模块化超大阵列波束训练不再全码本扫描：先按视差铺候选，再用统计反馈剪掉纯噪声扇区
模块化超大天线阵列在近场与远场并存的混合场环境中做波束训练，候选码本不再固定不变。此前子阵方案依赖预定义码本或激活图样，难以适应空间非平稳信道；这里先用视差感知的初始码本覆盖各子阵的角度偏移，再用多臂老虎机在线学习，并在统计稳态后跨子阵投影、用似然比检验剔除纯噪声扇区，从而压缩动作空间。仿真中该方案在评估的整个信噪比范围内有效频谱效率高于三种对比方案，训练开销也明显降低。
云游戏不再整帧同码率：按兴趣给关键物体留清晰度，5G下QoE至少高两成
云游戏传输把码率决策从整块视频下放到单个游戏物体：先用现成语义分割模型把每帧拆成物体，再由深度强化学习智能体结合玩家在游戏内的移动速度、物体语义与运动特征以及当前网络状况，判断哪些物体是玩家真正关注的，并给它们分配更高分辨率、给其余物体降分辨率以省带宽。在5G、4G和WiFi三种无线场景的仿真中，该方案在自建QoE指标上优于现有ABR算法，5G场景下归一化平均QoE至少高出20%；34人主观评测中平均意见分为4.16，高于Pensieve的2.49、T-Gaming的3.74和MetaABR的2.86。
PrismQuant 把激活主能量旋进分组量化的零空间，在 Llama-3.1-70B 上以 W4A4KV4 达到 3.85 困惑度、仅比全精度低 0.22 个百分点
该工作提出 PrismQuant：把旋转设计与分组非对称 INT4 量化器自身的“组内常数子空间”对齐，将旋转设计写成 Ky Fan 迹最大化并给出闭式最优解，用紧凑 Householder（compact-WY）实现、无需梯度训练，在 Llama、Qwen、Mistral 上（含 70B 稠密模型与 30B 混合专家模型）做 W4A4KV4 实验，Llama-3.2-3B 上在困惑度与准确率上优于所比较方法，Llama-3.1-70B 上取得 3.85 困惑度与 72.46% 平均零样本准确率（比全精度低 0.22 个百分点），并在 Llama-3.1-8B 部署研究中相对匹配 FP16 基线取得预填充与 CUDA Graph 解码加速、解码峰值内存
把“教师自身漂移”从蒸馏信号里剥离：Cal-OPD 的校准式在线蒸馏
该工作指出在线蒸馏（OPD）所用的教师—学生逐词差异中混入了教师自身的上下文诱导漂移（Teacher Self-Deviation, TSD），并提出 Cal-OPD：用正负特权干预估计教师的自我漂移区间，只保留超出该区间的残差作为优化信号，在数学推理基准上仅保留约 52–65% 的原始差异却稳定优于标准 OPD 及其多种变体。
已读完全部报道