实体
EMNLP 2026 Industry Track
EMNLP 2026 Industry Track
PulseAugur coverage of EMNLP 2026 Industry Track — every cluster mentioning EMNLP 2026 Industry Track across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
DiffResearch框架使用扩散模型将深度研究速度提高6倍
研究人员开发了DiffResearch，一个利用扩散语言模型（dLLMs）加速深度研究任务的新框架。通过取代传统的自回归模型，DiffResearch在规划和写作的端到端延迟方面实现了六倍的加速，同时保持了报告质量。一种新颖的dFast模式通过从中间去噪状态提取子查询，进一步提高了性能，在不影响结果的情况下提供了额外的加速。这个开源框架已被EMNLP 2026工业轨道接受，并展示了与商业系统相比具有竞争力的性能。
-
ByteShape发布Qwen 3.8 27B量化模型，详述KLD研究
ByteShape发布了其ShapeLearn GGUF格式的Qwen 3.8 27B模型，提供多种量化级别，实现了高精度和高速度。该公司的博客文章详细介绍了跨多个GPU的性能指标，并强调每权重比特数（bpw）越低，通常吞吐量越高。ByteShape还讨论了量化中KL散度（KLD）的细微差别，指出较低的KLD并不总是等同于更好的任务性能，这是他们最近被EMNLP 2026工业赛道论文录用的主题。