📚 Weekly Papers

将长上下文压缩为二维“光学映射”，以轻激活编码器与小型解码器实现高压缩比OCR：<10×压缩达97%精度，20×仍约60%；在OmniDocBench上以显著更少视觉token超越主流系统，并具大规模数据生成能力。

提出CAD将核心注意力计算拆分并分派到专用设备池，通过“任务化”重排与ping-pong流水并行，降低长上下文训练中的负载不均与显存压力；在512K上下文与大规模GPU上实现最高1.35×端到端加速并消除DP/PP瓶颈。

建立测试时扩展的统一理论框架，分解推理误差为估计误差与模型误差；证明自一致仅线性收敛而困于采样预算，perplexity具指数收敛但模型误差大，并提出RPC将二者优点结合，性能与采样成本取得更优权衡。

受人类记忆模型启发，构建轻量三阶段记忆系统：感知压缩→主题化短期整合→离线长期巩固；在LongMemEval上较强基线提升准确率并将token、API调用与时延分别降至百倍级，兼顾效果与成本。

基于memory layer提出稀疏记忆微调，仅更新最常用的少量记忆槽以减少干扰；在事实与文档流式学习中，实现与全量微调相当的学习效果，却显著降低遗忘（如NQ仅11%降幅），优于LoRA与全量微调。

提出通用研究情报管线RDR：系统抓取与解析海量论文，识别新兴趋势与跨域机会，并提供可执行的起点；在AI与机器人领域做端到端示范，主文阐述框架，附录给出大规模主题化结果与可复现资源。