Velox是一个学习4D物体几何和外观的框架，通过压缩时空彩色点云生成动态形状标记。它使用两个解码器来监督这些标记，分别捕捉几何和外观，表现出色于视频生成、3D跟踪和图像生成等任务。

torch.export()用于提前编译Python可调用对象，生成功能图。它利用TorchDynamo进行字节码追踪，AOT Autograd功能化图形，并通过torch.fx.graph提供图形表示。ExportedProgram包含GraphModule和图签名，支持动态形状和序列化。使用export_for_training()可处理非功能操作，但存在无法追踪的代码和缺失的假内核等限制。

麻省理工学院的研究人员开发了一种新算法，能够控制可重构软机器人动态改变形状，以完成避障和物品取回等多种任务。他们还创建了一个模拟器，测试该算法在复杂任务中的表现，展示了其在多阶段任务中的优越性，未来有望推动软机器人在医疗和工业中的应用。

本文介绍了PyTorch-XLA、TensorFlow图执行和PyTorch 2图执行等混合方法，Modular AI引擎支持动态形状，执行模型更快。使用桶和填充策略进行缓解时，XLA的编译时间显著降低，但Modular AI引擎在各种平台上的模型执行时间仍然比TensorFlow+XLA快2倍至4倍。

Modular开发了一种新方法来解决AI基础设施中碎片化的点解决方案问题。他们创建了一个“单一真相来源”，允许专家内核作者在架构和用例之间构建单个可组合，可扩展和可移植的代码库。该方法支持快速重用模式和代码，适用于问题的优化子变体，并易于在特殊情况下采用异类硬件功能。Modular的矩阵乘法和其他内核完全支持动态形状，并支持许多现有系统难以处理的其他形式的动态性。Modular方法提供了广泛的操作符通用融合，无需手动编写和维护变体，从而实现了通用性和可扩展性，无需重新编译系统，也无需成为编译器工程师。