“Synthetic Data Generation & Multi-Step RL for Reasoning & Tool Use” 提出步进式强化学习（SWiRL），通过合成数据和过程优化提升 AI 多步骤推理能力，强调过程优于结果。
“Retro-Search” 利用回顾性搜索优化 AI 推理路径，缩短推理长度并提升效率，验证小模型可改进大模型。
“Gaussian Mixture Flow Matching Models” 创新高斯混合流匹配，减少图像生成步骤，提高质量和色彩自然度。
“Saliency-driven Dynamic Token Pruning” 通过动态剪枝冗余 Token，显著加速大型语言模型推理，同时保持性能。
“Gating is Weighting” 揭示门控线性注意力通过加权机制增强上下文学习能力，为高效序列模型设计提供理论支持。

完整推介：https://mp.weixin.qq.com/s/uTow9GaMmHThHyR1ePb3ZQ