Gemma 4 E4B it
PulseAugur coverage of Gemma 4 E4B it — every cluster mentioning Gemma 4 E4B it across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Apple 的 PROOF-Gen 方法通过从失败中改进 AI 模型蒸馏
Apple Machine Learning Research 推出了 PROOF-Gen，这是一种用于将工具调用能力蒸馏到可部署 AI 模型中的新方法。该技术通过每种场景的提示优化，从教师模型失败的尝试中恢复有价值的轨迹，从而解决了传统生成-过滤蒸馏的局限性。PROOF-Gen 分析执行跟踪和反馈，以指导教师模型取得成功，显著提高了蒸馏模型的质量和可转移性，即使在非英语地区也是如此。
-
RecurSE 方法使 LLM 能够作为裁判进行自我改进
研究人员开发了一种名为 RecurSE 的新颖方法，用于改进大型语言模型 (LLM) 在评估任务中作为裁判时的表现。该方法使 LLM 能够通过有界递归自改进过程生成自己的学习信号，从而无需昂贵的外部注释或更强的教师模型。RecurSE 包括一个裁判模型根据评分标准评估响应，并配有一个审计裁判推理的检查器。通过在结构上将检查器的分数与裁判的输出分离，该系统避免了常见的奖励膨胀捷径。该方法还包含一个验证监视器，用于确定停止自改进过程的最佳…
-
Liquid AI 发布 LFM2.5-VL-3B，一款兼容智能手机的视觉语言模型
Liquid AI 发布了 LFM2.5-VL-3B，这是一款专为在智能手机上运行而设计的轻量级视觉语言模型。该开源模型拥有 31 亿个参数，内存使用量低于 3.3GB，支持 OCR、UI 识别以及包括日语在内的多种语言。基准测试显示，LFM2.5-VL-3B 在包括移动设备在内的各种处理器上，其性能优于 Gemma-4-E4B-it 和 Qwen3.5-4B 等大型模型，在 Galaxy S26 Ultra 上的解码速度达到 20 …
-
Liquid AI 发布 LFM2.5-2.6B：支持128K上下文的设备端智能体模型
Liquid AI 发布了 LFM2.5-2.6B，这是一款开源权重、专为移动和边缘设备设计的设备端智能体模型。该模型拥有26.9亿参数，128,000个token的上下文窗口，并且无需依赖云API即可执行多步任务，包括规划和工具调用。Liquid AI 报告称，LFM2.5-2.6B 在指令遵循和工具使用基准测试中，与远大于自身的模型相比，表现具有竞争力，同时在各种硬件上保持了低内存使用和快速解码速度。
-
VIDRAFT 以经验证的速度和质量荣登 Google x Hugging Face Fast Gemma 挑战赛榜首
VIDRAFT，一个由韩国初创公司开发的 AI 代理，在 Google x Hugging Face Fast Gemma 挑战赛中获得了 #1 经验证的领先地位。该挑战赛专注于优化 Google 的 Gemma 4 E4B it 模型在固定 A10G GPU 上的性能。VIDRAFT 通过平衡高吞吐量和严格的质量门槛，确保困惑度接近参考水平，从而获得 #1 的位置，与其他牺牲质量只追求速度的参赛者不同。
-
多模态调优重组LLM身份编码
研究人员调查了多模态指令调优如何影响Transformer语言模型中指定身份提示的几何编码。他们分析了包括Gemma 4 E4B和Qwen2.5-7B-Instruct在内的四种模型，在不同的训练后模式下。研究发现，多模态指令调优导致身份编码方式发生转变，从基础模型中的基于方向的表示转移到调优模型中的基于幅度的表示。这种重组是多模态指令调优特有的，在通过RL蒸馏或标准监督微调训练的模型中未观察到。
-
TensorSharp 增加 Vulkan 后端以进行 LLM 推理，并与 llama.cpp 进行基准测试
TensorSharp，一个开源 LLM 推理引擎，发布了其 GGML Vulkan 后端的初始版本，旨在提高 GPU 上的性能。该更新已在 Nvidia 和 Intel GPU 上成功测试，开发者正在寻求 AMD GPU 用户反馈。将 TensorSharp 的 Vulkan 后端与 llama.cpp 进行的基准测试显示结果不一，TensorSharp 在某些场景下更快，而在其他场景下（尤其是首次标记时间）则较慢。
-
在开源大语言模型Apertus和Gemma中发现情感向量
一篇新的arXiv论文研究了开源大语言模型中情感向量的存在和出现，该研究建立在先前识别出Claude Sonnet 4.5中这些表示的工作之上。研究人员测试了Apertus-8B-Instruct-2509和Gemma-4-E4B-it，发现这两个模型都表现出效价几何，尽管其表示在模型深度上有所不同。发现唤醒编码对用于提取的语料库敏感，Gemma生成的故事情节显示出更强的对齐性。
-
新方法利用仅解码器LLM增强同步语音翻译
研究人员正在开发新的同步语音翻译方法，重点关注仅解码器的大型语言模型。一种名为AlignAtt4LLM的方法，通过调整这些模型的注意力机制来提高德语和意大利语等语言的翻译质量，即使在低延迟场景下也是如此。另一种名为DOA的方法，在SpeechLLMs内部使用自注意力机制，在无需重新训练的情况下获得长文本翻译的对齐信号。此外，一个名为Canary的系统，拥有10亿参数，提供了多种语言的离线同步翻译能力。
-
新研究推进机器人和LLM的策略优化
研究人员引入了几种新方法来增强强化学习中的策略优化，特别是针对涉及机器人和大型语言模型（LLM）的复杂任务。MODIP旨在通过使用世界模型来指导适应，从而高效地微调机器人学习中的扩散策略，与标准的模仿学习相比，提高了稳定性和性能。N-GRPO和T2-GRPO分别侧重于通过采用新颖的嵌入层混合和多视域奖励策略来改进LLM在数学推理和护理代理等任务中的探索和奖励分配。此外，CATPO和GenPO++通过改进基于树的方法和生成策略来提高训练…