Meta

Context-weighted Discrete Flow Matching

上下文加权离散流匹配

Daniil Cherniavskii, Daniel Severo, Karen Ullrich

机构 * University of Amsterdam（阿姆斯特丹大学） ； Meta FAIR 纠错

AI总结 研究离散生成建模，提出对连续时间马尔可夫链的简单修改，通过上下文加权采样器和缩放交叉熵损失函数，纳入局部上下文信息，提高生成质量与训练效率，在质量上与强基线匹配且能任意顺序生成。

Comments Under review at NeurIPS 2026

Ms. Forcing: Efficient Streaming Video Generation with Multi-Scale Patchification and Attention

Ms. Forcing：通过多尺度分块和注意力实现高效流视频生成

Zekun Li, Xiaoyan Cong, Hongyu Li, Zhiyang Dou, Chuan Guo, Abhay Mittal, Sizhe An, Srinath Sridhar

机构 * Brown University（布朗大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Meta 纠错

AI总结 研究针对流视频生成中传统方法的不足，提出Ms. Forcing范式，通过多尺度分块和注意力调整空间粒度，引入均匀噪声水平DMD减少不匹配，该方法提升了效率，在单个H200 GPU上性能显著优于Rolling Forcing。

Probabilistic Residual Learning for Online Recommendations

用于在线推荐的概率残差学习

Wenyuan Wang, Yusong Zhao, Zihao Xu, Hengyi Wang, Qi Xu, Zhigang Hua, Yan Xie, Yi Wang, Zihao Zhao, Bo Long, Chengzhi Mao, Shuang Yang, Hengguan Huang, Hao Wang

机构 * Rutgers University Piscataway New Jersey United States（Meta） ； Meta Sunnyvale California United States ； University of Copenhagen Copenhagen Denmark ； Rutgers University \& UIUC Piscataway New Jersey United States ； Rutgers University ； Meta ； University of Copenhagen ； Rutgers University \& UIUC 纠错

AI总结 针对现代推荐系统存在的问题，提出概率残差学习（PRL）方法，通过对真实值与基础预测间残差建模，概率性分组用户、建模混杂因素并聚合残差预测，与多种深度学习推荐系统兼容，能提升性能并发现有意义用户聚类。

Comments Accepted at the 20th ACM Conference on Recommender Systems (RecSys 2026)

Cambrian-P: Pose-Grounded Video Understanding

Cambrian-P: 基于姿态的视频理解

Jihan Yang, Zifan Zhao, Xichen Pan, Shusheng Yang, Junyi Zhang, Bingyi Kang, Hu Xu, Shang-Wen Li, Saining Xie

机构 * New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； Meta FAIR 纠错

AI总结 该研究提出Cambrian-P，一种增强的视频多模态大语言模型，通过引入可学习的相机令牌和姿态回归头，利用姿态作为轻量级监督信号，显著提升了空间推理能力，并在多个视频问答基准上实现了SOTA表现。

Comments Project Page: https://cambrian-mllm.github.io/

Weight Pruning Amplifies Bias: A Multi-Method Study of Compressed LLMs for Edge AI

权重剪枝放大了偏见：压缩LLM用于边缘AI的多方法研究

Plawan Kumar Rath, Rahul Maliakkal

机构 * Meta 纠错

AI总结 研究探讨了三种指令微调模型在不同剪枝方法下的公平性影响，发现激活感知剪枝虽保持低困惑度但放大偏见，而随机剪枝破坏语言能力但产生随机偏见，揭示剪枝对对齐风险高于量化。

Comments 8 pages, 7 figures, 8 tables. Accepted at the 7th Annual World AIIoT Congress (AIIoT 2026). This is the author's accepted version; the version of record will appear in IEEE Xplore

LSRM: High-Fidelity Object-Centric Reconstruction via Scaled Context Windows

LSRM：通过扩展上下文窗口实现高保真对象中心重建

Zhengqin Li, Cheng Zhang, Jakob Engel, Zhao Dong

机构 * Meta Reality Labs Research（Meta现实实验室） 纠错

AI总结 LSRM通过扩展上下文窗口提升3D重建精度，采用高效粗到细流程和3D感知空间路由机制，实现高质量纹理和外观恢复，优于现有最先进方法。