Stanford University（斯坦福大学）

Prefix Sliding for efficient test-time scaling

用于高效测试时缩放的前缀滑动

Niklas Muennighoff, Zhengyang Wang, Zeyi Chen, Weijia Shi, Binyuan Hui, John Yang, Dapeng Jiang, Mika Senghaas, Fares Obeid, Johannes Hagemann, Sami Jaghouar, Ludwig Schmidt, Percy Liang, Jason Wei, Andrew Y. Ng, Luke Zettlemoyer, Yejin Choi, Mike Lewis

机构 * Stanford University（斯坦福大学） ； University of California at Santa Barbara（加州大学圣巴巴拉分校） ； Prime Intellect ； University of Washington（华盛顿大学） 纠错

AI总结 针对测试时推理内存成本过高问题，提出Prefix Sliding方法，通过丢弃非关键标记限制内存，无需训练可提速3倍，结合强化学习训练后性能更优且优于其他基线

Comments 28 pages (9 main), 22 figures, 3 tables

Visual General Intelligence: A White Paper

视觉通用智能：白皮书

Hirokatsu Kataoka, Yoshihiro Fukuhara, Yonglong Tian, Shangzhe Wu, Oishi Deb, Ryousuke Yamada, Christian Rupprecht, Jianyuan Wang, Kohsuke Ide, Koichi Namekata, Xianzheng Ma, Yiming Chen, Robert Geirhos, Aditi Raghunathan, Yuki M. Asano, Deva Ramanan, David Fouhey, Andrew J. Davison, Yilun Du, Jiajun Wu, Zhuang Liu

机构 * National Institute of Advanced Industrial Science and Technology (AIST)（日本国立先进工业科学技术研究所（AIST）） ； Visual Geometry Group (VGG), University of Oxford（牛津大学视觉几何组（VGG）） ； CADDi（CADDi公司） ； OpenAI（OpenAI公司） ； University of Cambridge（剑桥大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Tsukuba（筑波大学） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Imperial College London（伦敦帝国学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文以视觉为中心探讨通用人工智能（AGI）路径，提出视觉通用智能（VGI）概念，明确AGI时代计算机视觉的发展原则、模态、基准等关键方向。

Can your AI agent be cheaper? Investigating the effects of task specifications on token spend in agentic coding tasks

你的AI智能体能更便宜吗？探究智能体编码任务中任务规格对token消耗的影响

Jakub Smékal

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文以Kimi K3模型为对象，探究智能体编码任务中任务规格对token消耗的影响，发现简化任务规格会提升token消耗，拟合的预测器可较优地预测token消耗，为评估AI编码工作流成本提供方法。

Trust the Mass: Forced Weights in KV-Cache Eviction

信任海量：KV缓存驱逐中的强制权重

Jack Shi, Jerry Gu

机构 * Stanford University（斯坦福大学） 纠错

AI总结 该研究针对KV缓存驱逐规则，通过分析168192个注意力行的最优子集情况，提出无需训练的分配器ContourKV，其在配对比较中表现优于多数现有技术，且与最强基线持平。

FLARE: Verifying MILP Reformulations with LLM-Based Theorem Proving

FLARE：基于大语言模型定理证明的MILP重构验证方法

Henry Robbins, Connor Lawless, Madeleine Udell, Ellen Vitercik

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出FLARE方法，结合LLM智能体与Lean证明助手验证MILP重构，在FormulationBench的NP-难子集达100%准确率，还提出无需证书的FLARE-NL，为自动化优化建模提供可靠验证。