EVA 框架:VAE 加一层线性层,自回归先验逼近扩散质量
Kaede Shiohara · hf · 2026-10-06
作者提出 Empirical Variational Autoencoder(EVA),一个面向连续值(非向量量化)序列的通用生成框架。EVA 基于 VAE 的证据下界(ELBO),但用额外一个线性层从训练数据中经验地学习自回归潜在先验,取代传统的标准高斯约束,显著缓解了常规 VAE 中先验与后验的分布差距,实现高保真度的祖先采样。在图像与声音合成实验中,EVA 以远快于自回归扩散基线的推理速度取得有竞争力的生成质量。
所属事件:东京大学提出EVA框架：一个线性层让VAE重返序列生成一线(2 条相关)→
「研究」频道最新
- CollabSkill 研究亮相 COLM 2026,斯坦福团队参与 — dan_fried · 2026-10-07
- COLM 论文:潜空间推理模型的潜 token 多数可解码,可解释性即正确性信号 — sarahwiegreffe · 2026-10-07
- Apple ML 招聘研究实习生：让基础模型「知道自己知道什么」 — sineadwilliamso · 2026-10-07
- CAVEAT 测试台登场：商店促销能否带偏你的 AI 购物 Agent — ZacharyHuang12 · 2026-10-07
- GEA：以群体为进化单元的 Agent 自我改进范式，SWE-bench 71% — xwang_lk · 2026-10-07
- 9B 模型花 25 美元算力微调,达 Jev 决策指数 79% 分数 — sophiamyang · 2026-10-07