Huawei（华为）

NestPipe: Large-Scale Recommendation Training on 1,500+ Accelerators via Nested Pipelining

NestPipe：通过嵌套流水线在1,500多个加速器上进行大规模推荐训练

Zhida Jiang, Zhaolong Xing, Huichao Chai, Tianxing Sun, Qiang Peng, Baopeng Yuan, Jiaxing Wang, Hua Du, Zhixin Wu, Xuemiao Li, Yikui Cao, Xinyu Liu, Yongxiang Feng, Zhen Chen, Ke Zhang

机构 * Huawei（华为） 纠错

AI总结 本文提出NestPipe框架，通过嵌套流水线解决推荐模型训练中的数据移动瓶颈，实现3.06倍加速和94.07%的扩展效率。

Towards Multi-Object Nonprehensile Transportation via Shared Teleoperation: A Framework Based on Virtual Object Model Predictive Control

通过共享遥控实现多物体非抓取运输：基于虚拟物体模型预测控制的框架

Xinyang Fan, Zhaoyang Chen, Shu Xin, Yi Ren, Zainan Jiang, Fenglei Ni, Hong Liu

机构 * State Key Laboratory of Robotics and System, Harbin Institute of Technology（哈尔滨工业大学机器人技术与系统国家重点实验室） ； Advanced Manufacturing Laboratory, Huawei Technologies（华为技术有限公司先进制造实验室） 纠错

AI总结 本文提出一种基于虚拟物体模型预测控制的共享遥控框架，解决多物体非抓取运输中的轨迹跟踪和托盘姿态控制问题，通过动态约束分析和轨迹平滑算法实现稳定操作。

OmniTabBench: Mapping the Empirical Frontiers of GBDTs, Neural Networks, and Foundation Models for Tabular Data at Scale

OmniTabBench：映射GBDT、神经网络和基础模型在大规模表格数据上的经验前沿

Dihong Jiang, Ruoqi Cao, Zhiyuan Dang, Li Huang, Qingsong Zhang, Zhiyu Wang, Shihao Piao, Shenggao Zhu, Jianlong Chang, Zhouchen Lin, Qi Tian

机构 * Huawei Cloud（华为云） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） 纠错

AI总结 本文提出OmniTabBench，最大的表格数据基准，包含3030个数据集，通过大规模实验验证各模型家族无单一优势，提供更清晰的指导。

SHAPE: Stage-aware Hierarchical Advantage via Potential Estimation for LLM Reasoning

SHAPE：基于潜在估计的阶段感知分层优势用于大语言模型推理

Zhengyang Ai, Zikang Shan, Xiaodong Ai, Jingxian Tang, Hangkai Hu, Pinyan Lu

机构 * Huawei Taylor Lab（华为泰勒实验室） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 SHAPE通过潜在估计引入分层信用分配机制，提升大语言模型推理的效率与准确性，实验显示在数学推理任务中平均准确率提升3%，token消耗减少30%。

Comments ACL 2026 Main

Not All Tokens See Equally: Perception-Grounded Policy Optimization for Large Vision-Language Models

并非所有token都同等重要：基于感知的策略优化方法用于大型视觉-语言模型

Zekai Ye, Qiming Li, Xiaocheng Feng, Ruihan Chen, Ziming Li, Haoyu Ren, Kun Chen, Dandan Tu, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； Huawei Technologies Co., Ltd（华为技术有限公司） 纠错

AI总结 本文提出基于感知的策略优化方法PGPO，通过动态调整token级别的优势，提升多模态推理的鲁棒性与稳定性，实验显示在多个基准上提升18.7%。

ADOPT: Adaptive Dependency-Guided Joint Prompt Optimization for Multi-Step LLM Pipelines

ADOPT: 适应性依赖引导的多步骤LLM流水线联合提示优化

Minjun Zhao, Xinyu Zhang, Shuai Zhang, Deyang Li, Ruifeng Shi

机构 * Huawei Poisson Lab（华为泊松实验室） 纠错

AI总结 ADOPT通过分析步骤间依赖关系和最终输出误差，构建全局文本梯度并分解为步骤级局部梯度，实现多步骤LLM流水线的高效联合提示优化，优于现有基线方法。

DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation

DeCo：频率解耦的像素扩散用于端到端图像生成

Zehong Ma, Longhui Wei, Shuai Wang, Shiliang Zhang, Qi Tian

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； Nanjing University（南京大学） ； Huawei Inc.（华为公司） 纠错

AI总结 DeCo通过解耦高频与低频成分生成，提升像素扩散效率，实现更高效的端到端图像生成，实验表明其在ImageNet上取得优于其他模型的性能。

Comments Accepted to CVPR2026. Project Page: https://zehong-ma.github.io/DeCo. Code Repository: https://github.com/Zehong-Ma/DeCo