What Do Your Logits Know? (The Answer May Surprise You!)
最近的工作表明，探索模型内部结构可以揭示模型生成中不明显的大量信息。这带来了无意或恶意信息泄露的风险，模型用户能够了解模型所有者认为无法访问的信息。使用视觉语言模型作为测试平台，我们首次系统地比较了不同“表征级别”保留的信息，因为它是通过两个自然瓶颈从残差流中编码的丰富信息中压缩而来的：残差的低维投影......
KV Cache Is Eating Your VRAM. Here’s How Google Fixed It With TurboQuant.
探索 TurboQuant（一种新颖的 KV 缓存量化框架）的端到端管道。本概述详细介绍了多级压缩如何通过 PolarQuant 和 QJL 残差实现近乎无损的存储，从而以最小的内存开销实现大量上下文窗口后 KV 缓存正在吞噬您的 VRAM。以下是 Google 如何使用 TurboQuant 修复该问题。首先出现在《走向数据科学》上。
Complex & Intelligent Systems, Volume 12, Issue 3, March 2026
1) 智能协作：用于机器人细胞动态重新调度的预测神经网络作者：Matthias Bues、Maurizio Faccio、Benjamin Wingert2) 基于仿射非负协作表示的模式分类作者：He-Feng Yin、Xiao-Jun Wu、Zi-Qi Li3) 新生区块链的 51% 攻击漏洞：全面综述作者：Buti Sello、Jianming Yong、陶晓辉4) 资源受限设备上的高效多语言垃圾邮件检测：Gemma 3、Qwen 3 和 Llama 3.2 模型的 QLoRA 微调比较分析作者：Hamza Rauf、Umair Khan、Aurang Zaib5) 一种基于动态辅助任务构
