<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_44681809的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_44681809</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_44681809]]></copyright><item><title><![CDATA[​从 LoRA 到 MoE-LoRA（七）：挑战二：专家粒度——从 “模块级” 到 “rank 级” 再到 “结构级”​]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/170186086</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/170186086</guid><author>qq_44681809</author><pubDate>Fri, 06 Nov 2026 09:39:02 +0800</pubDate><description><![CDATA[论文围绕 LoRA 与 MoE 两条技术线索，梳理二者结合形成的 MoE-LoRA 范式。]]></description><category></category></item><item><title><![CDATA[从 LoRA 到 MoE-LoRA（六）：挑战二：专家粒度——从 “模块级” 到 “rank 级” 再到 “结构级”]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/170121115</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/170121115</guid><author>qq_44681809</author><pubDate>Thu, 05 Nov 2026 08:57:30 +0800</pubDate><description><![CDATA[论文围绕 LoRA 与 MoE 两条技术线索，梳理二者结合形成的 MoE-LoRA 范式。]]></description><category></category></item><item><title><![CDATA[从 LoRA 到 MoE-LoRA（五）：挑战一：路由机制——从 “静态选谁” 到 “动态怎么选”]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/170022480</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/170022480</guid><author>qq_44681809</author><pubDate>Wed, 04 Nov 2026 09:17:46 +0800</pubDate><description><![CDATA[论文围绕 LoRA 与 MoE 两条技术线索，梳理二者结合形成的 MoE-LoRA 范式。]]></description><category></category></item><item><title><![CDATA[从 LoRA 到 MoE-LoRA（四）：挑战一：路由机制——从 “静态选谁” 到 “动态怎么选”]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/169163139</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/169163139</guid><author>qq_44681809</author><pubDate>Tue, 03 Nov 2026 08:57:22 +0800</pubDate><description><![CDATA[论文围绕 LoRA 与 MoE 两条技术线索，梳理二者结合形成的 MoE-LoRA 范式。]]></description><category></category></item><item><title><![CDATA[从 LoRA 到 MoE-LoRA（三）：挑战一：路由机制——从 “静态选谁” 到 “动态怎么选”]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/169165160</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/169165160</guid><author>qq_44681809</author><pubDate>Mon, 02 Nov 2026 10:36:41 +0800</pubDate><description><![CDATA[论文围绕 LoRA 与 MoE 两条技术线索，梳理二者结合形成的 MoE-LoRA 范式。]]></description><category></category></item><item><title><![CDATA[从 LoRA 到 MoE-LoRA（二）：挑战一：路由机制——从 “静态选谁” 到 “动态怎么选”]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/169162929</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/169162929</guid><author>qq_44681809</author><pubDate>Fri, 30 Oct 2026 09:25:10 +0800</pubDate><description><![CDATA[论文围绕 LoRA 与 MoE 两条技术线索，梳理二者结合形成的 MoE-LoRA 范式。]]></description><category></category></item><item><title><![CDATA[从 LoRA 到 MoE-LoRA（一）：LoRA 与 MoE 是如何走到一起的]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/169160743</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/169160743</guid><author>qq_44681809</author><pubDate>Mon, 26 Oct 2026 16:00:05 +0800</pubDate><description><![CDATA[本文围绕 LoRA 与 MoE 两条技术线索，梳理二者结合形成的 MoE-LoRA 范式。]]></description><category></category></item><item><title><![CDATA[（2026|中科院自动化所，路由冗余，动态分配的价值在激进剪枝，多模态更脆弱）你只需要选定专家的 2/3：细粒度 MoE LLM 中的动态专家剪枝]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/168849846</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/168849846</guid><author>qq_44681809</author><pubDate>Fri, 23 Oct 2026 14:31:25 +0800</pubDate><description><![CDATA[这篇论文用大量实证回答了细粒度 MoE 剪枝的三个核心问题：路由远比大家以为的冗余：保留 2/3 专家平均保留 98.8% 性能；动态分配的价值在激进剪枝；模型属性在紧预算下才关键：大模型、Thinking 模型更鲁棒，多模态模型更脆弱。]]></description><category></category></item><item><title><![CDATA[（2026|COLM|Cornell，跨层/连续块共享专家池，跨层专家复用，扩大路由组合空间，深度 embedding）MoRE：专家复用 MoE]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/168745478</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/168745478</guid><author>qq_44681809</author><pubDate>Thu, 22 Oct 2026 14:14:51 +0800</pubDate><description><![CDATA[在标准 MoE 中，每层维护独立专家池，层与层之间不能复用专家。MoRE 将相邻若干层的 FFN 专家参数共享，形成一个 “reuse block”。每层仍然保留自己的 Router，并额外加入一个可学习的 depth embedding，让共享专家知道当前处于哪一层。]]></description><category></category></item><item><title><![CDATA[MoE 与推测解码（Speculative Decoding）加速：为什么慢、什么时候慢、怎么让它不慢？]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/168133662</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/168133662</guid><author>qq_44681809</author><pubDate>Tue, 20 Oct 2026 16:07:26 +0800</pubDate><description><![CDATA[推测解码在 MoE 上常因验证时专家并集膨胀、内存带宽激增而失效。本文梳理六篇前沿论文，按 “为什么慢、什么时候慢、怎么让它不慢” 的因果链展开。系统解析了训练时专家连携、运行时动态调度、Draft 成本筛选及验证时专家预算等优化方案，为 MoE 推理加速提供工程指南。]]></description><category></category></item><item><title><![CDATA[（2026|NAVER AI，推测解码/SD，置信门控，Loop-aware Training，用更多 draft 前向换更少 target 前向）DLoop：循环推测解码]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/167882726</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/167882726</guid><author>qq_44681809</author><pubDate>Fri, 16 Oct 2026 10:20:22 +0800</pubDate><description><![CDATA[DLoop 提出循环式推测解码：draft 模型置信度足够高时，连续执行多轮 drafting，再由 target 模型一次性验证累积 token；配合 loop-aware training，让 draft 模型适应自身 hidden states 继续预测。无需改结构、保持无损，在 EAGLE-3、DSpark 等上提速 5%–41%，接受长度提升 12%–102%。]]></description><category></category></item><item><title><![CDATA[（2026|Cornell & IBM，共享 KV，首轮建记忆后续用记忆，共享记忆省内存提质量）LPT/H-LPT：共享记忆在循环 Transformer 中的有效性]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/167697622</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/167697622</guid><author>qq_44681809</author><pubDate>Tue, 13 Oct 2026 18:17:26 +0800</pubDate><description><![CDATA[在 Looped Transformer 中，让第一次递归写入一份共享 KV Cache，后续递归只读取这份共享记忆 + 自己的短滑动窗口，不仅大幅省内存，而且不降质量，反而提升质量。]]></description><category></category></item><item><title><![CDATA[Looped Transformer 最新进展：从循环 MoE、缩放定律到优化器与扩散生成]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/167221964</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/167221964</guid><author>qq_44681809</author><pubDate>Sun, 11 Oct 2026 18:01:07 +0800</pubDate><description><![CDATA[Looped Transformer 正在从 “重复堆叠共享块” 走向 循环 + 稀疏 MoE + 缩放定律 + 优化设计 的系统化阶段。核心思想是：不增加参数，用更多计算换更强能力。本文梳理四篇近期工作：Foil、Loop Scaling Laws、OperLoop、Looped-DiT。]]></description><category></category></item><item><title><![CDATA[（2017|ICLR|Google Brain，主网络与超网络联合训练，静态/动态超网络，LSTM，RNN）超网络]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/164721496</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/164721496</guid><author>qq_44681809</author><pubDate>Wed, 07 Oct 2026 11:32:40 +0800</pubDate><description><![CDATA[论文提出 hypernetwork 框架，通过端到端训练生成主网络权重。静态超网络可在卷积网络上大幅减少参数量，动态超网络可为循环网络提供时间依赖的权重调整策略。实验表明，超网络在多个任务上达到或超越传统模型，特别是 HyperLSTM 挑战了循环网络硬共享权重的范式，为设计更灵活的序列模型提供了新思路。]]></description><category></category></item><item><title><![CDATA[（2026|清华 & 微软，专家空间探索，路由扰动，自适应噪声，锚定专家采样，Rollout 路由回放）ESRL：在 MoE 强化学习中的专家空间探索 ]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/165751577</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/165751577</guid><author>qq_44681809</author><pubDate>Wed, 07 Oct 2026 11:32:13 +0800</pubDate><description><![CDATA[ESRL 把 MoE 中原本固定的专家路由，从 “架构组件” 变成了 RL 的探索空间：通过锚定高置信专家、自适应扰动候选专家、并在训练时回放（replay）rollout 路由，让模型在稀疏计算路径层面获得额外多样性，从而提升数学、科学和代码任务表现。]]></description><category></category></item><item><title><![CDATA[（2026|斯坦福，MoE 比 Dense 更怕重复数据，退化程度主要由总参数 / 稀疏度决定，正则有效）数据稀缺与模型稀疏：MoE 对重复数据过拟合]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/165710911</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/165710911</guid><author>qq_44681809</author><pubDate>Thu, 17 Sep 2026 15:14:51 +0800</pubDate><description><![CDATA[数据稀缺时代，MoE 不是“免费午餐”。它虽然计算高效，但在重复数据面前比 Dense 更脆弱；真正决定退化程度的是总参数规模，而 Dropout / masking 类正则化是目前最值得尝试的缓解方向。]]></description><category></category></item><item><title><![CDATA[（2026|清华，逼近-估计-计算的权衡，Router，门控与分配区域的几何对齐，稀疏 MoE 的逼近能力，共享专家）对 MoE 的统计学理解]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/165611459</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/165611459</guid><author>qq_44681809</author><pubDate>Wed, 16 Sep 2026 16:36:01 +0800</pubDate><description><![CDATA[本文把 MoE 视为局部聚合：输入依赖路由使专家组合随x变化，稀疏 Top-K 只激活少数专家以控制每输入计算；此外，将误差拆为近似、专家学习与路由估计，并表明共享专家提取公共结构，让路由专家只学残差，重塑近似-估计-计算权衡。]]></description><category></category></item><item><title><![CDATA[（2026|MirroS，可执行世界表示/EWR，Agentic Discovery Loop，EWR 为 VLM 提供物理监督）代码作为世界：用于物理推理的 EWR 的 Agent 发现]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/164472258</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/164472258</guid><author>qq_44681809</author><pubDate>Wed, 16 Sep 2026 16:35:49 +0800</pubDate><description><![CDATA[Code-as-World 的核心洞见在于：将物理世界的机制 "写" 成可执行代码，让 Agent 通过 "提出-验证-修订" 的科学发现循环，从观察中自动恢复这些机制，再用这些机制去训练和增强模型的实际推理能力。]]></description><category></category></item><item><title><![CDATA[IEEE Transactions on Industrial Informatics (TII) 投稿流程]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/163850080</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/163850080</guid><author>qq_44681809</author><pubDate>Tue, 08 Sep 2026 14:39:42 +0800</pubDate><description><![CDATA[本文系统整理向《IEEE Transactions on Industrial Informatics》（TII）投稿的完整流程与规范，涵盖前期准备、论文格式、补充材料及投稿各阶段要点，帮助作者顺利完成投稿并避免常见拒稿问题。]]></description><category></category></item><item><title><![CDATA[（2026|IPI|我的论文投稿中，PSP 超轻量采样算法，轻量化架构探索/早融合+头压缩）LUMIN：面向工业异常检测的轻量级通用制造检测网络]]></title><link>https://blog.youkuaiyun.com/qq_44681809/article/details/164370960</link><guid>https://blog.youkuaiyun.com/qq_44681809/article/details/164370960</guid><author>qq_44681809</author><pubDate>Mon, 07 Sep 2026 10:06:20 +0800</pubDate><description><![CDATA[本文聚焦工业部署中的采样效率与推理优化，提出两项核心方法：PSP，一种基于 18 维像素元数据与 5 类互补视觉插件的四阶段自适应记忆库采样流水线；以及两项工程优化策略——记忆库并行相似度计算和面向大规模评估的分层像素采样算法。]]></description><category></category></item></channel></rss>