vLLM 是一款专为大语言模型推理加速设计的框架，解决了内存管理瓶颈问题，支持几乎零浪费的 KV 缓存内存和多种提示方式，适用于编码器/解码器模型，如 BART，提升推理效率。

本研究使用离散序列建模方法模拟基于驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度方面优于先前的工作，并在自动驾驶环境中表现出良好的性能。同时，对模型的可扩展性和交通建模任务的重要性进行了评估。

本文介绍了一种基于径向变换器架构的编码器 - 解码器模型，适应宽角镜头的畸变，并在像素级任务中表现出更强的能力。通过实验证明了其在深度估计中的性能，并且可以适应不同广角镜头的未知畸变。

本研究使用离散序列建模方法模拟基于驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度方面超越了先前的工作，同时也能快速适用于改进nuScenes的性能。模型的可扩展性评估和密度估计结果证明了交互对交通建模任务的重要性。

该研究使用离散序列建模方法模拟驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度方面优于其他模型，可用于改进自动驾驶性能。同时，对模型参数和数据集规模进行了评估，并量化了交通建模任务中上下文长度和时间间隔的重要性。

该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐。MISSRec通过设计编码器-解码器模型和动态融合模块，解决了现有推荐方法在稀疏ID和冷启动问题方面的性能不佳的问题。该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。

通过强化学习算法训练的编码器-解码器重述模型生成多样化的对抗性示例，成功率高于原始模型，比其他竞争性攻击更有效。讨论了关键设计选择对生成示例的影响以及该方法的优势和弱点。

本研究使用离散序列建模方法模拟基于驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度上超越了先前的工作，同时在自动驾驶环境中表现出良好的性能和可扩展性。

该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐。MISSRec通过设计编码器-解码器模型和动态融合模块，解决了现有推荐方法在稀疏ID和冷启动问题方面的性能不佳的问题。该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。

本文综述了动态图表示学习的研究进展，包括动态知识图谱、编码器-解码器模型和应用，并提出了未来研究方向。

该文介绍了一种基于骨架序列的视频异常检测方法，采用多任务学习实现轨迹的外推和插值，采用基于注意力的编码器-解码器模型，在三个数据集上进行了实验证明了该方法的有效性。

该研究提出了多种模型来解决单语英文到Hinglish的翻译问题，其中使用mT5和mBART Transformer-based编码器-解码器模型表现良好。同时，提出了一种生成混合编码文本的无依存方法，并采用课程学习方法来提高语言模型性能。在英语-Hinglish官方共享任务中，该模型效果最佳。

该研究论文探讨了离散领域中扩散模型的应用，将其作为生成算法的辅助方法。通过在预训练的编码器-解码器模型的潜在空间中学习连续的潜在扩散模型，演示了其在生成文本方面的有效性。潜在扩散模型优于自回归基线，并支持可控的生成。

该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐。通过设计编码器-解码器模型和动态融合模块，MISSRec能够实现更鲁棒且可迁移的序列表示。该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。