Huawei（华为）

Illuminating Unified Multimodal Model for Free-form Interleaved Text-Image Generation

照亮统一多模态模型以实现自由形式交错文本-图像生成

Chonghuinan Wang, Zhikai Chen, Chunwei Wang, Yecong Wan, Junwei Yang, Zhixin Wang, Wei Zhang, Jiaqi Xu, Renjing Pei, Xiaohe Wu, Fan Li, Wangmeng Zuo

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Zhengzhou Advanced Research Institute of Harbin Institute of Technology（哈尔滨工业大学郑州先进研究院） ； Nankai University（南开大学） 纠错

AI总结 提出ILLUME-X统一多模态模型，通过改进数据效率和稳定训练，实现高质量自由形式交错文本-图像生成，在风格迁移等任务上超越先前模型。

Comments Accepted by ECCV2026

MATCH: Modulating Attention via In-Context Retrieval for Long-Context Transformers

MATCH: 通过上下文检索调制注意力用于长上下文Transformer

Linrui Ma, Chun Hei Lo, Xinyu Wang, Peng Lu, Xihao Yuan, Hanting Chen, Kai Han, Xinghao Chen, Chengjun Zhan, Hanlin Xu, Yichun Yin, Lifeng Shang, Feng Wen, Boxing Chen, Yufei Cui

机构 * Huawei Canada（华为加拿大） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； Huawei Equal Contribution（华为同等贡献） 纠错

AI总结 提出MATCH框架，通过高效检索系统动态集成上下文信息来增强稀疏注意力机制，在长上下文任务中提升性能并保持效率。

Comments ACL 2026 Main Conference

ViPSim: Collaborating Visual and Parameter Spaces for Consistent Long-Horizon Embodied World Models

ViPSim: 协同视觉与参数空间实现一致的长时程具身世界模型

Longyu Chen, Heng Li, Wei Yang, Manqi Zhao, Dongsheng Jiang

机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） ； Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 提出ViPSim框架，通过协同视觉空间（显式空间先验）和参数空间（数值驱动）解决长时程视频生成中的轨迹漂移和不一致问题，实现高保真具身世界模型。

Comments Accepted to Robotics: Science and Systems (RSS) 2026

X-Stream: Exploring MLLMs as Multiplexers for Multi-Stream Understanding

X-Stream: 探索多模态大语言模型作为多流理解的多路复用器

Peiwen Sun, Xudong Lu, Huadai Liu, Yang Bo, Dongming Wu, Huankang Guan, Minghong Cai, Jinpeng Chen, Xintong Guo, Shuhan Li, Fang Liu, Rui Liu, Xiangyu Yue

机构 * MMLab, Chinese University of Hong Kong（中大香港人工智能实验室） ； Huawei Inc.（华为公司） 纠错

AI总结 为解决多流视频理解评估缺失的问题，提出首个基准X-Stream，包含4220个QA对和932个视频，覆盖多窗口、多视角和多设备场景，并基于信号多路复用理论评估MLLM作为多路复用器的性能，发现现有模型在并发流上仅达约50%分数。

Comments Project Page: https://peiwensun2000.github.io/xstream/

Face Anything: 4D Face Reconstruction from Any Image Sequence

人脸任意：从任意图像序列中进行4D人脸重建

Umut Kocasari, Simon Giebenhain, Richard Shaw, Matthias Nießner

机构 * Technical University of Munich（慕尼黑技术大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

AI总结 本文提出基于标准面部点预测的统一方法，用于高保真的4D人脸重建，通过单次前馈模型实现时间一致的几何和可靠的对应关系，实验表明在重建和跟踪任务中性能优于现有方法。

Comments Accepted to ECCV 2026. Project website: https://kocasariumut.github.io/FaceAnything/ , Video: https://www.youtube.com/watch?v=wSGHpAscp0Y

SRUM: Fine-Grained Self-Rewarding for Unified Multimodal Models

SRUM：细粒度自奖励用于统一多模态模型

Weiyang Jin, Yuwei Niu, Jiaqi Liao, Chengqi Duan, Aoxue Li, Shenghua Gao, Xihui Liu

机构 * HKU MMLab（香港大学多媒体实验室） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） ； Noah’s Ark Lab, Huawei（华为诺亚方舟实验室） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 SRUM通过内部评估模块对生成模块进行自奖励，提升统一多模态模型的视觉生成能力，实验证明在T2I-CompBench和T2I-ReasonBench上性能显著提升。

Comments Accepted to ECCV 2026. 20 pages, 8 figures, webpage can be seen in https://waynejin0918.github.io/srum_web/

Efficient Serving of LLM Applications with Probabilistic Demand Modeling

通过概率需求建模实现LLM应用的高效服务

Yifei Liu, Zuo Gan, Zhenghao Gan, Weiye Wang, Chen Chen, Yizhou Shan, Xusheng Chen, Zhenhua Han, Yifei Zhu, Shixuan Sun, Minyi Guo

机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei Cloud（华为云） ； Unaffiliated（无隶属机构） 纠错

AI总结 本文提出Hermes系统，利用概率需求图建模LLM应用资源需求，采用Gittins策略优化调度顺序，预热冷后台，提升服务效率，减少平均完成时间70%以上，P95完成时间80%以上。

Journal ref ACM Transactions on Architecture and Code Optimization 23, 2, Article (June 2026), 1-25

Instance-Conditioned Adaptation for Large-scale Generalization of Neural Routing Solver

实例条件适应：神经路由求解器的大规模泛化

Changliang Zhou, Xi Lin, Zhenkun Wang, Xialiang Tong, Mingxuan Yuan, Qingfu Zhang

机构 * School of Automation and Intelligent Manufacturing and Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology, Southern University of Science and Technology, Shenzhen 518055, China（自动化与智能制造学院和广东省全驱动系统控制理论与技术重点实验室，南方科技大学，深圳518055，中国） ； Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China（计算机科学系，香港城市大学，香港特别行政区，中国） ； Huawei Noah’s Ark Lab, Hong Kong SAR, China（华为诺亚实验室，香港特别行政区，中国） 纠错

AI总结 提出实例条件适应模型（ICAM），通过简单高效的实例条件适应函数和低复杂度的适应模块，显著提升神经路由求解器在大规模旅行商问题（TSP）、容量车辆路径问题（CVRP）和非对称旅行商问题（ATSP）上的泛化性能，同时保持快速推理速度。

Comments accepted by IEEE Transactions on Intelligent Transportation Systems

Journal ref IEEE Transactions on Intelligent Transportation Systems, 2026