Huawei（华为）

Can Aggregate Invariants Accelerate Continuous Subgraph Matching? Limits, Laws, and a Dynamic Spectral Index

聚合不变量能否加速连续子图匹配？极限、规律与动态谱索引

Minghao Chen, Jiale Zheng

机构 * Tencent Technology（腾讯科技） ； HUAWEI Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

AI总结 研究聚合结构测试（如谱滤波）在动态图连续子图匹配中的可行性，发现其仅在候选集规模大时有效，并提出了动态局部谱索引。

Comments 11 pages, 3 figures, 3 tables

AVOC: Enhancing Hour-Level Audio-Video Understanding in Omni-Modal LLMs via Retrieval-Inspired Token Compression

AVOC：通过检索启发的令牌压缩增强全模态大语言模型中的小时级音视频理解

Yijing Chen, Wenhui Tan, Xiaoyi Yu, Yuyue Wang, Xin Cheng, Kaisi Guan, Hao Jiang, Xiangyang Li, Guojie Zhu, Ruihua Song

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Huawei Inc.（华为技术有限公司） 纠错

AI总结 提出AVOC框架，通过检索启发的令牌压缩模块，将多模态令牌压缩视为top-K检索问题，结合相关性、重要性和多样性三个标准，实现长时音视频理解，在小时级基准上取得最优性能。

Latent Visual States for Efficient Multimodal Reasoning

用于高效多模态推理的潜在视觉状态

Xiuwei Chen, Wentao Hu, Yongxin Wang, Zisheng Chen, Likui Zhang, Kun Xiang, Jianhua Han, Hui-Ling Zhen, Jingyuan Zou, Hang Xu, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； The Hong Kong Polytechnic University（香港理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； Yinwang Intelligent Technology Co. Ltd（银旺智能科技有限公司） 纠错

AI总结 提出EVA框架，通过生成连续潜在视觉表示（Latent_slot tokens）作为中间推理思考，并设计D-GSPO解决优化策略偏差，构建EVA-230K数据集，在多个基准上提升性能与推理效率。

Metis: Bridging Text and Code Memory for Self-Evolving Agents

Metis: 连接文本与代码记忆以实现自我进化智能体

Zijie Dai, Siuhin He, Hui Li, Qihui Zhou, Jiajun Li, Mingcong Song, Guoping Long, Hongjie Si, Xin Yao, Lin Zhang, James Cheng, Xiao Yan

机构 * The Chinese University of Hong Kong（香港中文大学） ； Huawei（华为） ； Wuhan University（武汉大学） 纠错

AI总结 提出Metis系统，通过分层双表示记忆（文本与代码）平衡构建成本、执行效率和可迁移性，在AppWorld上任务准确率提升20.6%，执行成本降低22.8%。

Comments Work in progress

DriveStack-VLA: Render-Teacher Alignment for BEV-Based DeepStack Vision-Language-Action Model

DriveStack-VLA: 基于BEV的DeepStack视觉-语言-动作模型的渲染-教师对齐

Jingke Wang, Zhenru Zhao, Shuangming Lei, Hao Su, Yuehao Huang, Yijia Xie, Kai Tang, Guanglin Xu, AiXue Ye, Yukai Ma, Yong Liu

机构 * Zhejiang University（浙江大学） ； The 2012 Labs, Huawei（华为2012实验室） 纠错

AI总结 提出DriveStack-VLA框架，通过DeepStack连接注入BEV表示并采用渲染-教师对齐增强空间感知，引入自批评模块优化轨迹选择，在多个驾驶基准上取得领先性能。

SemChunk-C: Semantic Segmentation for C Code

SemChunk-C: C 代码的语义分割

Boris Nazarov, Darya Frolova, Shaked Leibzirer, Pavel Kisilev

机构 * Huawei（华为） 纠错

AI总结 针对 C 语言代码语义分割难题，提出基于轻量级 LLM 的 SemChunk-C 模型，定义代码块类别并实现边界识别与功能属性标注，在边界准确性和语义连贯性上优于基于大型 LLM 的方法。

Comments 7 pages, 9 tables, 2 figures

ZeroGVC: Zero-Shot Generative Video Compression with Autoregressive Diffusion Priors

ZeroGVC：基于自回归扩散先验的零样本生成式视频压缩

Yixin Gao, Xiaohan Pan, Lin Liu, Xin Li, Zhibo Chen, Qi Tian

机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Inc（华为公司） 纠错

AI总结 提出ZeroGVC，一种零样本生成式视频压缩框架，利用预训练自回归扩散先验，通过码本引导的自回归潜压缩和双向参考模式，在超低码率下实现高质量感知重建，无需额外训练。

Essential Subspace Merging for Multi-Task Learning

多任务学习的本质子空间合并

Longhua Li, Lei Qi, Xin Geng, Qi Tian

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用国家重点实验室（东南大学）） ； Huawei Inc.（华为公司） 纠错

AI总结 提出本质子空间分解（ESD）和合并（ESM/ESM++）方法，通过正交化任务更新的主成分来减少多任务合并中的干扰，无需训练即可实现高效多任务学习。

ASymPO: Asymmetric-Scale Policy Optimization for Asynchronous LLM Post-Training Without Behavior Information

ASymPO: 用于异步大语言模型后训练的非对称尺度策略优化（无需行为信息）

Zehua Liu, Yuxuan Yao, Xiaojin Fu, Tao Zhong, Mingxuan Yuan

机构 * Huawei Technologies（华为技术） 纠错

AI总结 针对异步强化学习中陈旧响应导致的分布漂移问题，提出非对称尺度策略优化（ASymPO），通过归一化每个响应的令牌损失来恢复零和平衡，无需行为策略概率。

Comments incorrect proofs in the paper

Self-CriTeach: LLM Self-Teaching and Self-Critiquing for Improving Robotic Planning via Automated Domain Generation

Self-CriTeach: LLM 自我教学与自我批评用于通过自动领域生成提升机器人规划

Jinbang Huang, Zhiyuan Li, Yuanzhao Hu, Zhanguang Zhang, Mark Coates, Xingyue Quan, Yingxue Zhang

机构 * Huawei Noah's Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McGill University（麦吉尔大学） 纠错

AI总结 本文提出Self-CriTeach框架，通过LLM自动生成符号规划领域，用于自我教学生成规划问题-计划对及自我批评生成结构化奖励信号，提升机器人规划性能与泛化能力。

Comments International Conference on Machine Learning (ICML) 2026

Hybrid Sequence Modeling and Reinforced Verification for Controllable Target-Conditioned Decision Making

混合序列建模与强化验证的可控目标条件决策

Yue Pei, Hongming Zhang, Chao Gao, Martin Müller, Yingying Zhang, Mengxiao Zhu, Hao Sheng, Ziliang Chen, Liang Lin, Haogang Zhu

机构 * School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Department of Computing Science and Amii, University of Alberta（阿尔伯塔大学计算机科学系和Amii） ； Edmonton Research Center, Huawei Canada（华为加拿大埃德蒙顿研究中心） ； Hangzhou International Innovation Institute, Beihang University（杭州国际创新院，北航） ； School of Artificial Intelligence and Computer Science, North China University of Technology（北中国技术大学人工智能与计算机科学学院） ； Research Institute of Multiple Agents and Embodied Intelligence, Peng Cheng Laboratory（鹏城实验室多智能体与具身智能研究院） 纠错

AI总结 提出Doctor框架，结合掩码轨迹Transformer与强化验证，通过生成候选动作并选择验证值最接近目标回报的动作，提升目标条件策略在低覆盖数据下的可控性。