Transformer引导的群智能节俭神经架构搜索
评分
77提出了一种新颖的混合NAS范式，有效降低了计算成本，信息增量较高。
方法描述清晰，实验设计合理，结果详实且代码开源，质量高。
能够大幅降低NAS门槛，使普通硬件用户也能设计高效模型，实用价值显著。
当前NAS轻量化研究热度高，论文发布时间新，时效性强。
来自arXiv预印本，但作者所属机构及实验细节透明，代码公开，可信度高。
基础分 85.5 × T2 信源权重 ×0.9 = 77
精选线 70已入选精选
精选理由
方法创新性强，实验充分，在效率和效果上均取得显著进步，但仅针对CIFAR-10和单一表格任务，泛化性有待验证。
AI 点评
「这篇论文真正打动我的是它把NAS从‘算力军备竞赛’拉回到了‘智力竞赛’。使用消费级显卡3小时就能得到一个比ResNet-20更小的模型，准确率还不差——这对小团队和边缘计算开发者简直是福音。动态熵机制的引入也很巧妙，解决了强化学习搜索中常见的早熟问题。虽然目前只在CIFAR-10和欺诈检测上测试，但思路极具扩展性，强烈推荐给所有做模型压缩或端侧AI的朋友。」
速览
神经架构搜索（NAS）传统上需要数千GPU天的巨大算力。本研究提出一种节俭式NAS框架，将自回归Transformer控制器（通过强化学习训练）的全局宏观搜索与人工蜂群（ABC）算法的局部微观利用相结合，并在RL阶段引入动态熵机制防止早熟收敛。在消费级RTX 3060 GPU上，该方法仅用3小时就在CIFAR-10上发现仅17.4万参数、准确率84.85%的架构，显著小于ResNet-20；在信用卡欺诈检测任务上，以4600参数网络达到F1=0.71，证明了其在边缘部署中的高效性。
- 混合方法：Transformer的全局搜索 + ABC算法的局部微调，结合动态熵机制避免早熟收敛。
- 高效率：在消费级GPU上3小时完成搜索，CIFAR-10架构仅17.4万参数，优于基线。
- 跨领域验证：在图像分类和信用卡欺诈检测（不平衡表格数据）上均取得良好效果，支持边缘部署。
- 参数惩罚：通过算法惩罚网络深度，主动抑制模型臃肿。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
85
精选Setoka：面向异构数据个性化Agent的层级用户理解基准
这篇论文非常值得关注，尤其对于从事个性化Agent、对话系统和记忆增强AI的研究者和工程师。它不仅仅是一个基准，而是从心理学出发定义了用户理解的层级，揭示了现有系统在高层理解上的系统性失败。如果你在设计基于记忆的Agent，这篇文章会提醒你记忆系统需要支持跨时间、跨来源的抽象推理，而不仅仅是检索。
85
精选BAND：高维分布估计的贝叶斯网络回归方法——打破维度诅咒
这篇论文值得所有从事高维统计、概率建模和生成式AI的研究者关注。它从理论上给出了一个简单却有力的答案：稀疏结构能打破维度诅咒，而贝叶斯网络恰好提供了自然框架。相比VAE/GAN这类黑箱方法，BAND可解释性强且收敛有保证，尤其适合工业界对可靠置信区间的需求。如果你是研究时间序列预测或风险管理的，这篇论文可能会改变你处理高维密度估计的方式。
84
精选循环一致与不确定性感知的托卡马克边缘等离子体神经代理模型
这篇论文值得关注，因为它展示了如何将先进的AI技术（循环一致性、不确定性量化）直接用于解决核聚变中的核心计算瓶颈。对于聚变领域的研究人员和工程师，这是一个能在不牺牲精度的前提下将模拟速度提升数个数量级的实用工具；对于AI从业者，它提供了一个科学应用中自监督学习和逆问题求解的优秀案例。
83
精选等变学习可迁移的三维经典密度泛函
这篇论文最值得关注的点在于，它把机器学习和统计力学的核心难题直接对接，用等变网络学出了一个可迁移的密度泛函，而且不依赖任何标签。对于做液体物理或软物质的同行，这可能是新的研究范式：以后是不是不用再针对每个体系从头做模拟了？对于AI研究者，这也展示了如何将物理对称性和变分原理嵌入模型，而不是单纯拟合数据。建议重点读一下方法部分，尤其是等变性和变分一致性的实现方式，那才是真正的精髓。
83
精选c-Rectified Flow 的计算与统计保证
这篇论文真正把整流流从“经验好用”推向了“理论可控”，对做生成模型底层算法的人尤其重要。如果你在调 FLUX 或 SD3 这类管线，理解普通整流流在协方差不可交换时可能失效，能帮你避开一些隐蔽的训练陷阱。
83
精选从高保真UMI数据学习可部署操作策略
这篇论文最亮眼的地方是证明了纯无机器人数据也能达到与真实遥操作相当的性能，彻底打破了后训练阶段必须依赖少量真实数据的惯例。对于想降低硬件成本的研究组和工业机器人应用开发者来说，HiFi-UMI的数据生产方案和开源数据集是直接可用的资源。建议关注其头戴式SLAM和微秒同步的工程细节，这些是精度达标的关键。
83
精选资本市场LLM可靠性评分：从“看似合理”到“可银行化”
这篇论文对金融圈和AI圈都很有价值：它给出了一个可操作的、面向实际工作流的评估框架，比泛泛的基准更贴近真实需求。如果你在金融科技公司做LLM落地，或者负责模型的“可解释性”和“可审计性”，这篇值得细读。决策有用性维度的发现尤其值得关注——评审们一致认为这是关键，但不同模型表现差异最大。
83
精选优化器状态应放在哪里？面向内存高效MoE训练的分层状态分配
这篇论文对训练MoE模型的团队非常有价值：它证明了通过精细的优化器状态分配，可以在不牺牲精度的情况下大幅降低显存占用，甚至还能提升性能。尤其适合那些受限于40GB或80GB GPU显存的实验室或企业。值得仔细阅读其分层策略和动量保留的消融分析，可为实际训练框架（如DeepSpeed、Megatron）提供优化方向。