Adobe

Complete-muE: Optimal Hyperparameter Transfer and Scaling for MoE Models

Complete-muE：MoE模型的最优超参数迁移与缩放

Hongwu Peng, Ohiremen Dibua, Yuanjun Xiong, Yifan Gong, Jianming Zhang, Yan Kang

机构 * Adobe Research（Adobe研究院） 纠错

AI总结 提出Complete-muE框架，通过双桥系统实现稠密FFN与混合专家（MoE）架构间的超参数迁移，支持MoE模型在激活专家数、总容量、粒度等方面的缩放，并验证了“一次调优稠密模型，迁移至所有MoE配置”的实用策略。

Comments 27 pages

EM-Vid: Training-Free Entity-Centric Memory for Efficient and Consistent Multi-Shot Video Generation

EM-Vid：无需训练的以实体为中心的记忆，用于高效且一致的多镜头视频生成

Jente Vandersanden, Matheus Gadelha, Chun-Hao P. Huang, Hyeonho Jeong, Yulia Gryaditskaya

机构 * Max Planck Institute for Informatics（马克斯·普朗克研究所） ； Adobe Research（Adobe研究） 纠错

AI总结 提出一种以实体为中心的潜在补丁记忆机制，通过稀疏令牌条件化和预算更新策略，实现多镜头视频生成中实体外观一致性与计算效率的平衡。

GT-SVJ: Generative-Transformer-Based Self-Supervised Video Judge For Efficient Video Reward Modeling

GT-SVJ: 基于生成式Transformer的自监督视频评判器用于高效视频奖励建模

Shivanshu Shekhar, Uttaran Bhattacharya, Raghavendra Addanki, Mehrab Tanjim, Somdeb Sarkhel, Tong Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Inc.（Adobe公司） 纠错

AI总结 提出GT-SVJ，通过将视频生成模型重新用作能量模型，并利用对比目标训练，实现高效、时间感知的视频质量评估，在少量标注下达到SOTA。