University of California, San Diego（加州大学圣迭戈分校）

End-to-End Test-Time Training for Long Context

端到端的测试时间训练用于长上下文

Arnuv Tandon, Karan Dalal, Xinhao Li, Daniel Koceja, Marcel Rød, Sam Buchanan, Xiaolong Wang, Jure Leskovec, Sanmi Koyejo, Tatsunori Hashimoto, Carlos Guestrin, Jed McCaleb, Yejin Choi, Yu Sun

机构 * NVIDIA（NVIDIA公司） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； UC San Diego（圣地亚哥大学） 纠错

AI总结 本文提出了一种端到端的测试时间训练方法，通过在测试时进行token预测和训练时的元学习，实现长上下文处理，具有与完整注意力相同的扩展性但更高效的推理速度。

Comments Code: https://github.com/test-time-training/e2e

Improving Few-Shot Change Detection Visual Question Answering via Decision-Ambiguity-guided Reinforcement Fine-Tuning

通过决策模糊性引导的强化微调提升少样本变化检测视觉问答

Fuyu Dong, Ke Li, Di Wang, Nan Luo, Yiming Zhang, Kaiyu Li, Jianfei Yang, Quan Wang

机构 * School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） ； Department of Mathematics, University of California, San Diego（加州大学圣地亚哥分校数学系） ； School of Software Engineering, Xi'an Jiaotong University（西安交通大学软件工程学院） 纠错

AI总结 DARFT通过决策模糊性引导的强化微调提升CDVQA的判别性和鲁棒性，尤其在少样本场景中表现优异。

Passage-traversing optimal path planning with sampling-based algorithms

基于采样算法的路径穿越最优规划

Jing Huang, Hao Su, Kwok Wai Samuel Au

机构 * Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong, Hong Kong, China（香港中文大学机械与自动化工程系） ； Multi-Scale Medical Robotics Center, Hong Kong, China（香港医学机器人多尺度中心） ； Department of Computer Science and Engineering, University of California, San Diego, CA, USA（加州大学圣地亚哥分校计算机科学与工程系） ； Hillbot Inc., USA（Hillbot公司） 纠错

AI总结 本文提出了一种基于采样算法的路径穿越最优规划方法，通过通道检测和自由空间分解提升路径规划的效率和优化能力。

Comments 27 pages, 20 figures, 4 tables, journal paper

Yggdrasil: Bridging Dynamic Speculation and Static Runtime for Latency-Optimal Tree-Based LLM Decoding

Yggdrasil：连接动态推测与静态运行时以实现延迟最优的树基LLM解码

Yue Guan, Changming Yu, Shihan Fang, Weiming Hu, Zaifeng Pan, Zheng Wang, Zihan Liu, Yangjie Zhou, Yufei Ding, Minyi Guo, Jingwen Leng

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Qizhi Institute（上海启智研究院） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 Yggdrasil通过上下文感知的树起草和编译友好的执行，实现延迟最优的树基LLM解码，支持未经修改的LLM并在多种硬件上实现3.98倍速度提升。

Comments Accepted by NeurIPS 2025