ICLR

VARestorer: One-Step VAR Distillation for Real-World Image Super-Resolution

VARestorer: 一种一步式VAR蒸馏用于现实世界图像超分辨率

Yixuan Zhu, Shilin Ma, Haolin Wang, Ao Li, Yanzhe Jing, Yansong Tang, Lei Chen, Jiwen Lu, Jie Zhou

机构 * Tsinghua University（清华大学） 纠错

AI总结 本文提出VARestorer，通过蒸馏预训练的文本到图像VAR模型，实现一步式图像超分辨率，解决迭代预测中的误差累积问题，提升效率与质量。

Comments Accepted in ICLR 2026. Code is available at https://github.com/EternalEvan/VARestorer

Key and Value Weights Are Probably All You Need: On the Necessity of the Query, Key, Value weight Triplet in Self-Attention Transformers

查询、键、值权重可能已经足够：关于自注意力变换器中查询、键、值权重三元组必要性的探讨

Marko Karbevski, Antonij Mijoski

机构 * Institut de Recherche Mathématique Avancée (IRMA), Université de Strasbourg（先进数学研究院（IRMA），斯特拉斯堡大学） 纠错

AI总结 本文探讨了在仅编码器和仅解码器变换器中是否可以减少查询、键、值权重三元组。理论证明在弱假设下，其中一个权重可被身份矩阵替代，减少25%的注意力参数。实验表明，移除查询权重可提升性能，同时揭示了结构表达性边界。

Comments Detailed version of the long paper (poster) accepted at the ICLR 2026 workshop on Deep Generative Models: Theory, Principle, and Efficacy (DeLTa)

Not-a-Bandit: Provably No-Regret Drafter Selection in Speculative Decoding for LLMs

非老虎机：在推测解码中具有证明无遗憾的草案模型选择

Hongyi Liu, Jiaji Huang, Zhen Jia, Youngsuk Park, Yu-Xiang Wang

机构 * Rice University（里士大学） ； Amazon Web Services（亚马逊网络服务） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出一种在推测解码中能证明无遗憾的草案模型选择算法，通过评估所有草案模型而非仅选定模型，显著提升性能，适用于多种解码方法，并在多个领域优于现有方法。

Comments ICLR'26

Accelerating Vision Transformers with Adaptive Patch Sizes

通过自适应补丁大小加速视觉变换器

Rohan Choudhury, JungEun Kim, Jinhyung Park, Eunho Yang, László A. Jeni, Kris M. Kitani

机构 * Carnegie Mellon University（卡内基梅隆大学） ； KAIST（韩国科学技术院） ； General Robotics（通用机器人） 纠错

AI总结 本文提出自适应补丁变换器APT，通过在图像内使用不同大小的补丁来减少输入token数量，从而加速ViT的推理和训练，提升吞吐量并保持性能。

Comments Accepted to ICLR 2026. Project page at https://rccchoudhury.github.io/apt/

Strategic Scaling of Test-Time Compute: A Bandit Learning Approach

测试时计算的战略扩展：一种多臂学习方法

Bowen Zuo, Yinglun Zhu

机构 * University of California, Riverside（加州大学河滨分校） 纠错

AI总结 本文提出一种多臂学习方法，通过动态分配计算资源提升大语言模型性能，针对不同查询难度优化计算分配，实验表明在多个基准数据集上显著提升性能。

Comments To appear at ICLR 2026