Zero-shot Reconstruction of In-Scene Object Manipulation from Video
从视频中进行零样本场景物体操作重建
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种基于数据驱动模型的零样本方法，用于从视频中重建场景中的物体操作，通过两阶段优化实现手-物体运动的准确重建。
高校专区
University of Pennsylvania（宾夕法尼亚大学）
MapTrace: Scalable Data Generation for Route Tracing on Maps
MapTrace: 用于地图路线追踪的可扩展数据生成
机构 * Google XR（谷歌XR） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 MapTrace通过合成数据生成提升地图路线追踪性能，微调模型使成功率提升6.4个百分点，减少路径追踪误差。
Tool-Augmented Hybrid Ensemble Reasoning with Distillation for Bilingual Mathematical Problem Solving
工具增强的混合集成推理与蒸馏用于双语数学问题求解
机构 * Boston University（波士顿大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Northwestern University（西北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 HERALD通过结合自适应学习、工具强化学习和知识蒸馏，提升双语数学问题求解的准确性和稳定性。
Secret mixtures of experts inside your LLM
LLM中隐藏的专家混合物
机构 * Wharton School of Statistics and Data Science at the University of Pennsylvania（宾夕法尼亚大学沃顿统计与数据科学学院）
AI总结 本文提出LLM中MLP层可能通过稀疏计算近似MoE结构，并通过实验验证激活分布对结果的影响，揭示了MLP和MoE的有效性原理。
Comments 8 pages in main text; 23 pages total
Towards Guided Descent: Optimization Algorithms for Training Neural Networks At Scale
迈向引导下降：大规模训练神经网络的优化算法
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文探讨了大规模神经网络训练中优化算法的改进，通过分析传统方法的局限性，提出基于曲率信息的先进技术，以提升训练效率和可解释性。
Comments Master's Thesis at the University of Pennsylvania
In Good GRACEs: Principled Teacher Selection for Knowledge Distillation
在良好的GRACE中：为知识蒸馏选择原则性教师
机构 * Princeton Language and Intelligence（普林斯顿语言与智能研究所） ； Kempner Institute, Harvard（哈佛凯普纳研究所） ； Microsoft Research, New York（微软研究院（纽约）） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 GRACE通过量化教师有效性，为知识蒸馏提供原则性教师选择和蒸馏指导，提升学生模型性能。
