AI Papers Daily

#parameter efficiency

3 篇

AsySplat: Efficient Asymmetric 3D Gaussian Splatting for Long-Sequence Scene Modeling

非对称3D高斯泼溅实现高效长序列场景建模

🧭 非对称架构 · 高效3D重建

HKUST · Huawei Noah’s Ark Lab · CityU

解耦几何与外观建模的非对称架构，大幅降低长序列新视角合成中冗余计算

📌 工作参考价值（2 点）

• 属于计算机视觉与图形学领域，核心创新是 3D 重建效率优化，与电商/搜索推荐/AI Agent 业务场景无关。
• 业务中若涉及 3D 商品展示、虚拟试穿试戴等，其非对称设计思想（关键任务高精度、次要任务轻量化）可借鉴到模型资源分配中，但整体迁移价值有限。

Other | 2026-07-12 | HF Daily | score 6/10

3D Gaussian Splattingnovel view synthesisasymmetric architectureparameter efficiencylong-sequenceneural rendering

Spectral Rewiring for Exploration, Purification, and Model Merging

频谱重连：探索、净化与模型合并

🧭 LLM 后训练参数频谱提炼与合并

Tsinghua AIR · ByteDance Seed

仅保留0.58%参数的频谱核心，维持RL微调推理能力并增强探索与多域融合

📌 工作参考价值（4 点）

• 在 RL 微调后，提取参数更新中的低维频谱核心，去除正交噪声，可作为轻量级后处理提升推理探索与测试时扩展（如高 k 采样），适用于推荐 Agent 策略微调。
• 方法仅需极少参数（<1%）保存推理核心，有助于多领域推荐模型的知识合并与解耦，避免跨域灾难性遗忘。
• 无训练合并技巧可集成到多专家推荐系统，融合不同业务场景微调的模型，提升跨域泛化。
• 参数几何的频谱分析方法可迁移至推荐模型参数更新分析，诊断微调对模型泛化能力的影响。

Training | 2026-07-02 | HF Daily | score 7/10

spectral analysisreinforcement learningpost-trainingmodel mergingparameter efficiencyreasoning

MultiHashFormer: Hash-based Generative Language Models

MultiHashFormer：基于哈希的生成式语言模型

🧭 基于哈希的生成式语言模型

School of Computer Science, University of Sheffield

用多哈希函数生成唯一 token 签名，实现哈希自回归生成，在保持低参数量的同时超越标准 Transformer

📌 工作参考价值（4 点）

• 商品 / 搜索词嵌入压缩：在推荐或搜索系统中，物品 ID 或 query 的词汇表极大，可以利用多哈希签名代替全量 embedding 矩阵，大幅降低参数量与内存。
• 生成式推荐中的物品解码：对于 GenRec 场景，可将物品编码为哈希签名，由解码器自回归生成签名序列，再映射回具体物品，实现无固定词表的生成式推荐。
• 动态词表扩展：新商品、新搜索词随时上线时，无需重新训练或增加参数即可通过哈希映射加入，适合电商环境下频繁变动的 item 库。
• 多语言 / 多模态统一表示：若业务涉及多语言商品描述或多模态实体，可用相同哈希框架统一编码，避免为每种语言或模态单独维护 embedding 表。

LLM | 2026-06-26 | cs.CL | score 6/10

hash-based LMparameter efficiencyvocabulary bottleneckautoregressive generationembedding compressionmultilingual expansion