ICLR

Shift-and-Sum Quantization for Visual Autoregressive Models

Shift-and-Sum 量化用于视觉自回归模型

Jaehyeon Moon, Bumsub Ham

机构 * Yonsei University（延世大学） ； Articron 纠错

AI总结 提出针对视觉自回归模型的训练后量化框架，通过移位求和量化减少注意力值乘积误差，并采用重采样策略校准数据，在图像生成等任务上达到新最优。

Comments ICLR 2026

Topological Flow Matching

拓扑流匹配

Kacper Wyrwal, İsmail İlkan Ceylan, Alexander Tong

机构 * University of Oxford（牛津大学） ； TU Wien（维也纳技术大学） ； AITHYRA 纠错

AI总结 提出拓扑流匹配，通过拉普拉斯漂移增强参考过程，在保留流匹配稳定性和无模拟目标的同时，捕捉底层域拓扑结构，适用于脑fMRI、洋流等结构化数据。

Comments Accepted at ICLR 2026. 26 pages, 24 figures. Code: https://github.com/KacperWyrwal/topological-flow-matching

FastMix: Fast Data Mixture Optimization via Gradient Descent

FastMix: 通过梯度下降实现快速数据混合优化

Haoru Tan, Sitong Wu, Yanfeng Chen, Jun Xia, Ruobing Xie, Bin Xia, Xingwu Sun, Xiaojuan Qi

机构 * University of Hong Kong（香港大学） ； Tencent（腾讯） ； Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 提出FastMix框架，将数据混合选择重新表述为双层优化问题，通过联合优化混合系数和模型参数，实现高效、可扩展的数据混合发现，在预训练和后训练中均优于基线方法且大幅降低搜索成本。

Journal ref ICLR-2026