Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought
面向微服务的深入根本原因定位：多智能体递归思考
机构 * Peking University（北京大学） ； Huawei Theory Lab（华为理论实验室）
AI总结 本文提出RCLAgent框架，通过多智能体递归思考实现微服务系统根本原因定位，提升定位准确性和推理效率。
大厂专区
Huawei（华为）
TurboVGGT: Fast Visual Geometry Reconstruction with Adaptive Alternating Attention
TurboVGGT: 基于自适应交替注意力的快速视觉几何重建
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） ； Foundation Model Department, Huawei（华为基础模型部门）
AI总结 本文提出TurboVGGT，通过自适应稀疏全局注意力和帧注意力实现高效多视图3D重建，在保持重建质量的同时提升效率。
Comments Technical Report
RePack then Refine: Efficient Diffusion Transformer with Vision Foundation Model
RePack then Refine：高效的扩散变换器与视觉基础模型
机构 * Huawei Technologies Canada Ltd.（华为加拿大有限公司）
AI总结 本文提出RePack then Refine框架，通过压缩高维VFM特征并细化提升扩散变换器的生成效率与质量，在ImageNet-1K上取得优于最新LDMs的性能。
It Takes Two: Your GRPO Is Secretly DPO
两人即可：你的GRPO其实暗含DPO
机构 * UdeM（蒙特利尔大学） ； McGill（麦吉尔大学） ； Mila（Mila人工智能研究院） ； UManitoba（曼尼托巴大学） ； CUHK（香港中文大学） ； ZJU（浙江大学） ； UAlberta（阿尔伯塔大学） ； Amii（阿米人工智能研究院） ； Huawei Noah’s Ark Lab（华为诺亚实验室）
AI总结 本文提出2-GRPO，通过仅两个rollouts构建对比信号，理论分析显示其性能接近16-GRPO，训练效率提升显著。
Multi-Scale Dequant: Eliminating Dequantization Bottleneck via Activation Decomposition for Efficient LLM Inference
多尺度去量化：通过激活分解消除去量化瓶颈以实现高效的LLM推理
机构 * Huawei（华为）
AI总结 本文提出多尺度去量化方法，通过分解高精度激活为多个低精度组件，避免权重转换，提升LLM推理效率。
AIS: Adaptive Importance Sampling for Quantized RL
AIS: 量化强化学习中的自适应重要性采样
机构 * Huawei（华为） ； The University of Hong Kong（香港大学）
AI总结 本文提出AIS方法，通过动态调整重要性采样强度，解决量化强化学习中 rollout 与训练不匹配导致的策略梯度偏差问题，在保持FP8加速优势的同时，提升训练稳定性。
