CALM自编码器：用连续向量替代离散token，生成效率提升4倍
近年来语言模型效率优化多聚焦参数规模与注意力机制，却忽视了自回归生成本身的高成本。CALM提出新思路：在token之上构建潜在空间，通过变分自编码器将多个token压缩为一个连续向量，实现“一次前向传播生成多个token”。该方法大幅减少计算次数，提升推理速度与吞吐量，同时引入无似然训练与BrierLM评估体系，突破传统语言建模范式，为高效大模型提供新路径。
基于yolov8的深度学习垃圾分类检测系统
本研究针对传统垃圾分类效率低、准确率不高等问题，提出基于YOLOv8与Python的深度学习检测系统。通过构建高质量标注数据集，利用YOLOv8强大的目标检测能力，实现垃圾的快速精准识别，提升分类自动化水平，助力环境保护与资源回收。
基于YOLOV8+Pyqt5的番茄成熟度检测系统
本研究基于YOLOv8与PyQt5构建番茄成熟度智能检测系统，利用深度学习实现精准、高效识别。系统可实时检测番茄未熟、成熟与过熟状态，提升采摘效率与果实品质，推动农业智能化发展，具有重要应用价值。
dLLM：复用自回归模型权重快速训练扩散语言模型
dLLM是一个开源Python框架，统一了扩散语言模型的训练、微调、推理与评估流程。它支持将任意自回归大模型（如LLaMA、BERT）转化为扩散模型，提供LoRA、4-bit量化等高效训练能力，并兼容Hugging Face生态。通过Masked Diffusion、Edit Flows等方法，实现文本全局优化生成与编辑，在复杂推理、结构化输出等任务中表现优异，推动扩散语言模型迈向实用化。
