过了基于校准的 SmoothQuant,并显著优于免校准基线方法,在 MX 和 NV 块格式上尤其取得了大幅提升。我们在 RTX 4090 上通过 Llama-3.1-8B 的真实打包 W4A4 推理路径验证了这些提升。最终实现的准确率与伪量化非常接近,同时相较于 BF16,内存占用最高降至其 1/2.61,吞吐量最高提升至其 2.46 倍。