扩散语言模型智能体不再先解码再传话：一条隐藏消息在QASC上比四轮往返高7.0分
扩散语言模型智能体之间可以不经文字、直接传递压缩后的去噪状态。发送方把隐藏状态压成四个带符号的稠密向量，接收方保留自己的上下文与轨迹继续去噪。在QASC上，配对消息把准确率从72.6%提到80.8%，换成别题的消息则降到46.8%；而一次临近决策的传递达到87.8%，比四轮往返高7.0分。
通用序列预测的误差不再必然收敛：可计算模式上平方误差有界，分类任务收敛更快
对某些可计算模式，通用序列预测的逐位误差之和并不有界，但误差平方和随模式程序长度指数有界；若这些位由可计算分类函数固定，平方和只随程序长度多项式增长。
表格回归的目标函数被重新排了一遍：分位数损失在四个骨干上更稳，早停却卡在不同噪声区之间
在41个表格数据集上按统一协议重评回归目标后，分位数损失在MLP、TabPack、RealMLP和TabM上比调好的均方误差给出更一致的测试RMSE改善，并暴露出不同噪声区域最优停止轮次不一致的问题。
Tactile-JEPA 用触觉传感器拓扑图做掩码预训练，把力估计误差降低 6.3%、手内姿态误差降低 20.8%
该工作提出 Tactile-JEPA，一种面向分布式触觉传感器（电子皮肤）的自监督预训练方法，它在触觉单元（taxel）连通图上按局部与全局两种尺度采样掩码，预测被遮挡 taxel 的嵌入表示，在磁性与压阻两类传感器、三种数据集（Sparsh-skin、Tactile socks、DECO-50）上，相比此前最强基线把力估计 RMSE 降低 6.3%、手内姿态估计 RMSE 降低 20.8%，并在动作分类、物体分类与触觉条件策略学习上取得一致增益。
已读完全部报道