标题：CVPR 2026：深度学习的「标准件」，正在被逐个拆掉

正文：
深度学习这座大楼，过去几年越盖越高、越盖越复杂。Transformer 是主楼，扩散模型和归一化流是附楼，浮点精度、归一化层和残差连接等被视为“标准件”。然而，这些标准件正被重新审视——它们真的是承重墙，还是只是装饰？

推理端的革新：精度不是必须的
BinaryAttention 挑战了注意力机制的浮点精度需求，提出仅用 1-bit 表示 Q 和 K 的符号即可完成计算。通过 XNOR 和 popcount 运算，它比传统方法快 2 倍以上，且在部分任务上超越全精度版本。SegQuant 则解决了量化策略需手工调参的问题，通过自动分析计算图分配量化配置，首次实现了跨架构通用的量化框架。

训练目标的翻案：去噪并非最优解
JiT 质疑扩散模型“预测噪声”的训练目标，指出直接预测干净图像更符合几何本质。实验表明，极简设计的 JiT 在高分辨率任务中表现优异，打破了“先压缩再预测噪声”的传统范式。

架构层的松动：归一化与可逆性可以不要
BiFlow 放弃了归一化流的“精确可逆”约束，通过双向独立学习实现并行解码，采样速度提升两个数量级。Derf 则用一个基于误差函数的逐点非线性函数替代归一化层，在多个领域全面超越 LayerNorm 和 RMSNorm，揭示归一化层可能只是提供了一种泛化性尚可的稳定手段。

结语：哪些是承重墙，哪些只是隔断？
这五篇论文从推理端到训练目标，再到架构层，逐一拆解深度学习的“标准件”。结果表明，许多我们认为不可或缺的设计，实际上可以简化甚至移除。房子不仅没塌，反而更加透亮。深度学习的未来或许不再是无止境地堆砌规模，而是回归本质，找到真正必要的核心组件。