Lancaster University

对幂分布做MCMC与SMC采样在现实算力下无法收敛，其推理增益大多可由简单的Best-of-N选择复现；直接微调逼近幂分布的Power-RLOO只在基座模型已与任务对齐时才带来提升。

对幂分布做MCMC与SMC采样在现实算力下无法收敛，其推理增益大多可由简单的Best-of-N选择复现；直接微调逼近幂分布的Power-RLOO只在基座模型已与任务对齐时才带来提升。

人体动作生成不再为每套骨架单独建模：把根节点相对关节轨迹排成关节-时间图像后，图像扩散架构在HumanML3D与KIT-ML上共用同一个动作自编码器和同一个生成器，两套骨架定义都保留。

人体动作生成不再为每套骨架单独建模：把根节点相对关节轨迹排成关节-时间图像后，图像扩散架构在HumanML3D与KIT-ML上共用同一个动作自编码器和同一个生成器，两套骨架定义都保留。

空间预测的目标是给定观测后潜在空间场的条件分布，这一分布通常没有闭式解，也难以抽样。引导扩散把过程模型与数据模型拆开：先无条件地学一个过程模型的扩散模型，预测时再把可微的似然梯度加进反向扩散，因此同一个训练好的过程模型可以服务多种数据模型。在高斯过程、Ginzburg–Landau 振幅场以及英国与爱尔兰甲烷通量反演中，该方法给出的预测分布与精确解或 MCMC 接近，并在更高空间分辨率下按潜场维度线性扩展。

空间预测的目标是给定观测后潜在空间场的条件分布，这一分布通常没有闭式解，也难以抽样。引导扩散把过程模型与数据模型拆开：先无条件地学一个过程模型的扩散模型，预测时再把可微的似然梯度加进反向扩散，因此同一个训练好的过程模型可以服务多种数据模型。在高斯过程、Ginzburg–Landau 振幅场以及英国与爱尔兰甲烷通量反演中，该方法给出的预测分布与精确解或 MCMC 接近，并在更高空间分辨率下按潜场维度线性扩展。

该工作把多晶微结构表示为各向异性功率图（APD），用图神经网络参数化的流匹配学习其紧凑几何参数分布，并引入C4等变架构使输入噪声旋转对应生成微结构旋转；还提出免训练引导框架，通过用户定义的可微目标在无需重训的情况下生成铜焊缝、铸态板坯、3D打印不锈钢和异质层片钛等形态的微结构。

该工作把多晶微结构表示为各向异性功率图（APD），用图神经网络参数化的流匹配学习其紧凑几何参数分布，并引入C4等变架构使输入噪声旋转对应生成微结构旋转；还提出免训练引导框架，通过用户定义的可微目标在无需重训的情况下生成铜焊缝、铸态板坯、3D打印不锈钢和异质层片钛等形态的微结构。