训练与推理效率

Wave Forcing 联合设计因果波前生成、三阶段训练和 Wave Runtime，在流水线填充后每个并发前向轮次流式输出一个 chunk，同时保留所有去噪更新。

Order-Only On-Policy Distillation 训练学生匹配教师在学生生成前缀上对 top-K token 的排序，避免使用教师概率值和温度调参。

FLAMIA 是一族 Blackwell attention kernel，提供 MXFP8 与混合 NVFP4/FP8 训练路径，使用 token-block 缩放、因果泄漏防护、前向-反向数值一致性，以及 packed 文档的 GPU 侧调度；在合并的前向与反向 attention 调用上，于 B200 取得 1.10–1.40×、于 B300 取得 1.06–1.42× 加速。

DecisionRank 通过将离线 RankNet 监督与来自生成式教师的 item-space on-policy 蒸馏相结合，训练单遍决策重排器；该教师对候选条目提供条件反馈。

论文给出了有保留的肯定回答：将轻量级 System-1 预测器与高成本 System-2 执行器协同设计，可在交互成本高、信息价值不均且可在执行前预测的场景中，把执行计算量降至接近 1/ρ_u。

OSWAM 从视频 DiT 中学习紧凑的想象 token，作为结构化起始点，用于一步动作 DiT 去噪，在 1 个动作去噪步骤下取得有竞争力的规划与操作结果，且延迟显著低于多步 world action models。

GLOW-FM 是一个一步式潜空间流匹配框架，用于低光图像增强；它在冻结的 Tiny-VAE 潜空间中使用终端速度匹配（TVM），且只需一次函数评估。

IDM 保留完整的内部 DMD 校正，并在生成器 EMA 特征上加入特征矩损失，从而提升 Z-Image-Turbo 和 Qwen-Image 的 2-NFE LongText 分数。

LOWN 使用廉价的 TEXT-ONLY 前向来认证最新的图像条件预测，仅当认证前缀过短时才运行图像条件 FULL 前向，在 35.3% 的解码 FLOPs 下保留 LLaDA-V 99.6% 的分数。

SpecSlot 将固定 token 预算拆分为空间锚点和频谱槽，并仅让每个锚点中径向频率最低的槽通过全局块，从而将输出细节与全局注意力解耦。

CoSTA 通过用 BPE 压缩的语音单元扩展生成词表、适配模型，并在未改动的解码器前将生成单元确定性展开，从而解耦 SDM 的生成与合成 token 空间，实现约 1.7× 的语音 token 生成加速。

Glance 为单个常驻的 9B 生成器骨干配备轻量级决策适配器和指针头，以便从一次共享预填充中对候选段落重排，然后用同一骨干生成答案。

Soft-MTP 通过从现有 cross-entropy 计算中精确恢复 KL self-distillation 梯度，从标准 multi-token prediction 梯度中去除带噪声的 residual，在不增加成本的情况下提升 NTP、speculative decoding 和 zero-shot accuracy。

TAO 联合评估工具返回就绪性、时间衰减的 KV-cache 信用和 token 占用，然后使用动态规划在 GPU 节点上选择并放置等待中的 agent 会话。

一种两阶段范式：在语义 token 上进行自回归预训练以获取视觉知识，再用冻结骨干的像素扩散阶段渲染图像，得到一个 3B 文本到图像模型，训练约 6,600 H100 GPU 小时，在 GenEval 上得分 0.86，在 DPG-Bench 上得分 87.78。