Анализ страницы https://xhplus.github.io/publication/
Основное Готовность: 100%
Домен
xhplus.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 19.11.2026 23:45:50.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
en-us
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык документа указан явно: en-us.
Скорость загрузки
~0,38сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,38сек оптимальна.
Объем документа
150Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 150Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 7
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 7 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | /css/themes/emerald.min.css | |
| stylesheet | /dist/wc.min.css | |
| stylesheet | text/css | /dist/pagefind/pagefind-ui.be766eb419317a14ec769d216e9779bfe8f3737c80e780f4ba0dafb57a41a482.css |
| js | https://www.googletagmanager.com/gtag/js?id=G-YK9NGMPV5B | |
| js | /dist/pagefind/pagefind-ui.87693d7c6f2b3b347ce359d0ede762c033419f0a32b22ce508c335a81d841f1b.js | |
| js | /js/hugo-blox-en.min.8c8ea06bd0420f5067e52fa727b9f92303757322ba4431774153d59a9735eadb.js | |
| js | https://buttons.github.io/buttons.js |
Серверные заголовки
Кол-во: 17
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "69fd6c22-2585b" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 326E:9FC9E:2F0F479:2F73599:6A8A2A00 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 23:00:16 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230183-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787439617.523838,VS0,VE112 |
| Vary | Accept-Encoding |
| x-fastly-request-id | a03f69c72e476fd3fb2b79813bb8d8a0b3438181 |
CMS
PrestaShop
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
Сайт работает на CMS PrestaShop.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 48%
Title
Publications | XHPlus
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 21, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
The highly-customizable Hugo Academic theme powered by Hugo Blox Builder. Easily create your personal academic website.
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Необходимо увеличить число символов в description (текущее значение: 119, оптимально: от 120 до 130)
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
https://xhplus.github.io/publication/
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Канонический Url прописан корректно.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
width=device-width,initial-scale=1
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Кол-во: 7
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:site_name | XHPlus |
| og:url | https://xhplus.github.io/publication/ |
| og:title | Publications | XHPlus |
| og:description | The highly-customizable Hugo Academic theme powered by Hugo Blox Builder. Easily create your personal academic website. |
| og:image | https://xhplus.github.io/media/icon_hu15893102922496781767.png |
| og:locale | en-us |
| og:updated_time | 2026-06-01T00:00:00+00:00 |
Все мета-теги
Кол-во: 15
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 15шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | viewport | width=device-width,initial-scale=1 |
| name | generator | Hugo Blox Builder 0.3.1 |
| name | author | Ruihao Gong |
| name | description | The highly-customizable Hugo Academic theme powered by Hugo Blox Builder. Easily create your personal academic website. |
| property | twitter:card | summary |
| property | twitter:site | @GetResearchDev |
| property | twitter:creator | @GetResearchDev |
| property | og:site_name | XHPlus |
| property | og:url | https://xhplus.github.io/publication/ |
| property | og:title | Publications | XHPlus |
| property | og:description | The highly-customizable Hugo Academic theme powered by Hugo Blox Builder. Easily create your personal academic website. |
| property | og:image | https://xhplus.github.io/media/icon_hu15893102922496781767.png |
| property | twitter:image | https://xhplus.github.io/media/icon_hu15893102922496781767.png |
| property | og:locale | en-us |
| property | og:updated_time | 2026-06-01T00:00:00+00:00 |
Оптимизация Готовность: 57%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют в одном экземпляре).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 2 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 20 достаточно.
Кол-во знаков контента 23942 на странице оптимально.
Кол-во слов 3586 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 8. Это хорошо.
На странице присутствуют заголовки <h3> 65.
Тошнота
10,15
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
2,23%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| conference | 103 | 2,87% |
| ruihao | 67 | 1,87% |
| xianglong | 34 | 0,95% |
| neural | 30 | 0,84% |
| international | 30 | 0,84% |
| quantization | 28 | 0,78% |
| contribution | 28 | 0,78% |
| models | 26 | 0,73% |
| proceedings | 25 | 0,70% |
| language | 22 | 0,61% |
| learning | 22 | 0,61% |
| post-training | 18 | 0,50% |
| efficient | 18 | 0,50% |
| computer | 17 | 0,47% |
| fengwei | 17 | 0,47% |
| towards | 16 | 0,45% |
| recognition | 16 | 0,45% |
| vision | 16 | 0,45% |
| jinyang | 16 | 0,45% |
| networks | 15 | 0,42% |
Индексация Готовность: 0%
Индексирование
Есть ошибки
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 219 слишком много. Проведите ревизию и оптимизацию ссылок сайта.
Robots.txt
Найден корректный robots.txt
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Robots.txt настроен корректно. Размер файла: 61 байт. Загружен за: 0сек.
Проверяемая страница не запрещена в robots.txt.
Robots.txt доступен по постоянному адресу
Показать содержимое robots.txt
User-agent: *
Sitemap: https://xhplus.github.io/sitemap.xml
Sitemap
Кол-во: 1
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt содержит карту сайта. Это прекрасно!
Robots.txt не содержит ошибок в карте сайта.
Показать карту сайта
| Url | Статус |
|---|---|
| https://xhplus.github.io/sitemap.xml |
|
Внутренние ссылки
Кол-во: 153
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 153 слишком много. Проведите оптимизацию сайта!
Внутренние ссылки не запрещены к индексации в robots.txt.
Показать первые 100 внутренних ссылок
| Url | Анкор | Состояние |
|---|---|---|
| / |
Ruihao Gong
|
|
| / |
Bio
|
|
| /event/ |
Recent & Upcoming Talks
<span data-hb-sidebar-toggle=""><svg fill="none" viewbox="0 0 24 24" stroke="currentcolor" class="h-[18px] min-w-[18px] rounded-sm p-0.5 hover:bg-gray-800/5 dark:hover:bg-gray-100/5"><path stroke-linecap="round" stroke-linejoin="round" stroke-width="2" d="M9 5l7 7-7 7" class="origin-center transition-transform rtl:-rotate-180"></path></svg></span>
|
|
| /event/example/ |
Example Talk
|
|
| /publication/ |
Publications
<span data-hb-sidebar-toggle=""><svg fill="none" viewbox="0 0 24 24" stroke="currentcolor" class="h-[18px] min-w-[18px] rounded-sm p-0.5 hover:bg-gray-800/5 dark:hover:bg-gray-100/5"><path stroke-linecap="round" stroke-linejoin="round" stroke-width="2" d="M9 5l7 7-7 7" class="origin-center transition-transform rtl:-rotate-180"></path></svg></span>
|
|
| /publication/2026-cvpr-linvideo/ |
LinVideo: A Post-Training Framework towards O(n) Attention in Efficient Video Generation
|
|
| /publication/2026-aaai-llmcplus/ |
LLMC+: Benchmarking Vision-Language Model Compression with a Plug-and-play Toolkit
|
|
| /publication/2026-cvpr-modes/ |
MoDES: Accelerating Mixture-of-Experts Multimodal Large Language Models via Dynamic Expert Skipping
|
|
| /publication/2026-acl-focusdllm/ |
Focus-dLLM: Accelerating Long-Context Diffusion LLM Inference via Confidence-Guided Context Focusing
|
|
| /publication/2026-acl-halfs/ |
Half-S: Halving the Scale for Near-Lossless 4-Bit LLM Training
|
|
| /publication/2026-icml-increbpe/ |
Incremental BPE Tokenization
|
|
| /publication/2026-icml-lightforcing/ |
Light Forcing: Accelerating Autoregressive Video Diffusion via Sparse Attention
|
|
| /publication/2026-icml-omnifit/ |
OmniFit: Bridging Modalities via Layer-Adaptive Token Compression for Omnimodal Large Language Models
|
|
| /publication/2026-iclr-phased-dmd/ |
Phased DMD: Few-step Distribution Matching Distillation via Score Matching within Subintervals
|
|
| /publication/2026-eurosys-pillm/ |
PiLLM: Resource-efficient LLM Inference Using Workload Prediction
|
|
| /publication/2026-iclr-matting/ |
Post-Training Quantization for Video Matting
|
|
| /publication/2026-iclr-qvgen/ |
QVGen: Pushing the Limit of Quantized Video Generative Models
|
|
| /publication/2026-icml-sgmd/ |
SGMD: Score Gradient Matching Distillation for Few-Step Video Diffusion Distillation
|
|
| /publication/2025-appt-tokensim/ |
TokenSim: Enabling Hardware and Software Exploration for Large Language Model Inference Systems
|
|
| /publication/2025-acl-pre-3/ |
Pre^3: Enabling Deterministic Pushdown Automata for Faster Structured LLM Generation
|
|
| /publication/2025-aaai-atomnet/ |
AtomNet: Designing Tiny Models from Operators Under Extreme MCU Constraints
|
|
| /publication/2025-nn-low-bit-survey/ |
A Survey of Low-bit Large Language Models: Basics, Systems, and Algorithms
|
|
| /publication/2025-icml-dakd/ |
DA-KD: Difficulty-Aware Knowledge Distillation for Efficient Large Language Models
|
|
| /publication/2025-icml-harmonica/ |
HarmoniCa: Harmonizing Training and Inference for Better Feature Caching in Diffusion Transformer Acceleration
|
|
| /publication/2025-neurips-hbp/ |
Hierarchical Balance Packing: Towards Efficient Supervised Fine-tuning for Long-Context LLM
|
|
| /publication/2025-icml-omnibal/ |
OMNIBAL: Towards Fast Instruction-Tuning for Vision-Language Models via Omniverse Computation Balance
|
|
| /publication/2025-asplos-lightllm/ |
Past-Future Scheduler for LLM Serving under SLA Guarantees
|
|
| /publication/2025-iccad-propd/ |
ProPD: Dynamic Token Tree Pruning and Generation for LLM Parallel Decoding
|
|
| /publication/2025-tpami-qlimit/ |
Pushing the Limit of Post-Training Quantization
|
|
| /publication/2024-nn-longtail/ |
Robust long-tailed recognition with distribution-aware adversarial example generation
|
|
| /publication/2025-tpami-tfm/ |
Temporal Feature Matters: A Framework for Diffusion Model Quantization
|
|
| /publication/2024-icassp-toolplayground/ |
Tool Playgrounds: A Comprehensive and Analyzable Benchmark for LLM Tool Invocation
|
|
| /publication/2025-sc-smurfs/ |
Towards Efficient LLM Inference via Collective and Adaptive Speculative Decoding
|
|
| /publication/2024-emnlp-llmc/ |
LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit
|
|
| /publication/2024-aaai-pts/ |
Fast and Controllable Post-training Sparsity: Learning Optimal Sparsity Allocation with Global Constraint in Minutes
|
|
| /publication/2024-aaai-lanequant/ |
Selective Focus: Investigating Semantics Sensitivity in Post-training Quantization for Lane Detection
|
|
| /publication/2024-cvpr-tfmq-dm/ |
TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models
|
|
| /publication/2024-icml-jsq/ |
Compressing Large Language Models by Joint Sparsification and Quantization
|
|
| /publication/2024-icpp-proof/ |
PRoof: A Comprehensive Hierarchical Profiling Framework for Deep Neural Networks with Roofline Analysis
|
|
| /publication/2024-mm-ptsbench/ |
PTSBench: A Comprehensive Post-Training Sparsity Benchmark Towards Algorithms and Models
|
|
| /publication/2024-iclr-qllm/ |
QLLM: Accurate and Efficient Low-Bitwidth Quantization for Large Language Models
|
|
| /publication/2023-nn-rect/ |
Rectify representation bias in vision-language models for long-tailed recognition
|
|
| /publication/2023-emnlp-osplus/ |
Outlier Suppression+: Accurate quantization of large language models by equivalent and effective shifting and scaling
|
|
| /publication/2023-iccv-l-2-compress/ |
Lossy and Lossless (L2) Post-training Model Size Compression
|
|
| /publication/2023-cvpr-allow/ |
Annealing-Based Label-Transfer Learning for Open World Object Detection
|
|
| /publication/2023-cvpr-robust-model/ |
Exploring the Relationship Between Architectural Design and Adversarially Robust Generalization
|
|
| /publication/2023-electronics-semantic-diffusion/ |
Discrepant Semantic Diffusion Boosts Transfer Learning Robustness
|
|
| /publication/2023-icpp-familyseer/ |
Exploiting Subgraph Similarities for Efficient Auto-tuning of Tensor Programs
|
|
| /publication/2023-mlsys-sysnoise/ |
SysNoise: Exploring and Benchmarking Training-Deployment System Inconsistency
|
|
| /publication/2022-ijcv-bnn/ |
Distribution-Sensitive Information Retention for Accurate Binary Neural Network
|
|
| /publication/2022-neurips-outlier-suppression/ |
Outlier Suppression: Pushing the Limit of Low-bit Transformer Language Models
|
|
| /publication/2022-mm-adv-vit/ |
Generating Transferable Adversarial Examples against Vision Transformers
|
|
| /publication/2022-icpp-nnlqp/ |
NNLQP: A Multi-Platform Neural Network Latency Query and Prediction System with An Evolving Database
|
|
| /publication/2022-iclr-qdrop/ |
QDrop: Randomly Dropping Quantization for Extremely Low-bit Post-Training Quantization
|
|
| /publication/2021-iccv-mixmix/ |
MixMix: All You Need for Data-Free Compression Are Feature and Data Mixing
|
|
| /publication/2021-iccv-oqa/ |
Once Quantization-Aware Training: High Performance Extremely Low-Bit Architecture Search
|
|
| /publication/2021-icml-snn/ |
A Free Lunch From ANN: Towards Efficient, Accurate Spiking Neural Networks Calibration
|
|
| /publication/2021-neuips-mqbench/ |
MQBench: Towards Reproducible and Deployable Model Quantization Benchmark
|
|
| /publication/2021-cvpr-dsg/ |
Diversifying Sample Generation for Accurate Data-Free Quantization
|
|
| /publication/2021-iclr-brecq/ |
BRECQ: Pushing the Limit of Post-Training Quantization by Block Reconstruction
|
|
| /publication/2021-arxiv-robustart/ |
RobustART: Benchmarking Robustness on Architecture Design and Training Techniques
|
|
| /publication/2020-cvpr-irnet/ |
Forward and Backward Information Retention for Accurate Binary Neural Networks
|
|
| /publication/2020-cvpr-rcmloss/ |
Rotation Consistent Margin Loss for Efficient Low-bit Face Recognition
|
|
| /publication/2020-cvpr-int-8-training/ |
Towards Unified INT8 Training for Convolutional Neural Network
|
|
| /publication/2020-icassp-bbg/ |
Balanced Binary Neural Networks with Gated Residual
|
|
| /publication/2020-iclrw-dms/ |
DMS: Differentiable Dimension Search for Binary Neural Networks
|
|
| /publication/2020-pr-bnnsurvey/ |
Binary neural networks: A survey
|
|
| /publication/2020-arxiv-ebs/ |
Efficient Bitwidth Search for Practical Mixed Precision Neural Network
|
|
| /publication/2020-icpp-lowbit/ |
Extremely Low-Bit Convolution Optimization for Quantized Neural Network on Modern Computer Architectures
|
|
| /publication/2019-iccv-dsq/ |
Differentiable Soft Quantization: Bridging Full-Precision and Low-Bit Neural Networks
|
|
| /project/ |
Projects
<span data-hb-sidebar-toggle=""><svg fill="none" viewbox="0 0 24 24" stroke="currentcolor" class="h-[18px] min-w-[18px] rounded-sm p-0.5 hover:bg-gray-800/5 dark:hover:bg-gray-100/5"><path stroke-linecap="round" stroke-linejoin="round" stroke-width="2" d="M9 5l7 7-7 7" class="origin-center transition-transform rtl:-rotate-180"></path></svg></span>
|
|
| /project/lightx2v/ |
LightX2V
|
|
| /project/llmc/ |
LLMC
|
|
| /project/lightllm/ |
LightLLM
|
|
| /project/lpcv2023-fpga-track/ |
LPCV 2023 Winner Solution
|
|
| /project/lpcv2021-fpga-track/ |
LPCV 2021 Winner Solution of FPGA Track
|
|
| /project/mqbench/ |
MQBench
|
|
| /post/ |
Blog
<span data-hb-sidebar-toggle=""><svg fill="none" viewbox="0 0 24 24" stroke="currentcolor" class="h-[18px] min-w-[18px] rounded-sm p-0.5 hover:bg-gray-800/5 dark:hover:bg-gray-100/5"><path stroke-linecap="round" stroke-linejoin="round" stroke-width="2" d="M9 5l7 7-7 7" class="origin-center transition-transform rtl:-rotate-180"></path></svg></span>
|
|
| /post/get-started/ |
🎉 Easily create your own simple yet highly customizable blog
|
|
| /post/second-brain/ |
🧠 Sharpen your thinking with a second brain
|
|
| /post/data-visualization/ |
📈 Communicate your results effectively with the best data visualizations
|
|
| /post/teach-courses/ |
👩🏼🏫 Teach academic courses
|
|
| /post/project-management/ |
✅ Manage your projects
|
|
| /experience/ |
Experience
|
|
| /teaching/ |
Teaching
<span data-hb-sidebar-toggle=""><svg fill="none" viewbox="0 0 24 24" stroke="currentcolor" class="h-[18px] min-w-[18px] rounded-sm p-0.5 hover:bg-gray-800/5 dark:hover:bg-gray-100/5"><path stroke-linecap="round" stroke-linejoin="round" stroke-width="2" d="M9 5l7 7-7 7" class="origin-center transition-transform rtl:-rotate-180"></path></svg></span>
|
|
| /teaching/js/ |
Learn JavaScript
|
|
| /teaching/python/ |
Learn Python
|
|
| /publication/2026-cvpr-modes/ |
MoDES: Accelerating Mixture-of-Experts Multimodal Large Language Models via Dynamic Expert Skipping
|
|
| /publication/2026-aaai-llmcplus/ |
LLMC+: Benchmarking Vision-Language Model Compression with a Plug-and-play Toolkit
|
|
| /publication/2026-cvpr-linvideo/ |
LinVideo: A Post-Training Framework towards O(n) Attention in Efficient Video Generation
|
|
| /publication/2025-appt-tokensim/ |
TokenSim: Enabling Hardware and Software Exploration for Large Language Model Inference Systems
|
|
| /publication/2026-icml-sgmd/ |
SGMD: Score Gradient Matching Distillation for Few-Step Video Diffusion Distillation
|
|
| /publication/2026-iclr-qvgen/ |
QVGen: Pushing the Limit of Quantized Video Generative Models
|
|
| /publication/2026-iclr-matting/ |
Post-Training Quantization for Video Matting
|
|
| /publication/2026-eurosys-pillm/ |
PiLLM: Resource-efficient LLM Inference Using Workload Prediction
|
|
| /publication/2026-iclr-phased-dmd/ |
Phased DMD: Few-step Distribution Matching Distillation via Score Matching within Subintervals
|
|
| /publication/2026-icml-omnifit/ |
OmniFit: Bridging Modalities via Layer-Adaptive Token Compression for Omnimodal Large Language Models
|
|
| /publication/2026-icml-lightforcing/ |
Light Forcing: Accelerating Autoregressive Video Diffusion via Sparse Attention
|
|
| /publication/2026-icml-increbpe/ |
Incremental BPE Tokenization
|
|
| /publication/2026-acl-halfs/ |
Half-S: Halving the Scale for Near-Lossless 4-Bit LLM Training
|
|
Внешние ссылки
Кол-во: 63
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 63 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор |
|---|---|
| github.com |
<span>Code</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| ieeexplore.ieee.org |
<span>PDF</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| github.com |
<span>Code</span>
|
| doi.org |
<span>DOI</span>
|
| openreview.net |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| sciencedirect.com |
<span>PDF</span>
|
| doi.org |
<span>DOI</span>
|
| aclanthology.org |
<span>PDF</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| openreview.net |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| doi.org |
<span>DOI</span>
|
| aclanthology.org |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| doi.org |
<span>DOI</span>
|
| openaccess.thecvf.com |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| proceedings.mlsys.org |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| modeltc.github.io |
<span>Dataset</span>
|
| modeltc.github.io |
<span>Project</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| openreview.net |
<span>PDF</span>
|
| openreview.net |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| mqbench.tech |
<span>Project</span>
|
| github.com |
<span>Code</span>
|
| doi.org |
<span>DOI</span>
|
| doi.org |
<span>DOI</span>
|
| openaccess.thecvf.com |
<span>PDF</span>
|
| openreview.net |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| mqbench.tech |
<span>Project</span>
|
| arxiv.org |
<span>PDF</span>
|
| github.com |
<span>Dataset</span>
|
| robust.art |
<span>Project</span>
|
| openreview.net |
<span>PDF</span>
|
| github.com |
<span>Code</span>
|
| mqbench.tech |
<span>Project</span>
|
| youtube.com |
<span>Video</span>
|
| youtube.com |
<span>Video</span>
|
| github.com |
<span>Code</span>
|
| youtube.com |
<span>Video</span>
|
| arxiv.org |
<span>PDF</span>
|
| ieeetv.ieee.org |
<span>Video</span>
|
| slideslive.com |
<span>Video</span>
|
| youtube.com |
<span>Video</span>
|
| doi.org |
<span>DOI</span>
|
| sciencedirect.com |
<span>PDF</span>
|
| doi.org |
<span>DOI</span>
|
| creativecommons.org |
CC BY NC ND 4.0
|
| creativecommons.org |
<i class="fab fa-creative-commons fa-2x" aria-hidden="true"></i>
<i class="fab fa-creative-commons-by fa-2x" aria-hidden="true"></i>
<i class="fab fa-creative-commons-nc fa-2x" aria-hidden="true"></i>
<i class="fab fa-creative-commons-nd fa-2x" aria-hidden="true"></i>
|
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Страница https://xhplus.github.io/publication/ готова к продвижению на 51%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: