Huawei（华为）

TunerDiT: Training-free Progressive Steering of Diffusion Transformer for Multi-Event Video Generation

TunerDiT: 无需训练的多事件视频生成扩散变压器渐进式引导

Ruotong Liao, Guowen Huang, Qing Cheng, Guangyao Zhai, Lei Zhang, Xun Xiao, Thomas Seidl, Daniel Cremers, Volker Tresp

机构 * Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学） ； Technical University of Munich（慕尼黑技术大学） ； MCML ； University of Hamburg（汉堡大学） ； Huawei European Research Institute（华为欧洲研究院） 纠错

AI总结 针对长视频多事件生成难题，提出无需额外训练的TunerDiT方法，通过事件分区掩码和跨事件提示融合实现渐进式引导，在8项指标上达到最优。

Comments 17 pages, 13 figures

Unlocking Fine-Grained Translation Quality Estimation in LRMs through Synergistically Evolving Implicit and Explicit Reasoning

解锁大型推理模型中细粒度翻译质量评估：通过协同演化隐式和显式推理

Renfei Dang, Xinye Wang, Zhejian Lai, Weilu Xu, Shimin Tao, Daimeng Wei, Min Zhang, Shujian Huang

机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； Huawei Translation Services Center, Beijing, China（北京华为翻译服务中心） 纠错

AI总结 针对大型推理模型在细粒度翻译质量评估上的困难，提出RIEQE两阶段训练框架，通过非思考监督微调（隐式推理）和思考强化学习（显式推理）协同演化，在WMT测试集上超越基线。

EchoRL: Reinforcement Learning via Rollout Echoing

EchoRL：通过回滚回响进行强化学习

Jinhe Bi, Aniri, Minglai Yang, Xingcheng Zhou, Wenke Huang, Sikuan Yan, Yujun Wang, Zixuan Cao, Michael Färber, Xun Xiao, Volker Tresp, Yunpu Ma

机构 * Munich Center for Machine Learning（慕尼黑机器学习中心） ； Huawei Heisenberg Research Center（华为海森堡研究所以） ； University of Arizona（亚利桑那大学） ； College of Computing（计算学院） ； Data Science, Nanyang Technological University, Singapore（数据科学，南洋理工大学，新加坡） ； MemAgents Lab（MemAgents实验室） 纠错

AI总结 针对RLVR训练中优势退化问题，提出EchoRL模块，通过从成功回滚中提取EchoClip作为辅助监督信号，持续提升训练性能。

Comments ICML 2026

LVSA: Training-Free Sparse Attention for Long Video Diffusion

LVSA：长视频扩散的无训练稀疏注意力

Gael Glorian, Ioannis Lamprou, Zhen Zhang, Yujie Yuan, Hongsheng Liu

机构 * Distributed Parallel Technology Laboratory, Paris Research Center, Huawei Technologies France（华为法国巴黎研究中心分布式并行技术实验室） ； AI Framework and Data Technology Lab, Huawei Technologies Co., Ltd.（华为技术有限公司人工智能框架与数据技术实验室） 纠错

AI总结 提出一种无需训练、模型无关的块稀疏注意力方法LVSA，通过结构化窗口模式与旋转全局锚点结合，在降低长视频扩散推理计算成本的同时消除固定网格偏差，支持超训练时域的视频生成。

Comments 10 pages, 5 figures, 4 tables. Code: https://github.com/JiusiServe/LongVideoSparseAttention

UniRTL: Unifying Code and Graph for Robust RTL Representation Learning

UniRTL：统一代码和图以实现稳健的RTL表示学习

Yi Liu, Hongji Zhang, Lei Chen, Mingxuan Yuan, Qiang Xu

机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong SAR（计算机科学与工程系，香港中文大学，香港特别行政区） ； Noah's Ark Lab, Huawei, Hong Kong SAR（华为诺亚实验室，香港特别行政区） 纠错

AI总结 提出UniRTL多模态预训练框架，通过互掩码建模和分层训练策略联合利用RTL代码与控制数据流图，实现细粒度对齐，在性能预测和代码检索任务上优于现有方法。

Comments Forty-Third International Conference on Machine Learning (ICML 2026)

Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy

面向零样本时间序列异常检测的基础模型：利用合成数据和相对上下文差异

Tian Lan, Hao Duong Le, Jinbo Li, Wenjun He, Meng Wang, Chenghao Liu, Chen Zhang

机构 * Department of Industrial Engineering, Tsinghua University, Beijing, China（清华大学工业工程系） ； Datadog AI Research, Paris, France. This work was completed prior to joining Datadog（Datadog AI 研究院） ； Lab, Huawei Technologies, ShenZhen, China（华为技术2012实验室） 纠错

AI总结 提出基于相对上下文差异（RCD）的预训练范式，通过合成数据训练Transformer模型比较查询模式与上下文，实现零样本时间序列异常检测，在多个基准上超越现有基础模型。

Comments This manuscript is withdrawn, as the authors intend to further extend and develop the work beyond its current scope

G-STAR: End-to-End Global Speaker-Tracking Attributed Recognition

G-STAR: 端到端全局说话人跟踪属性识别

Jing Peng, Ziyi Chen, Haoyu Li, Yucheng Wang, Duo Ma, Mengtian Li, Yunfan Du, Dezhu Xu, Kai Yu, Shuai Wang

机构 * Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究院） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 提出G-STAR框架，通过缓存条件说话人跟踪模块与Speech-LLM转录骨干耦合，实现长时重叠多说话人语音的端到端说话人属性识别，支持组件优化和联合训练，在局部和全局评估中均表现优异。

Comments submitted to Emnlp 2026

Don't be so Stief! Learning KV Cache low-rank approximation over the Stiefel manifold

不要那么Stief！在Stiefel流形上学习KV缓存低秩近似

Luca Benfenati, Matteo Risso, Andrea Vannozzi, Ahmet Caner Yüzügüler, Lukas Cavigelli, Enrico Macii, Daniele Jahier Pagliari, Alessio Burrello

机构 * Department of Control and Computer Engineering, Politecnico di Torino（控制与计算机工程系，托里诺理工学院） ； Huawei Zurich Research Center（华为苏黎世研究中心） 纠错

AI总结 提出StiefAttention方法，通过在Stiefel流形上学习正交投影基并最小化解码器层输出重建误差，实现KV缓存压缩，优于现有SVD方法。

SAC-Opt: Semantic Anchors for Iterative Correction in Optimization Modeling

SAC-Opt：优化建模中用于迭代修正的语义锚点

Yansen Zhang, Qingcan Kang, Yujie Chen, Yufei Wang, Xiongwei Han, Tao Zhong, Mingxuan Yuan, Chen Ma

机构 * Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China（香港城市大学计算机科学系） ； Huawei Noah's Ark Lab, Hong Kong SAR, China（华为诺亚实验室（香港）） ； Huawei's Supply Chain Management Department, Shenzhen, China（华为供应链管理部（深圳）） 纠错

AI总结 提出SAC-Opt框架，通过语义锚点对齐和选择性修正，在无需额外训练的情况下提升大语言模型生成优化建模代码的语义忠实度，平均建模准确率提升7.7%。

Comments ICML 2026 accepted

PRISM: Self-Pruning Intrinsic Selection Method for Training-Free Multimodal Data Selection

PRISM：免训练多模态数据选择的自剪枝内在选择方法

Jinhe Bi, Aniri, Zengjie Jin, Yifan Wang, Danqi Yan, Wenke Huang, Xiaowen Ma, Sikuan Yan, Artur Hecker, Mang Ye, Xun Xiao, Hinrich Schuetze, Volker Tresp, Yunpu Ma

机构 * LMU Munich（慕尼黑大学） ； Munich Research Center, Huawei Technologies（慕尼黑研究中心，华为技术） ； METEOR ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 针对多模态大语言模型视觉指令数据冗余问题，提出一种免训练框架PRISM，通过隐式重中心化消除视觉特征各向异性导致的全局语义漂移，实现高效数据选择，在降低计算成本的同时提升模型性能。

Comments Accepted to ACL 2026 and selected for the Best Paper list; later desk-rejected due to an inadvertent manual bibliography-editing error. Previous versions are withdrawn due to an inadvertent manual bibliography-editing error; please refer to the latest corrected version

HERMES: Towards Efficient and Verifiable Mathematical Reasoning in LLMs

HERMES: 迈向高效且可验证的LLM数学推理

Azim Ospanov, Zijin Feng, Jiacheng Sun, Haoli Bai, Xin Shen, Farzan Farnia

机构 * Department of Computer Science \& Engineering, The Chinese University of Hong Kong ； Huawei Foundation Model Department 纠错

AI总结 提出Hermes框架，通过将非正式推理与Lean形式化验证交替结合，并引入中间形式化检查和记忆模块，在提升推理准确性的同时显著降低计算成本。

Beyond Tokens: Enhancing RTL Quality Estimation via Structural Graph Learning

超越令牌：通过结构图学习增强RTL质量估计

Yi Liu, Hongji Zhang, Yiwen Wang, Dimitris Tsaras, Lei Chen, Mingxuan Yuan, Qiang Xu

机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong SAR（香港中文大学计算机科学与工程系） ； Noah's Ark Lab, Huawei, Hong Kong SAR（华为诺亚实验室） 纠错

AI总结 提出StructRTL框架，利用控制数据流图的结构语义和自监督学习，结合知识蒸馏，显著提升寄存器传输级设计质量估计的准确性。

Comments Forty-Third International Conference on Machine Learning (ICML 2026)