推测解码是一种加速大模型推理的方法，解决了显存带宽限制问题。通过一次性处理多个token，提升生成效率。经典算法如Medusa和EAGLE通过多头预测和特征自回归优化性能，而Lookahead解码则利用当前模型进行并行预测，无需额外模型。整体上，推测解码显著提高了解码速度和准确性，适用于多种场景。

何恺明团队提出的双向归一化流（BiFlow）框架有效解决了传统归一化流生成效率低的问题，通过解耦前向与逆向过程，生成速度提升了两个数量级，实验结果在ImageNet上表现优异。该项目由三位来自清华和MIT的本科生主导。

英伟达韩松团队推出新语言模型Jet-Nemotron，基于后神经架构搜索，生成效率提升53倍，准确率超越多款模型，尤其在数学、常识和编码任务中表现优异，计划开源代码和模型。

ADiT模型通过结合潜在表示与Transformer技术，突破了原子系统建模的周期性与非周期性限制，显著提高了生成效率与可扩展性，为新材料和药物设计提供了重要支持。

普林斯顿大学与Meta合作推出LinGen框架，通过MATE模块将视频生成复杂度降低至线性，显著提升生成效率。LinGen在视频质量上优于DiT，生成速度最高可加速15倍，且适应性强，能处理更长的token序列。

本研究提出CAD-Coder，一个视觉-语言模型，能够从视觉输入直接生成可编辑的CAD代码，从而提高生成效率和准确性，简化工程师和设计师的工作流程。

本研究提出了ProtFlow框架，旨在解决蛋白质序列设计中的功能不足和效率低下问题。通过压缩和光滑潜在空间，ProtFlow显著提高了生成效率和质量，实验结果表明其在多种设计任务中优于传统方法，具有广泛的应用潜力。

本文介绍了一种新型小分子生成图扩散模型DMol，该模型在有效性上比现有的DiGress模型提升约1.5%。DMol通过修改目标函数和引入“图噪声”调度策略，显著减少扩散步骤数量和运行时间，提升生成效率。

本研究提出FlexiDepth，解决了层跳过方法未考虑计算需求变化的问题。它动态调整Transformer层数，在Llama-3-8B模型中成功跳过8层，保持基准性能并提升生成效率。

本研究提出了一种新的统一离散扩散模型UniDisc，旨在解决多模态生成模型在图像与文本理解和生成中的不足，显著提升样本质量、多样性控制和生成效率。

本文研究了现有CAD命令序列生成方法的局限，提出了一种基于CAD几何引擎的强化学习训练环境。该方法支持多种操作，显著提高了命令序列生成效率，达到传统方法的39倍，且生成质量优秀。

本研究提出了一种新颖的非最优运输流模型，解决三维点云生成中的组合不变性问题，显著提高了生成效率，并在ShapeNet基准测试中超越了现有方法。

本研究提出了一种名为下一块预测的半自回归框架，旨在解决自回归视频生成中的单向依赖和推理速度慢的问题，从而显著提升生成效率和空间依赖捕捉能力。

本研究提出了一种名为“提升与跳过”的无引导扩散方法，旨在提高少数样本的生成能力。该方法通过对标准生成过程进行两个小改动，显著提升了生成效率，优于传统的引导方法。

本研究结合ChatGPT与基本搜索技术，提升了形式证明生成的效率和可及性，最佳模型的通过率达到31.15%，为AI辅助的形式证明生成提供了新见解。

本文提出了一种名为循环扩散的方法，解决了大规模参数生成的难题。该方法通过将训练参数划分为不重叠部分，利用循环模型学习其关系，从而提高生成效率。研究表明，该方法在多个架构和任务上表现出色，增强了参数生成的实用性。