提出SGLang系统，通过RadixAttention和压缩有限状态机实现大规模语言模型程序的高效执行，提升吞吐达6.4倍。

Lianmin Zheng, Liangsheng Yin, Zhiqiang Xie 等

W.A.L.T采用因果编码和窗口注意力，实现高效逼真视频生成，达SOTA性能。

Agrim Gupta, Lijun Yu, Kihyuk Sohn 等

提出Upscale-A-Video，基于潜在扩散模型实现具有时间一致性的视频超分，融合局部短序列和全局长序列机制。

Shangchen Zhou, Peiqing Yang, Jianyi Wang 等

提出LLM360框架，全面开源7B模型及训练细节，提升透明度和可复现性。

Zhengzhong Liu, Aurick Qiao, Willie Neiswanger 等

DiffVL结合视觉和语言扩展软体操控，使用可微物理求解复杂任务。

Zhiao Huang, Feng Chen, Yewen Pu 等

EQ-Bench通过对话情感强度预测评估大模型情商，相关性高达0.97。

Samuel J. Paech

Vary方法扩展视觉词汇，实现DocVQA 78.2% ANLS和MMVet 36.2%。

Haoran Wei, Lingyu Kong, Jinyue Chen 等

音视频LLM通过模态增强训练实现视频理解，在MSRVTT-QA上准确率达53.7%。

Fangxun Shu, Lei Zhang, Hao Jiang 等

ASH采用二维纹理空间参数化的可动画高斯点云，实现实时高保真人体渲染。

Haokai Pang, Heming Zhu, Adam Kortylewski 等

DiffMatte利用扩散模型多步迭代优化自然图像抠图，SAD提升8%。

Yihan Hu, Yiheng Lin, Wei Wang 等

提出Pensieve系统，通过多层GPU-CPU缓存实现多轮对话中LLM状态保持，提升吞吐量达3倍。

Lingfan Yu, Jinkun Lin, Jinyang Li

基于Transformer的HaMeR模型，从单目图像重建高精度3D手部网格，显著优于现有方法。

Georgios Pavlakos, Dandan Shan, Ilija Radosavovic 等

提出基于层级主动推理的空间-时间导航模型，结合视觉观察与路径规划。

Daria de Tinguy, Toon van de Maele, Tim Verbelen 等

Llama Guard利用LLM进行输入输出内容安全分类，基于风险分类体系，性能优越。

Hakan Inan, Kartikeya Upasani, Jianfeng Chi 等

利用大规模语言模型（如GPT-4）进行超参数优化，在预算有限时表现优于贝叶斯优化。

Michael R. Zhang, Nishkrit Desai, Juhan Bae 等

RAVE利用噪声随机洗牌，实现无需训练的高效视频编辑，保持时间一致性。

Ozgur Kara, Bariscan Kurtkaya, Hidir Yesiltepe 等

提出LLMCompiler，实现多工具并行调用，提升速度至3.7倍，成本降低6.7倍。

Sehoon Kim, Suhong Moon, Ryan Tabrizi 等

DreamVideo利用文本逆转和轻量适配器实现个性化视频生成，融合主体细节与运动模式。

Yujie Wei, Shiwei Zhang, Zhiwu Qing 等

提出Representation-Conditioned Generation（RCG）框架，通过自监督编码器生成语义表示，显著提升无条件图像生成的质量，FID降至2.15。

Tianhong Li, Dina Katabi, Kaiming He

OneLLM通过统一框架将八种模态与语言对齐，提升多模态理解能力。

Jiaming Han, Kaixiong Gong, Yiyuan Zhang 等