Huawei（华为）

Sparse by Command: Task-Conditional Compute Skipping for Multi-Task Inference Accelerators

通过命令实现稀疏化：多任务推理加速器的任务条件计算跳过

Afzal Ahmad, Gaoyu Mao, Shoubo Hu, Hui-Ling Zhen, Mingxuan Yuan, Xinyu Chen, Wei Zhang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

AI总结 研究多任务推理模型计算浪费问题，提出软硬件协同设计方法，通过轻量级门控网络预测执行掩码实现任务条件计算跳过，在自动驾驶任务中实验，显著减少计算量、延迟并降低能耗。

Comments Accepted at IEEE/ACM International Symposium on Microarchitecture (MICRO 2026)

GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis

GrainGS：用于高效动态新视图合成的梯度解耦高斯点云渲染

Jiahao He, Yihua Shao, Zhengkai Zhao, Pan Gao, Fei Ma, Jingcai Guo, Hao Tang, Nicu Sebe, Qi Tian

机构 * College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Department of Computing, Hong Kong Polytechnic University（香港理工大学计算学系） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy（广东省人工智能与数字经济实验室） ； Huawei Consumer Business Group, Huawei（华为消费者业务集团） ； Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） 纠错

AI总结 针对动态场景重建问题，GrainGS结合分层锚点框架与高斯变形，通过静态预热、停止梯度操作等实现各高斯独立预测时间偏移及规范-残差外观分解，在合成和真实多视图基准测试中展现出高重建质量、实时渲染及紧凑存储等优势。

Optimising Neural Speech Codecs for 300bps Communication using Reinforcement Learning

利用强化学习优化神经语音编解码器用于300bps通信

Junyi Wang, Chi Zhang, Jing Qian, Haifeng Luo, Hao Wang, Zengrui Jin, Chao Zhang

机构 * Tsinghua University（清华大学） ； Huawei Technologies Co., Ltd（华为技术有限公司） 纠错

AI总结 本文提出ClariCodec，一种在300bps下工作的神经语音编解码器，通过将量化视为随机策略，利用强化学习优化可懂度，从而在极端压缩水平下减少词错误率。

SwiftMem: Fast Agentic Memory via Query-aware Indexing

SwiftMem: 通过查询感知索引实现快速代理记忆

Anxin Tian, Yiming Li, Xing Li, Hui-Ling Zhen, Lei Chen, Xianzhi Yu, Zhenhua Dong, Mingxuan Yuan

机构 * Huawei, Hong Kong（华为（香港）） 纠错

AI总结 SwiftMem通过查询感知索引实现快速代理记忆，提升检索效率并降低延迟，适用于实际部署的内存增强LLM代理。