Huawei（华为）

Fast and Stable Triangular Inversion for Delta-Rule Linear Transformers

快速且稳定的三角矩阵求逆用于Delta规则线性变换器

Aleksandros Sobczyk, Gioele Gottardo, Christos K. Matzoros, Mirko De Vita, Filip Skogh, Anastasios Zouzias, Jiawei Zhuang

机构 * Computing Systems Lab（计算系统实验室） ； Huawei Technologies Switzerland（华为技术瑞士） 纠错

AI总结 本文研究了Delta规则线性变换器中快速且稳定的三角矩阵求逆方法，通过分析直接和迭代算法，探讨了矩阵乘法丰富的算法在现代硬件上的高效利用，实验验证了不同方法在低精度浮点表示下的性能和稳定性，实现了三角矩阵求逆的4.3倍加速，从而提升整个层级性能并保持端到端模型精度。

Comments Preprint

Thinking-while-speaking: A Controlled, Interleaved Reasoning Method for Real-Time Speech Generation

思考-言语：一种受控交错推理方法用于实时语音生成

Xuan Du, Qiangyu Yan, Wenshuo Li, Borui Jiang, Changming Xiao, Han Shu, Xinghao Chen

机构 * Huawei Technologies（华为技术） 纠错

AI总结 本文提出了一种受控交错推理方法InterRS，用于实时语音生成，通过在自然语音生成过程中插入推理步骤，提高了语音流畅性和推理深度，实验表明其在数学和逻辑基准测试中表现更优，并生成更自然流畅的答案。

COAgents: Multi-Agent Framework to Learn and Navigate Routing Problems Search Space

COAgents: 多智能体框架用于学习和导航路由问题搜索空间

Oleksandr Yakovenko, Mahdi Mostajabdaveh, Cheikh Ahmed, Abdullah Ali Sivas, Xiaorui Li, Zirui Zhou, Mao Kun

机构 * Huawei Technologies Canada（华为技术加拿大公司） ； Huawei Technologies（华为技术） 纠错

AI总结 本文提出COAgents多智能体框架，通过将搜索过程建模为图来解决车辆路径问题的计算复杂性问题，通过训练不同智能体来指导强化和探索，从而在CVRP和VRPTW基准测试中取得优异成绩。

Comments Accepted at LION 2026, The Learning and Intelligent Optimization Conference

Deeper Thought, Weaker Aim: Understanding and Mitigating Perceptual Impairment during Reasoning in Multimodal Large Language Models

更深入的思考，更弱的目标：理解并缓解多模态大语言模型推理过程中感知障碍

Ruiying Peng, Xueyu Wu, Jing Lei, Lu Hou, Yuanzheng Ma, Xiaohui Li

机构 * Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Huawei Technologies（华为技术） 纠错

AI总结 本文研究了多模态大语言模型在推理过程中出现的视觉感知障碍问题，提出了一种无需训练的视觉区域引导注意力框架，通过选择和重新加权视觉头部来引导模型关注与问题相关区域，从而提高视觉定位和推理准确性。

Q-DiT4SR: Exploration of Detail-Preserving Diffusion Transformer Quantization for Real-World Image Super-Resolution

Q-DiT4SR: 探索细节保留的扩散变换器量化以实现实景图像超分辨率

Xun Zhang, Kaicheng Yang, Hongliang Lu, Haotong Qin, Yong Guo, Yulun Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei（华为） 纠错

AI总结 本文提出Q-DiT4SR，一种专门针对基于扩散变换器的实现实景图像超分辨率的后训练量化框架，通过引入层次化SVD和变异性感知时空混合精度方法，在保持细节的同时实现高效的模型压缩和加速。

Comments Accepted to ICML 2026. Our code and models will be available at https://github.com/xunzhang1128/Q-DiT4SR