#ImageNet

一篇挺硬核的表示学习论文：作者把 tokenizer 和生成模型放一起算 flop 效率，结果比 DINO 和 LeJEPA 更抗塌缩，还给出了 scaling 规律。

有人把交叉熵重新解读成策略梯度，然后推出一行代码就能替换的 horizon loss，在 ResNet-50 和 ViT-S/16 上实测涨点，做分类训练的可以试试。

新方法DMAD通过对抗蒸馏实现快速视觉生成，在多个基准上超越现有方法，代码已开源。

清华团队提出NEPA方法，用预测嵌入替代传统固定条件，在相同计算资源下生成质量更高。

AMD花551亿请来"AI教母"李飞飞，她的3D世界模型能让AI重建场景，对机器人训练和芯片设计都有大用。

单步生成图像的论文，用高斯混合做分布匹配，把 FLUX.2 4B 改成一步出图还比原来四步更好，搞生成的可以看看方法细节。

李飞飞的World Labs经营后，用“虎妈”式管理带团队，高标准和普通管理不一样，推荐看看。

LP-NAS用线性规划算更新方向，CIFAR-10/ImageNet上优于DARTS及其变体。

这篇论文用同一个惊喜信号同时解决了持续学习的灾难性遗忘和VLM的元认知问题，效果很漂亮，值得做记忆或VLM的朋友看看。

这篇论文讲了一个反直觉的现象：给攻击加随机缩放，对标准模型有用，对鲁棒模型反而有害。还给出了简单补救方法，搞对抗攻击的可以看看。

这篇论文提出了更紧的深度学习泛化误差上界，在ImageNet上比现有方法更准，值得一看。

做生成模型长尾覆盖或罕见样本生成的团队，无需额外训练就能提升模型对低密度区域的探索能力，建议直接参考其采样策略。