AI前沿：数据多样性选择、扩散性和知识蒸馏

本期播客精华汇总：本期TAI快报，我们聚焦AI效率提升的最新研究进展，探讨了大型语言模型“瘦身大法”。 [CL] Diversity-driven Data Selection for Language Model Tuning through Sparse Autoencoder:  通过稀疏自编码器 (SAE) 驱动的数据多样性选择，提升指令微调数据质量，实验证明SAE-GreedSelect和SAE-SimScale算法能有效提升模型性能。 [CV] Improving the Diffusability of Autoencoders:  揭示自编码器“扩散性”对潜在扩散模型的重要性，提出尺度等变正则化方法，有效抑制潜在空间高频成分，显著提升图像和视频生成质量。 [CV] Designing Parameter and Compute Efficient Diffusion Transformers using Distillation:  探索知识蒸馏技术在扩散Transformer模型压缩中的应用，系统研究模型设计空间，为设计参数/计算高效的扩散模型提供指导原则。 [CL] LServe: Efficient Long-sequence LLM Serving with Unified Sparse Attention:  提出LServe系统，通过统一的块稀疏注意力机制，结合静态和动态稀疏性，加速长序列大型语言模型的预填充和解码过程，显著提升服务效率。 [CL] RocketKV: Accelerating Long-Context LLM Inference via Two-Stage KV Cache Compression:  提出RocketKV两阶段KV缓存压缩方法，结合SnapKV++永久性淘汰和混合注意力动态选择，有效降低长上下文LLM推理的内存占用和延迟，实现端到端加速。完整推介：https://mp.weixin.qq.com/s/JeP883IcyIMFpTByBwWLmA在小宇宙查看该单集文稿