Apple Machine Learning Research
PulseAugur coverage of Apple Machine Learning Research — every cluster mentioning Apple Machine Learning Research across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
Apple ML 研究：函数性质与分布性质在验证上的区别
Apple Machine Learning Research 发表了一篇论文，详细阐述了函数的位置不变性与分布性质之间的区别。研究强调，尽管这两种性质的测试可能密切相关，但它们的验证过程却存在显著差异。该论文为几种位置不变的函数性质引入了双亚线性交互式证明（IPP），证明了验证的复杂性可能远低于测试。这与分布性质形成对比，后者已被证明缺乏类似的双高效 IPP。
-
Apple ML Research 推出用于大型数据的快速交互式证明
Apple Machine Learning Research 发表了一篇论文，详细介绍了“Doubly Sub-linear Interactive Proofs of Proximity”（dsIPPs）。这些证明允许通过仅读取大型输入的一小部分来实现超快速生成，并且近似验证速度更快。该研究为可由恒定宽度单次读取的不可知分支程序决定的属性构建了这样的证明系统，并探讨了用于证明关于输入汉明权重和图双向性的近似断言的应用。
-
Apple 发布 SRLM 以增强长上下文语言模型的推理能力
Apple Machine Learning Research 推出了一个名为 Self-Reflective Program Search for Long Context (SRLM) 的新框架。该框架旨在通过使用不确定性感知的自反思来评估和选择用于上下文交互的程序，从而改进语言模型处理长上下文的方式。SRLM 利用自洽性、推理轨迹长度和口头表达的置信度等信号，在相同的时间限制内，性能提升高达 22%，优于现有的递归语言模型 (R…
-
新方法增强在线策略蒸馏以进行AI模型训练 · 已追踪6个来源
研究人员正在开发新的在线策略蒸馏方法，这是一种通过让较小的AI模型学习较大、能力更强的模型的输出来训练这些较小模型的技术。Apple Machine Learning Research 引入了一个诊断框架，用于分析在线策略蒸馏在何处以及为何有效，发现该信号在学生模型不正确的输出时更有益。同时，Veto 和 RG-OPD 等新方法通过重新构建蒸馏目标或使用验证器反馈来过滤不可靠的教师信号，旨在稳定训练。此外，ReOPD 提供了一种离环境…
-
Apple ML Research 攻克长时音频解码难题
Apple Machine Learning Research 发表了一篇题为《长时音频编码的分段注意力解码》的论文。该研究通过提出四项改进来解决基于注意力的编码器-解码器模型在处理长音频片段时存在的局限性。这些改进包括注入位置编码、使用扩展声学上下文进行训练、片段连接和语义分割，以提高准确性并实现自回归解码。
-
Apple发布TopoPrimer以提高预测模型准确性
Apple Machine Learning Research推出了TopoPrimer，一个旨在通过整合时间序列数据的全局拓扑结构来增强预测模型的新框架。该方法利用持久同调和谱层坐标来提供明确的拓扑上下文，从而提高准确性和稳定性，尤其是在季节性需求高峰和冷启动场景下。在Chronos和TimesFM等模型上的基准测试显示，TopoPrimer在冷启动情况下将平均绝对误差降低了高达27%，并在高峰需求期间保持了预测稳定性。
-
苹果研究人员通过新的解码技术推进扩散语言模型
苹果的机器学习研究部门发表了几篇论文，详细介绍了扩散语言模型（dLLMs）的进展。与自回归模型相比，这些模型通过并行解码多个 token，有可能实现更快的推理。研究包括探索用于口语模型的连续扩散、通过残差上下文扩散（RCD）提高 dLLM 的效率，以及使用强化学习训练解遮蔽策略。其他工作则侧重于通过专家产品（PoE）等技术弥合扩散模型和自回归模型之间的差距，并开发统一不同解码策略的混合模型。
-
苹果研究：大语言模型法官受相关错误影响，降低评估有效性
来自苹果机器学习研究的一篇新论文揭示，由于相关错误的存在，使用多个大语言模型（LLMs）作为评估小组的法官，其效果不如预期。研究发现，由九个大语言模型组成的评估小组，其提供的有效信息量相当于只有两个独立投票，因为模型在相同项目上会犯相似的错误。这显著降低了评估小组的准确性，相比独立投票本应达到的效果，在某些情况下，一个表现强劲的法官甚至优于整个评估小组。
-
Apple ML Research：标注需求因评估指标而异
Apple Machine Learning Research 发表了一篇论文，详细介绍了一种名为“Metric-Dependent Annotation Saturation”（依赖于指标的标注饱和度）的方法。该方法提出，从标签分布中捕获有意义信号所需的标注者数量取决于所使用的具体评估指标。例如，在自然语言推理（NLI）模型中，实现熵相关性收敛比实现分布匹配需要更多的标注者。研究还强调，软标签（代表细微的决策边界）比独热标签提供更好…
-
苹果研究人员提出缓存共享以降低 LLM 服务成本
Apple Machine Learning Research 发布了一篇论文，详细介绍了一种名为 Stochastic KV Routing 的新方法，以减小 transformer 语言模型的内存占用。该技术侧重于优化 KV 缓存的深度维度，而不是仅仅进行时间压缩或淘汰。通过训练层随机关注先前层的 KV 状态，模型能够适应各种缓存共享策略而不会丢失信息，有可能在显著降低内存使用量的同时保持或提高性能。
-
新方法解决长上下文 LLM KV 缓存压缩问题
2026年5月和6月发布的多篇研究论文提出了压缩大型语言模型（LLM）键值（KV）缓存的新颖方法。这些技术旨在减少与长上下文长度相关的显著内存开销，从而在资源受限的环境中实现更高效的推理。方法包括偶发式管理、用于合并的全局回归、抗漂移检索和低秩近似，所有这些都旨在在大幅降低内存使用量和延迟的同时保持模型准确性。