Huawei（华为）

SEM-ROVER: Semantic Voxel-Guided Diffusion for Large-Scale Driving Scene Generation

SEM-ROVER：语义体素引导的扩散模型用于大规模驾驶场景生成

Hiba Dahmani, Nathan Piasco, Moussab Bennehar, Luis Roldão, Dzmitry Tsishkou, Laurent Caraffa, Jean-Philippe Tarel, Roland Brémond

机构 * Noah's Ark, Huawei Paris Research Center, France（诺亚方舟实验室，华为巴黎研究中心，法国） ； COSYS, Gustave Eiffel University, France（COSYS，古斯塔夫·埃菲尔大学，法国） ； LASTIG, IGN-ENSG, Gustave Eiffel University, France（LASTIG，IGN-ENSG，古斯塔夫·埃菲尔大学，法国） 纠错

AI总结 本文提出基于Σ-Voxfield网格的3D生成框架，通过语义条件扩散模型生成大规模一致驾驶场景，采用渐进空间外推和延迟渲染模块实现高效生成。

BOSCH: Black-Box Binary Optimization for Short-Context Attention-Head Selection in LLMs

BOSCH: 用于LLMs中短上下文注意力头选择的黑盒二进制优化

Abbas Ghaddar, Ivan Kobyzev, Boxing Chen, Yufei Cui

机构 * Huawei Noah’s Ark Lab, Montreal Research Center, Canada（华为诺亚方舟实验室蒙特利尔研究中心） 纠错

AI总结 BOSCH通过黑盒二进制优化方法，针对LLMs中的短上下文注意力头选择问题，提出了一种无需训练的解决方案，通过大规模邻域搜索分解为三个子问题，优于现有方法。

Comments ACL 2026 (Main Conference)

ENEC: A Lossless AI Model Compression Method Enabling Fast Inference on Ascend NPUs

ENEC：一种无损AI模型压缩方法，使Ascend NPUs上的快速推理成为可能

Jinwu Yang, Jiaan Wu, Zedong Liu, Xinyang Ma, Hairui Zhao, Yida Gu, Yuanhong Huang, Xingchen Liu, Wenjing Huang, Zheng Wei, Jing Xing, Yili Ma, Qingyi Zhang, Baoyi An, Zhongzhe Hu, Shaoteng Liu, Xia Zhu, Jiaxun Lu, Guangming Tan, Dingwen Tao

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

AI总结 本文提出ENEC，一种专为AI模型权重优化的无损压缩方法，通过块级固定长度编码和NPU特定优化，提升Ascend NPUs的压缩比和吞吐量，实现比现有GPU压缩器更高的性能。

Comments Accepted by ISCA 2026, 17 pages, 13 figures, 7 tables

Learning to Edit Knowledge via Instruction-based Chain-of-Thought Prompting

通过基于指令的思考链提示学习知识编辑

Jinhu Fu, Yan Bai, Longzhu He, Yihang Lou, Yanxiao Zhao, Li Sun, Sen Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Huawei Technologies Ltd.（华为技术有限公司） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） 纠错

AI总结 本文提出CoT2Edit方法，通过思考链推理提升大语言模型的知识编辑能力，解决泛化差和范围窄的问题，实验显示在六个场景中表现优异。

Comments Accepted by ACL 2026 main conference

DRIFT: Decompose, Retrieve, Illustrate, then Formalize Theorems

DRIFT: 分解、检索、示例，然后形式化定理

Meiru Zhang, Philipp Borchert, Milan Gritta, Gerasimos Lampouras

机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

AI总结 DRIFT框架通过分解数学陈述并检索相关定理，提升大语言模型在形式化证明中的前提检索能力，显著提高F1分数和跨分布性能。

Comments Accepted at ICLR 2026

Beyond Syntax: Action Semantics Learning for App Agents

超越语法：面向应用代理的动作语义学习

Bohan Tang, Dezhao Luo, Jianheng Liu, Jingxuan Chen, Shaogang Gong, Jianye Hao, Jun Wang, Kun Shao

机构 * University of Oxford（牛津大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出动作语义学习框架ASL，通过捕捉地面真实动作的语义来提升应用代理的准确性和泛化能力，克服了传统语法学习在分布外鲁棒性上的不足。

STAR: Learning Diverse Robot Skill Abstractions through Rotation-Augmented Vector Quantization

STAR：通过旋转增强的向量量化学习多样化的机器人技能抽象

Hao Li, Qi Lv, Rui Shao, Xiang Deng, Yinchuan Li, Jianye Hao, Liqiang Nie

机构 * School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） 纠错

AI总结 STAR通过旋转增强的向量量化和因果技能变压器，提升机器人技能学习与组合，实现复杂行为完成，在LIBERO基准和现实任务中表现优越。

Comments Accepted by ICML 2025 Spotlight

Journal ref Proceedings of the 42st International Conference on Machine Learning, PMLR 267, 2025

From Cool Demos to Production-Ready FMware: Core Challenges and a Technology Roadmap

从Cool演示到生产级FMware：核心挑战和技术路线图

Gopi Krishnan Rajbahadur, Gustavo A. Oliva, Dayi Lin, Jiho Shin, Ahmed E. Hassan

机构 * Centre for Software Excellence, Huawei Canada（华为加拿大软件卓越中心） ； Queen's University（女王大学） 纠错

AI总结 本文探讨了从演示级到生产级FMware的过渡挑战，分析了FMware选型、数据对齐、提示工程等关键问题，并提出技术路线图以指导其规模化应用。