BriefGPT - AI 论文速递 ·

GUI-G1: Understanding R1-Zero-Like Training for Visual Grounding in GUI Agents

💡 原文英文，约100词，阅读约需1分钟。

📝

内容提要

本研究分析了GUI代理在R1-Zero训练中的挑战，并提出三种解决方案以提升物体定位性能。通过优化输入设计、奖励函数和策略更新，GUI-G1-3B在多个数据集上超越了现有模型，增强了GUI代理的精准定位能力。

🏷️

Qwen3.8: 从 0 到 1 用 Rust 重写 Mooncake: Suncake
本文介绍作者用Rust重写Mooncake存储模块为Suncake项目，通过Qoder和Qwen3.8从零开发，仅用37个提交完成。相比C++版，性能提升...
Presentation: From S3 to GPU in One Copy: Rethinking Data Loading for ML Training
Onur Satici explains how Vortex, an open-source columnar file format under th...
DeepSeek-V4 模型结构（3）：序列维度（下），HCA、混合排布与零件
本文详解DeepSeek-V4模型结构：HCA将128个token压缩为一条目，无需稀疏选择；CSA与HCA交错排布，确保全局信息不丢失；滑窗分支弥补压缩...
DeepSeek-V4 模型结构（2）：序列维度（中），Lightning Indexer 与稀疏选择
本文介绍DeepSeek-V4模型中的压缩稀疏注意力（CSA）机制。KV缓存每4个token压缩为一条，1M上下文仍有26万条目，故用lightning ...
DeepSeek-V4 模型结构（1）：序列维度（上），从 MLA 到压缩 KV
本文介绍DeepSeek-V4的注意力机制，从MHA到CSA/HCA的演进，重点分析压缩KV缓存的方法。V4将每4或128个token压缩为一条512维K...
DeepSeek-V4 模型结构（0）：一张图看懂 DeepSeek-V4
本文介绍DeepSeek-V4模型架构：Pro版总参数1.6T、61层，Flash版284B、43层，均采用4条残差流、交错CSA/HCA压缩注意力与Mo...