PreciseCoder：超越单元测试奖励的精确和可泛化的调试

Next-Concept Modeling：快速、并行粗到细文本生成

推荐理由：该研究提出了Next-Concept Modeling，一种加速扩散语言模型的方法，在保持质量的同时提高推理性能。

量化感知修复：超越原始模型的压缩4位模型

推荐理由：该研究提出了量化感知修复（QAH）方法，通过直接从原始模型蒸馏，提高了压缩和量化后的模型性能，读者可以了解其如何改变现有工作流。

EvoCode-Bench：评估智能体多轮迭代交互的编码基准

一致性扩散语言模型：在不牺牲质量的情况下提高 14 倍的推理速度

推荐理由：CDLM 通过优化 DLM 的训练和推理过程，实现了更高的效率和吞吐量，对 DLM 的发展具有重要意义。

利用语义 ID 和 LLM-RecSys 混合模型进行可操控的推荐

ModernBERT-Large-Instruct：基于 ModernBERT 的指令微调编码器

推荐理由：ModernBERT-Large-Instruct 模型的出现为编码和推理任务提供了新的可能性，其简单高效的训练方式值得关注。

文本到图像生成：扩散、文本条件化、引导和潜在空间