机器之心数据服务已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究比较了透视学习与普通学习在模型训练中的差异，发现两者在特征编码效率上存在显著差异，透视训练在稳定训练中可实现25倍的压缩比，揭示了信息空间中的不同路径。

本文提出了一种新颖的混合精度量化方法，旨在提高语音基础模型的量化效率。该方法结合了混合精度学习与模型参数估计，显著提升了压缩比，缩短了压缩时间，同时保持了单词错误率不变，展现了良好的实际应用前景。

本研究提出了一种小波潜在扩散（Wala）方法，旨在解决大规模三维生成模型在细节和复杂几何形状表现不足的问题。该方法通过小波编码实现高达2427倍的压缩比，显著提高训练效率，并生成高质量的三维形状，展现出先进的性能。

本文研究了多种基于哈希机制的深度学习模型压缩方法，如FunHashNN、SiGAH和多分辨率哈希编码。这些方法通过优化网络权重和编码方案，实现了高效的压缩和准确的表示，显著提高了压缩比和性能，适用于大规模数据的可视化和处理。

本文介绍了将OVA格式的虚拟机转换为Qcow2格式的过程，提高性能、压缩比和安全性。转换包括提取OVA文件、识别磁盘镜像文件、使用qemu-img命令进行转换，并创建新的Qemu虚拟机。通过这些步骤，充分利用Qemu的功能和性能优化，确保与虚拟化平台兼容。

本研究评估了梯度压缩方法在分布式深度学习中的有效性，提出了DAGC-R和DAGC-A两种优化方案，以减少通信瓶颈并提高收敛速率，尤其在移动环境中表现突出。

在高压缩比率下保留关键信息对于维持大型语言模型性能的重要性以及引入使用查询来指导上下文压缩过程的 Query-Guided Compressor (QGC) 的有效性进行了验证，并展示了 QGC 在问题回答任务上能够在高压缩比率下始终表现良好，并对推理成本和吞吐量提供了显着的优势。

SnapKV 是一种创新方法，通过选择重要的键值位置，减少大型语言模型的内存和计算开销，同时保持性能。该方法结合自适应 KV 缓存和混合精度 KV 缓存，显著提高了压缩比和效率。QAQ 和 LESS 进一步优化了 KV 缓存，降低了部署难度。KCache 和 Scissorhands 技术提高了推理过程的吞吐量，KV-Runahead 则加速了模型的前置阶段。

本报告介绍了OpenBA，一个开源的150亿双语不对称seq2seq模型，展示了其在多个基准测试中的优越性能。通过三阶段训练策略和有效技术，OpenBA在资源有限的情况下表现出色。此外，Baichuan 2系列模型在公共基准测试中表现优异，尤其在医学和法律领域。研究还提出了多语言LLM压缩方法，以改善低资源语言的性能。

本文研究了大型语言模型的稀疏微调问题，提出了一种基于 L2 范数的蒸馏方法 SquareHead，能够在高稀疏率下实现准确恢复。通过混合稀疏剪枝和量化框架，显著提升了模型性能和压缩比，展示了在训练和推断中的高效性。

该论文提出了一种量化感知张量压缩训练方法，通过压缩Transformer模型的嵌入层和线性层，获得低精度的模型表示进行训练。通过层与层的蒸馏方法将预训练的Transformer模型转换为量化和张量压缩的学生模型，提高收敛速度。在自然语言理解任务中，表现出高压缩比、几乎无损的精度损失和显著的推断和训练加速。

本文介绍了一种堆栈倒打的日志设计方案，解决了堆栈折叠和存储成本高的问题。该方案将异常原因栈和错误堆栈分开打印，并简化了全限定类名，达到了88%的压缩比。作者提醒读者不要迷信最佳实践，要根据实际情况量身定制。

汽油机的热效率受压缩比限制，过高会导致爆震。马自达的压燃汽油发动机在低负载下仍需火花塞点火，增加了复杂性和成本。增程器的压燃发动机通过单一工况去除火花塞，降低复杂度，并结合米勒循环实现高压缩比。采用超稀薄燃烧和电辅助涡轮增压技术，优化燃烧室设计，提高效率。

本文探讨了内燃机的基本原理及提高效率的方法。内燃机通过吸气、压缩、膨胀和排气四个循环将热能转化为机械能。提高效率的关键在于优化压缩比和膨胀比，以及精确控制燃料与空气的混合比例。采用电喷技术和氧传感器可提高燃烧效率，确保燃料充分燃烧，从而提升整体性能。