[논문리뷰] A Zeroth-Order Paradigm for LLM Preference Alignment본 연구는 기존 Preference Alignment 기법들이 요구하는 방대한 메모리 소비와 복잡한 Gradient 연산 문제를 해결하고자 합니다. 현존하는 RLHF나 DPO 방식은 높은 Memory Overhead와 모델 내부 구조에 대한 접근성을 요구하여 대규모 모델 적용 시 효율성이 저하되는 한계가 있습니다.#Review#Zeroth-Order Optimization#LLM#Preference Alignment#Reinforcement Learning#Gradient-free#Parameter-Efficient2026년 9월 16일댓글 수 로딩 중
[논문리뷰] GRNEdit: Efficient General Video Editing from a New Binary-Evidence Perspective in Generative Refinement Networks기존의 Instruction-based 비디오 편집 연구들은 거대 확산 모델이나 흐름 모델 위에서 복잡한 소스 컨디셔닝을 수행하여, 편집 의도를 반영하는 과정에서 연산 자원이 과도하게 소모되는 한계가 있습니다.#Review#Generative Refinement Networks#Video Editing#Binary Evidence#Hierarchical Binary Quantization#Identity-Aligned Null Condition#Instruction-Based Editing#Parameter-Efficient2026년 8월 17일댓글 수 로딩 중
[논문리뷰] LookaheadKV: Fast and Accurate KV Cache Eviction by Glimpsing into the Future without Generation최근 LLM의 Context Length가 급증하면서 KV Cache 의 크기가 입력 시퀀스 길이에 비례하여 선형적으로 증가하며, 이는 long-context task 에서 메모리 병목 현상을 야기하여 inference scalability에 큰 제약을 초래하고 있습니다.#Review#KV Cache Eviction#Long Context LLM#Attention Score Prediction#LoRA#Parameter-Efficient#Time-to-First-Token2026년 3월 15일댓글 수 로딩 중