Jit
PulseAugur coverage of Jit — every cluster mentioning Jit across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的HSAP框架提升了混合上下文模型LLM的训练效率
研究人员推出了一种名为HSAP（Hierarchical Sequence-aware Parallelism）的框架，旨在提高大型语言模型训练的效率。这种新方法解决了处理混合上下文序列和因果注意力计算中的挑战，这些在预训练和微调中常用的打包序列中很常见。HSAP通过优化跨多个设备组的张量传输和注意力计算，并利用JIT编译进行通信策略，来克服现有序列并行方法的局限性。
-
何恺明本科团队发布MiniT2I文本到图像模型，参数量2.58亿
研究人员，包括由何恺明领导并主要由本科生组成的团队，推出了一种新颖的文本到图像生成模型MiniT2I。该模型以显著更少的参数（2.58亿）和更低的训练成本取得了具有竞争力的结果，与标准的ImageNet实验相当。MiniT2I采用了一种新的MM-JiT架构，直接在像素空间操作，无需VAE，并通过移除AdaLN等机制简化了扩散过程，这些机制在其他大型文本到图像模型中很常见。
-
居家医院护理项目面临安全挑战
美国医疗保险和医疗补助服务中心（CMS）已将其急性居家医院护理（AHCAH）计划延长至2030年9月，使医院能够在家中为患者提供护理。此次扩展带来了重大的网络安全挑战，包括不安全的家庭Wi-Fi、不可靠的连接以及与个人智能设备和海外供应商相关的风险。为应对这些威胁，已提出一个安全框架，重点关注使用HL7 v2和FHIR标准的数据互操作性、具有零信任模型的强大数据治理以及边缘计算的实施。
-
CVPR 2026：深度学习的“标准零件”面临挑战
研究人员正在挑战深度学习模型的组成部分，质疑诸如注意力机制和量化等领域的既定实践。在CVPR 2026上提出的新研究提出了新方法，例如在注意力计算中使用1位精度，以及为扩散模型开发自动量化策略。此外，一项研究表明，训练扩散模型直接预测干净图像而非噪声，可能提供一种更有效且理论上更合理的方法，从而简化模型架构和训练目标。
-
CVPR 2026 聚焦深度学习基础组件的审视
近期研究正在挑战深度学习架构的基本组成部分，特别是在 Transformer 和扩散模型框架内。在 CVPR 2026 上发表的论文探讨了高精度浮点运算和复杂量化策略等标准实践的替代方案。一项研究引入了 BinaryAttention，它使用 1 位精度来实现注意力机制，从而提高了速度并达到了可比的准确性。另一项研究 SegQuant 则自动化了扩散模型的量化参数调整，消除了手动、特定于架构的调整的需要。此外，关于 Just imag…
-
JIT访问安全陷阱：攻击者瞄准令牌生成系统
云和CI/CD管道中普遍采用的Just-In-Time（JIT）访问旨在降低长期权限带来的安全风险，但却无意中制造了新的漏洞。攻击者现在瞄准的是生成这些临时令牌的中心化系统，而不是试图窃取短暂的凭证本身。为了真正提高安全性，组织必须将零信任原则应用于非人类身份，就像严格验证人类访问一样。
-
何恺明团队推进流匹配以实现更快的图像生成
何恺明团队发表了多篇论文，挑战扩散模型在图像生成中的主导地位，提出流匹配作为一种更有效的替代方案。他们的工作引入了 JiT 等方法，直接预测清晰图像而非噪声，在不进行蒸馏的情况下达到了具有竞争力的 FID 分数。此外，他们的 VARC 模型表明，像 ARC 基准测试这样的视觉推理任务，可以通过纯视觉模型有效解决，而无需依赖语言理解，以显著更少的参数匹配人类表现。
-
视觉AI研究从性能提升转向重写核心假设
在CVPR 2026上重点展示的视觉AI的最新进展，标志着研究方向从渐进式性能改进转向对现有建模假设的根本性重新评估。研究人员正在质疑扩散模型中的无分类器引导等核心原则、视频生成对扩散的必要性以及生成模型的最优预测目标。这种重写基础设置的举措旨在为未来的视觉AI建立新的生成目标、控制机制和架构范式。