大厂专区
神经符号PRM：通过结构化轨迹与符号验证增强科学推理
机构 * AI Institute of South Carolina（南卡罗来纳州人工智能研究所） ； HPE Labs（慧与实验室） ； Indian AI Research Organisation（印度人工智能研究组织）
AI总结 该研究提出神经符号PRM框架，解耦推理为符号有效性与语义接地性，引入反事实符号扰动训练PRM，通过验证器优先搜索提升工具增强型LLM的科学推理可靠性。
GEO-Flag：检测与测量经GEO优化的网页内容
机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； HPE（慧与科技） ； University of Waterloo（滑铁卢大学）
AI总结 本研究针对生成式引擎优化（GEO）网页检测不足的问题，构建GEOFlagBench基准，提出干预配对训练（IPT）方法，开发GEO门控智能体系统，还部署流程测量出GEO总体流行率为8.90%。
Comments 23 pages, 8 figures, 23 tables
LGNNIC：利用SmartNIC加速大规模GNN训练
机构 * Technion Israel Institute of Technology（以色列理工学院） ； Hewlett Packard Enterprise Labs（慧与科技实验室）
AI总结 该研究提出LGNNIC架构，利用SmartNIC卸载分布式GNN训练的预处理任务，经PoC系统验证，邻居采样和量化技术可显著降低通信开销，实现训练加速。
Comments 14 pages, 5 figures
无辜的面板，仇恨的故事：评估与检测多轮视觉故事生成中的仇恨意图
机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Hewlett Packard Enterprise（惠普企业）
AI总结 本研究针对多轮视觉故事生成的组级仇恨意图问题，构建了专用评估数据集，发现现有审核系统存在漏检，提出互补防御方法，强调安全需适配视觉叙事的发展。
Comments 16 pages, 5 figures, 10 tables
面向AI、安全计算与数据服务等场景的多租户Kubernetes用例
机构 * University of Bristol（布里斯托大学） ； Hewlett Packard Enterprise（惠普企业）
AI总结 本文在HPE Cray EX超级计算机Isambard-AI上评估Kubernetes部署，针对AI、安全计算等场景设计用例，探讨挑战及Kubernetes作为批处理系统补充的发展方向。
用于蒙特卡洛树搜索的多原语内存计算
机构 * Duke University（杜克大学） ； Hewlett Packard Labs（惠普实验室）
AI总结 研究针对蒙特卡洛树搜索在传统处理器上能耗高限制边缘部署的问题，引入相到原语分解，将算法阶段映射为硬件原生IMC原语，应用于MCTS，实现高效能，在22纳米工艺下能效比CPU高96倍，比GPU高65至2059倍，同一基板可运行多领域应用。
Comments 23 pages main text, 5 figures; 30 pages supplementary information
NIFA：用于高效机器学习推理的非线性IMC增强型FPGA
机构 * Arizona State University（亚利桑那州立大学） ； Hewlett Packard Enterprise Labs（惠普企业实验室）
AI总结 研究针对传统FPGA中IMC设计局限，提出含无ADC的IMC块的新颖FPGA架构，通过设计空间探索和高效映射，在CNN和Transformer基准测试中显著提升能源和面积效率，推进FPGA设计。
MPSelectTune：微调中的提示类型选择可提高大语言模型中的概念遗忘能力
机构 * IIT Kharagpur（印度理工学院卡拉格布尔分校） ； MPI-SWS（马克斯·普朗克软件系统研究所） ； HPE Labs（慧与实验室）
AI总结 研究大语言模型中去除有害概念难题，提出对抗方法用联合提示预测主任务和概念任务，MPSelectTune两阶段方法可提升平均遗忘性能，实验显示能提高主任务精度并降低概念精度。
Comments Accepted at NeurIPS 2025 - Reliable ML Workshop (https://openreview.net/forum?id=Jk8sOL97Tg#discussion)
预测、重用与修复：加速长上下文LLM解码的动态稀疏注意力
机构 * University of Pittsburgh（匹兹堡大学） ； HPE Labs（HPE实验室）
AI总结 提出PRR运行时系统，利用动态稀疏注意力选择的时间局部性，通过预测、推测和增量修复来减少解码延迟，最高可降低40%的每令牌延迟，同时保持下游任务精度。
Comments 9 pages body plus 3 pages appendix, 13 pages total
小实验，更经济的决策：微预训练中分阶段提升的案例研究
机构 * Hewlett Packard Enterprise（慧与科技公司）
AI总结 研究微预训练中分阶段提升协议，通过固定预算筛选配置，在Windows A100和Linux L40S上验证，发现早期排名不稳定，但最终协议以144 GPU小时找到最优配置，成本低于全量筛选。
Comments 14 pages, 5 figures; 12-hour dual-host micro-pretraining promotion study; source package includes curated ancillary artifacts
预算受限的微预训练中的分阶段因子筛选
机构 * Hewlett Packard Enterprise（惠普企业）
AI总结 针对预算受限的微预训练，提出分阶段分数因子设计方法，通过短时筛选识别高惩罚方向并确认有效锚点，在共享加速器上实现高效配方筛选。
Comments 23 pages, 4 figures
大型语言模型的潜在性能剖析
机构 * Department of Electrical Engineering, Indian Institute of Technology Delhi（印度理工学院德里分校电子工程系） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里分校人工智能学院） ； Hewlett Packard Enterprise, India（印度惠普企业公司） ； Department of Computer Science & Engineering, Indian Institute of Technology Kharagpur（印度理工学院Khargapur分校计算机科学与工程系） ； A.K.Choudhury School of Information Technology, University of Calcutta, India（印度加尔各答大学信息科技学院） ； Department of Computer Science & Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校计算机科学与工程系） ； Department of Computer Science, Ashoka University, India（阿什oka大学计算机科学系） ； Department of Computer Science & Engineering, Indian Institute of Technology Jodhpur（印度理工学院朱罗普分校计算机科学与工程系）
AI总结 提出潜在性能剖析（LPP）框架，通过隐藏激活和输出分布提取任务无关的诊断指标，揭示模型内在特性，补充传统基准评估。
ObjectCache: 用于KV缓存重用的分层对象存储检索
机构 * ETH Zurich（苏黎世联邦理工学院） ； HPE Labs（惠普实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出ObjectCache系统，利用S3兼容对象存储存储KV缓存，通过协同设计存储协议和传输调度，在GPU消费顺序下交付数据，重叠数据传输与计算，从而在不增加集群成本的前提下最小化TTFT延迟。
对随机优化器的实例评估的统计分析：避免不可靠的结论
机构 * QB Information Technologies (1QBit)（1QB信息科技（1QBit）） ； Hewlett Packard Labs, Hewlett Packard Enterprise（惠普实验室，惠普企业）
AI总结 本文研究了随机优化器性能评估中重复次数对统计精度的影响，提出统计分析方法和实验设计指南，以提高评估的可靠性和准确性。
Journal ref Physical Review Applied 25, no. 3 (2026): 034081
MARLIN：多智能体博弈强化学习用于云数据中心可持续LLM推理
机构 * Colorado State University（科罗拉多州立大学） ； Hewlett Packard Labs（惠普实验室）
AI总结 本文提出MARLIN框架，通过博弈强化学习优化LLM推理的TTFT、碳排放、用水量和能耗，实现至少18%的TTFT、33%的碳排放、43%的用水量和11%的能耗降低。
一种快速且节能的基于锁存的忆阻型模拟内容寻址存储器
机构 * PGI-14, Forschungszentrum Jülich（Jülich 研究中心 PGI-14） ； RWTH Aachen University（亚琛工业大学） ； Hewlett Packard Enterprise（惠普企业）
AI总结 本文提出一种基于锁存的忆阻型模拟内容寻址存储器(SALM)，通过动态电流竞赛比较器替代静态电压分压，实现高再生增益和近零静态搜索功率，提升能效与可扩展性。
Comments This work has been submitted to the IEEE for possible publication
人机协同元贝叶斯优化用于聚变能与科学应用
机构 * Hewlett Packard Enterprise（惠普企业公司） ； University of Rochester（罗切斯特大学）
AI总结 本文提出HL-MBO框架，结合专家知识与少样本不确定性感知机器学习，加速数据稀缺的高风险科学领域发现，优于现有BO方法在聚变能优化和超导材料优化中的表现。
Comments Accepted at IJCAI 2026 (35th International Joint Conference on Artificial Intelligence)
难以察觉，难以标注：生成与符号获取用于微妙的视觉现象
机构 * University of South Carolina（南卡罗来纳大学） ； AI Research Lab, HPE Labs, Hewlett Packard Enterprise（HPE实验室人工智能研究部） ； Indian AI Research Organization（印度人工智能研究组织） ； General Atomics（通用原子公司）
AI总结 本文提出GSAL框架，结合生成模型与语义覆盖先验，解决细微视觉异常标注难题，提升稀有类别检索效率。
Comments Accepted at CVPR 2026 SVC Workshop
BayMOTH：基于元前瞻的贝叶斯优化——一种简单方法
机构 * Laboratory for Laser Energetics（激光能实验室） ； Department of Mechanical Engineering（机械工程系） ； Hewlett Packard Labs（惠普实验室） ； Department of Computer Science（计算机科学系） ； Department of Physics（物理系）
AI总结 本文提出一种简单高效的元贝叶斯优化算法，通过在统一框架中利用相关任务信息或回溯优化，提升样本效率并保持低相关性任务下的性能。
支持-矛盾不对称性在大语言模型解释中的体现
机构 * Hewlett Packard Enterprise（慧与科技公司）
AI总结 研究探讨了大语言模型生成的解释与外部模型提取的预测词汇证据之间的关系，发现正确预测的解释更倾向于引用支持性词汇，而错误预测的解释则更多引用矛盾性词汇，揭示了解释与证据之间的不对称性。
Comments 17 Pages, 12 Figures, 4 tables
配方比厨房更重要：AI天气预测流水线的数学基础
机构 * Commercial AI Lab, RWE Trading Americas Inc.（RWE贸易美洲公司商业AI实验室） ； AI Research Lab, Hewlett Packard Enterprise（慧与AI研究实验室）
AI总结 本文研究了AI天气预测中流水线的重要性，通过理论和实证分析，揭示了训练方法、损失函数设计和数据多样性对预测精度的影响，提出了一种综合评估模型。
网络内集体操作：人工智能工作负载中的变革者还是挑战？
机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软） ； AMD（超威半导体） ； Broadcom Inc.（博通公司） ； Hewlett Packard Enterprise（惠普企业）
AI总结 本文探讨了网络内集体操作在人工智能工作负载中的潜力与挑战，分析了边缘和核心INC的性能优势及阻碍其应用的关键障碍，并预测其未来发展方向。
Journal ref IEEE Computer Jan. 2026
擦除CLIP记忆：非破坏性、无数据零样本类去学习在CLIP模型中
机构 * Hewlett Packard Labs（惠普实验室）
AI总结 本文提出了一种基于空空间投影的非破坏性零样本类去学习方法，有效降低CLIP模型中目标类别的性能，同时保留整体多模态知识。
选择性、可控性和领域无关的预训练CLIP模型去学习：一种无需训练和数据的方法
机构 * Hewlett Packard Labs（惠普实验室）
AI总结 本文提出了一种无需训练和数据的CLIP去学习方法，能够实现选择性、可控性和领域无关的模型遗忘，提升模型在不同任务上的适应性与效率。
机构 * Hewlett Packard Enterprise (Hewlett Packard Labs)（惠普企业公司（惠普实验室））
Comments Accepted: IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2025
机构 * Department of Electrical and Electronic Engineering, The University of Hong Kong, Hong Kong SAR, China（电子与电气工程系，香港大学，香港特别行政区，中国） ； Hewlett Packard Labs, Hewlett Packard Enterprise, Milpitas, CA, USA（惠普实验室，惠普企业，米尔帕斯，加利福尼亚州，美国） ； Center for Advanced Semiconductor and Integrated Circuit, The University of Hong Kong, Hong Kong SAR, China（先进半导体与集成电路中心，香港大学，香港特别行政区，中国）
机构 * Hewlett Packard Enterprise（惠普企业公司） ； New York University（纽约大学） ； Kennesaw State University（肯纳邦斯州立大学）
Comments Accepted by "Combining AI and OR/MS for Better Trustworthy Decision Making" Bridge Program co-organized by AAAI and INFORMS as poster and demo
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Hewlett Packard Labs（惠普实验室）
Comments Presented as a poster in NSDI 25
机构 * Hewlett Packard Labs（惠普实验室）
Journal ref IEEE Journal on Exploratory Solid-State Computational Devices and Circuits, vol. 10, pp. 116-124, 2024
机构 * Hewlett Packard Labs, Hewlett Packard Enterprise（慧与企业惠普实验室） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈