深度分析
EPB 框架：以程式化瓶頸提升神經組合最佳化的可解釋性與效能
神經組合最佳化（NCO）在路徑規劃與排程領域已展現媲美傳統啟發式的效能，但模型黑箱特性限制了產業部署與科學診斷。本文提出首個針對 NCO 政策的可解釋框架——Evolving Programmatic Bottlenecks（EPB），透過大型語言模型自動產生、演化可執行程式庫，將每一步的行動分配視為程式化瓶頸。
TSP
深度分析
「樹狀自我對弈 (TSP)」提升大型語言模型安全程式碼生成效能
大型語言模型在程式碼生成上雖表現優異，但常會繼承訓練資料中的安全缺陷。研究提出樹狀自我對弈 (TSP) 框架，將生成視為決策樹，透過正負樣本自我對戰，精準校正關鍵節點的錯誤。實驗顯示，CodeLlama-7B 的安全通過率提升至 75.8%，且在未見 CWE 類別與跨語言情境中仍能降低漏洞比例。
深度分析
張量與序列並行（TSP）詳解：透過並行折疊降低 GPU 記憶體並提升長序列吞吐
大型轉換器模型的訓練與推論本質上是記憶體管理問題。Zyphra 提出的張量與序列並行性（TSP）把張量並行（TP）與序列並行（SP）折疊到同一個裝置網格軸上，讓每顆 GPU 同時只保有 1/D 的權重與 1/D 的序列分片，雙向降低參數記憶體與激活值記憶體占用。