精选88Hugging Face 每日论文（json_list）论文研究
SparsePR：免训练稀疏注意力加速视频生成与世界模型
Partition the Support, Reconstruct the Residual: Training-Free Sparse Attention for Video Generation and World Models
推荐理由
视频生成推理加速是核心痛点，这篇论文给出了无需重新训练的即插即用方案，实测加速比可观且保持画质，值得工程落地参考。
无需训练的块稀疏注意力可以加速视频 Transformer，但按行的注意力集中度本身并不能指定一个可执行的稀疏算子。共享同一块的查询路由可能具有重叠度较差的支持集，而仅保留的注意力质量并不能确定因跳过交互而产生的 softmax 后误差。我们表明，分区几何结构既影响池化支持集，也影响从稀疏输出中预测剩余残差的可预测性。我们引入了 SparsePR，它将响应耦合分区与探针拟合残差重建相结合。采样查询键响应形成配对的 K/V 组，其质心为共享路由诱导查询-响应坐标。随后，少量精确查询行在探针残差中观察到的输出子空间内，校准来自稀疏输出的特定调用仿射校正。在四种异构的视频生成和世界模型上，SparsePR 一致地降低了注意力重建误差。消融实验表明，探针拟合解释了大部分误差降低，而响应耦合分区降低了硬丢弃误差，并在有限的探针预算下改善了重建效果。SparsePR 在实现 22.0%-26.0% 的执行对密度的同时保持了生成质量，并实现了 1.48x-2.61x 的端到端加速。项目页面：https://pardistaghavi.github.io/SparsePR-website/
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力