Corner Gradient Descent 通过复平面轮廓的几何设计，突破传统梯度下降的收敛速度瓶颈，理论和实验证明其在信号主导场景下显著加速 AI 训练，为优化算法开辟了新视角。
VEXP: A Low-Cost RISC - V ISA Extension for Accelerated Softmax Computation in Transformers 提出低成本硬件加速方案，优化 Transformer 模型的 Softmax 运算，推理速度提升近 6 倍，能耗降低 3.6 倍，展现软硬件协同的潜力。
Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling 融合流匹配和能量基模型，显著提升图像生成质量（FID 降至 3.97），并支持逆问题和数据分析，为生成模型带来新方向。
An Empirically Grounded Identifiability Theory Will Accelerate Self-Supervised Learning Research 倡导奇异可辨识性理论，弥合自监督学习理论与实践的鸿沟，为算法设计和评估提供新指引。
Towards A Universal Graph Structural Encoder 提出跨领域图结构编码器 GFSE，通过多任务预训练提升图模型性能，适用于社交网络、分子分析等场景，展现图学习的通用化潜力。

完整推介：https://mp.weixin.qq.com/s/soknJue3pOmWpfD7G0PNSQ