slerp
PulseAugur coverage of slerp — every cluster mentioning slerp across labs, papers, and developer communities, ranked by signal.
-
新框架使用贝叶斯优化来优化 AI 模型合并
研究人员开发了 MOBO-Merge，一个用于优化模型合并参数的新颖框架。该方法将合并参数选择视为多目标贝叶斯优化问题，允许在有限的评估预算内高效地探索帕累托前沿。该框架在 Qwen3-4B 和 Llama-3.1-8B 模型上针对各种合并算子进行了测试，在大多数测试场景中均显示出优于随机搜索的性能。研究还发现，没有单一的合并算子是普遍最好的，TIES 和 Block-Linear 4x 在不同的配置中表现出优势。
-
Diffusion language models research tackles efficiency and confidence gaps · 6 sources tracked
近期研究探索了提高扩散语言模型（DLM）效率和有效性的方法。一篇论文研究了在解码过程中何时真正需要无分类器引导（CFG），认为其益处是特定于提示的，并且通常集中在过程的早期。另一项研究介绍了 Archer，一种无需训练的 KV 缓存方法，通过自适应地重用提示隐藏状态来加速 DLM 中的回滚能力。进一步的研究解决了 DLM 中的“表示-置信度差距”问题，即内部准确性信号与外部置信度分数不一致，并提出了一个轻量级工具来改进答案排名。此外，…
-
新的DeepFreqMark框架将水印嵌入AI图像
研究人员开发了DeepFreqMark，一个用于将水印嵌入潜扩散模型（LDMs）生成的AI图像的新颖框架。与之前使用固定模式的方法不同，DeepFreqMark采用了可学习的神经编码器和解码器，以获得更大的容量和灵活性。该系统还引入了基于球形线性插值（Slerp）的攻击模拟，以克服训练瓶颈，实现了更低的比特错误率，并支持高达256比特的消息容量。
-
新方法使大语言模型水印能够抵抗模型合并
研究人员开发了一种名为“合并对抗训练”（Merge-Adversarial Training）的新方法，为开源大语言模型（LLMs）创建持久的水印。这些水印旨在抵抗训练后修改，特别是模型合并，后者常用于结合专家知识或防止遗忘。所提出的方法在性能上持续优于现有方法，并保留了大语言模型下游能力，表明对抗训练是增强水印抵抗此类修改持久性的可靠技术。
-
SlerpFlow 增强了 FLUX 扩散模型的图像反演
研究人员推出了一种新颖的方法 SlerpFlow，旨在改进基于校正流的扩散 Transformer（如 FLUX）的反演过程。该方法解决了将图像转换回潜在噪声以进行重建和编辑的挑战，而这一过程常常受到离散化误差的阻碍。SlerpFlow 利用球面线性插值 (Slerp) 来校正超球体上的流速度方向，遵循潜在空间的内在曲率。这种基于流形假设的几何校正，无需额外训练即可实现高精度反演和增强的语义对齐，同时保持了一阶欧拉求解器的效率。
-
模型合并无需重新训练即可增强对话式搜索 · 跟踪 2 个来源
研究人员推出了一种新颖的无需训练的策略，通过合并现有模型来改进对话式信息检索。该方法利用 Model Soup 和 Slerp 等技术，旨在创建一个能够同时在即席和对话场景中有效运行的单一检索模型，而无需进一步微调。实验表明，这种模型合并显著提升了对话式检索器的即席搜索能力，在零样本条件下 NDCG@3 提高了高达 15%，并增强了跨不同数据集的泛化能力。