大厂专区
CPU上的因果注意力：一种用于预填充的缓存感知且负载均衡的调度内核
机构 * Intel Corp.（英特尔公司）
AI总结 针对多智能体并发长上下文预填充耗尽GPU资源的问题，提出CACPU缓存感知负载均衡调度内核，集成到SGLang后可加速Llama-3.1-8B的首token生成时间并保持精度。
Comments Preprint
机构 * New York University（纽约大学） ； Intel Corporation（英特尔公司）
AI总结 提出混合神经表示Gaussian-Grid，基于局部频率动态分配计算，在高分辨率图像上实现解码提速、流量减少，兼具小内存占用与高重建保真度。
机构 * Mathematical Modeling Initiative（数学建模倡议） ； Neuromorphic Computing Group, Intel（英特尔神经形态计算组） ； Department of Electrical Engineering, IIT Bombay（印度理工学院孟买分校电气工程系）
AI总结 本文提出一个微分几何框架，研究非布朗运动粒子在固定障碍物存在下的运动，揭示轨迹并非纯阻力度量的测地线，而是受曲面曲率影响的几何漂移。通过引入符合缩放度量，证明轨迹为能量耗散的测地线。
机构 * Intel Corporation（英特尔公司）
AI总结 NoiseFormer通过引入噪声扩散对称注意力机制，在保持内存优势的同时提升模型准确性和推理效率。
机构 * Colgate University（科尔盖特大学） ； Intel（英特尔） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
AI总结 本文建立带极性二部图克罗内克积与极性商的结构兼容性，应用该理论以广义多边形为因子构造出三类大图，其中直径3的低度数图大小超现有同类图。
Comments 24 pages, 4 figures, 3 tables Changes in v.2: Added an analysis of bipartite compatibility graphs. Complete documentation of the (19,3) and (20,3) graphs can be found in v.1, including a more detailed discussion of the replication technique used
机构 * School of Information Sciences, University of Illinois at Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校信息科学学院） ； Independent Researcher, Starc Institute（Starc研究所独立研究者） ； Research Scientist, Intel Labs, Santa Clara, CA, USA（英特尔实验室研究科学家）
AI总结 CORE通过优化内容生成，提升基于LLM的搜索中小企业产品的可见性，实现高推广成功率。
Comments 23 pages
机构 * Institute of Informatics, University of Munich (LMU)（慕尼黑大学信息学院） ； Intel Labs, Intel Corporation（英特尔实验室） ； Southwest Research Institute（西南研究 institute） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； German Research Centre for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Institute of Computational Life Sciences (ICLS)（计算生命科学研究所） ； Zurich University of Applied Sciences (ZHAW)（苏黎世应用科学大学）
AI总结 提出CLP-SNN脉冲神经网络架构并在Intel Loihi 2芯片上实现，通过事件驱动局部学习、自归一化三因子规则及神经发生等创新，在OpenLORIS上实现高精度无重放在线持续学习，比边缘GPU快70倍且能效高5600倍。
DecompDreamer：一种面向结构化3D资产生成的组合感知课程学习方法
机构 * Arizona State University（亚利桑那州立大学） ； Intel Labs（英特尔实验室） ； Stability AI
AI总结 针对文本到3D方法处理组合提示时易出现梯度冲突、生成效果差的问题，提出DecompDreamer框架，采用分阶段优化的隐式课程策略，先构建物体间结构支架再细化单组件，在保真度等方面超越现有最优方法。
机构 * Intel Corporation（英特尔公司）
Comments 14 pages, 5 tables, 3 figures
机构 * University of Washington（华盛顿大学） ； Intel（英特尔） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种判定双重舍入正确性的精确条件，并基于此开发MPFX数字库，其性能显著优于MPFR，与SoftFloat相当，并用于高效模拟硬件。
铁电铪锆氧化物电容器的存取速率依赖型 endurance 行为
机构 * NaMLab gGmbH（NaMLab有限公司） ； Queen’s University Belfast（贝尔法斯特女王大学） ； Technical University Dresden（德累斯顿工业大学） ； Intel Foundry（英特尔代工） ； University Applied Sciences, Department of Applied Sciences and Mechatronics（应用科学大学应用科学与机电工程系）
AI总结 针对铁电铪锆氧化物电容器存取速率依赖型 endurance 衰减机制，结合电学测试与模拟揭示氧空位缺陷作用，建立物理模型并在宽温宽延迟时间下验证，为相关存储器性能外推提供支撑。
机构 * Mila – Québec AI Institute（米拉-魁北克人工智能研究所） ； Intel（英特尔公司） ； Université de Montréal（蒙特利尔大学）
AI总结 本文提出 GFlowNets 的混合模型（MoG）及其交换变体（MoGX），通过异步训练的 GFlowNet 群体划分状态空间以解决模式偏差问题，在固定环境交互预算下，于 HyperGrid 和基因组设计任务中均展现出更优的模式覆盖能力。
Comments 30 Pages, 21 Figures, 14 Tables, under review. Omar G. Younis and Joseph D. Viviano are co-lead authors
机构 * University of Southern California（南加州大学） ； Intel AI（英特尔人工智能部门）
AI总结 该研究分析激活导向的脆弱性，提出尖锐去除方法，去除导向向量的尖锐分量，在多模型多任务上优于标准对比激活加法，可提升行为控制效果。
Comments Accepted at NeurIPS 2026
机构 * Intel Corporation（英特尔公司）
AI总结 针对BEV感知模型部署的算子不匹配问题，提出便携式GPU计算框架BEVPIPE，实现19.5倍端到端加速且保留98.5% mAP，支持跨GPU后端移植。
RaReCache：通过基于秩分歧的选择性重计算弥合跨模型KV缓存复用的差距
机构 * University of Southern California（南加州大学） ； University of California, Irvine（加利福尼亚大学欧文分校） ； Intel Labs（英特尔实验室）
AI总结 RaReCache是一种基于秩分歧选择性重计算的框架，可让小型模型预填缓存后，大型模型仅重计算关键token即可准确解码，大幅降低跨模型KV缓存复用的预填延迟，提升服务吞吐量。
机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Intel（英特尔）
AI总结 ReFold是一种免训练的渲染层方法，通过可逆地折叠回合间冗余内容来压缩长时程智能体的上下文，在保持任务成功率的同时显著降低token消耗、内存和推理成本。
Comments 27 pages, 6 figures, 14 tables
机构 * Texas A&M University（德克萨斯农工大学） ； Intel Labs（英特尔实验室） ； University of California, Riverside（加州大学河滨分校）
AI总结 本研究提出PerSpectron，一种基于感知器学习的硬件检测器，通过监控微架构统计特征，在数据泄露前检测并分类Spectre、Meltdown等微架构攻击，具有低开销且不增加计算延迟。
Comments Author manuscript of MICRO 2020. 14 manuscript pages plus publication-notice page
Journal ref 2020 53rd Annual IEEE/ACM International Symposium on Microarchitecture (MICRO), pp. 1124-1137 (2020)
机构 * Computer Science and Engineering Texas A&M University（德克萨斯农工大学计算机科学系） ； Intel Labs（英特尔实验室）
AI总结 本文提出面向TLB的预测性替换策略CHiRP，利用控制流历史签名降低缺失率，在1024条目L2 TLB上平均减少28.21%的MPKI，优于现有策略。
Comments Author manuscript of MICRO 2020. 15 manuscript pages plus publication-notice page
Journal ref 2020 53rd Annual IEEE/ACM International Symposium on Microarchitecture (MICRO), pp. 131-145 (2020)
机构 * Northwestern University（西北大学） ； Intel Corporation（英特尔公司）
AI总结 针对联邦深度聚类中的隐私泄露与数据异构问题，提出Fed-BRDECS框架，通过局部样本稳定性损失和预测平衡采样及质心重启，在图像、文本及时间序列任务上优于现有基线。
Cascadia：在十一台 AI PC 上常驻运行 975B 参数的 MoE 推理
机构 * Not Community Labs Inc.（Not Community Labs 公司） ； Intel Corporation（英特尔公司）
AI总结 本文提出 Cascadia 系统，在十一台 AI PC 上常驻运行 975B 参数 MoE 模型，通过定制引擎优化推理，实现 60.29 tokens/s 解码速度，并验证了长上下文下的代码恢复能力。
机构 * Technical University of Munich（慕尼黑工业大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； McGill University & Mila（麦吉尔大学与Mila） ； Intel Labs（英特尔实验室）
AI总结 本研究提出一种分层因果表示学习框架，用于气候模型海表温度模拟，显式建模内部变率与强迫响应，准确预测温度演变并展现物理真实的扰动响应。
机构 * Arizona State University（亚利桑那州立大学） ； University of California, Merced（加州大学默塞德分校） ； Intel Corporation（英特尔公司）
AI总结 研究针对手术交互识别中预训练模型适应细粒度交互的挑战，提出LAViFiT框架，通过逆动力学模型、前向世界模型及补丁级SIG正则化器，实现视觉语言微调，提升了识别率和图像-文本对齐，增强了特征基础和空间连贯性。
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； GenBio AI（基因生物人工智能公司） ； Intel（英特尔公司）
AI总结 研究针对医疗保健领域特定任务零样本模型问题推出检索增强可解释学习（RAIL）框架，通过检索相关任务并传递结构生成新预测器，概率公式提供不确定性支持可靠性感知部署，在临床程序预测任务中性能可靠，还提升模型透明度。
Comments We note that a preliminary, non-archival workshop version of this work is available online under the name RAG-IM. RAIL is the renamed and completed version of the same work. This manuscript supersedes that earlier non-archival workshop version and should be consulted for the current formulation, results, and contributions
机构 * University of Southern California（南加州大学） ； Intel AI（英特尔人工智能）
AI总结 提出在线策略功率蒸馏（OPPD），通过序列蒙特卡洛采样和教师功率分布加权，训练模型单次生成即可实现锐化采样效果，显著提升数学推理准确率，并与GRPO互补。
检测重要缺陷：面向制造与零售物流异常检测的应用驱动基准（VAND 4.0 挑战赛）
机构 * MVTec Software GmbH（MVTec软件有限公司） ； Technical University of Munich（慕尼黑工业大学） ； Amazon（亚马逊） ； Intel（英特尔） ； NVIDIA（英伟达）
AI总结 针对现有异常检测基准不切实际的问题，提出VAND 4.0应用驱动基准，覆盖工业制造与零售物流，发现无监督分割仍有挑战、VLM难替代专用模型，并引入效率度量与罕见缺陷数据集。
SyclKittens：面向Intel GPU的程序员与编码代理的瓦片编程模型
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Intel Corporation（英特尔公司） ； Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院）
AI总结 SyclKittens是一种面向Intel GPU的硬件感知瓦片编程模型，通过编码已知高效方法，使编码代理能将核函数性能从57.5%提升至82.1%，并构建达到oneDNN约96%性能的核函数套件。
Comments 46 pages, 11 figures. Code at https://github.com/intel/SyclKittens
机构 * Intel Labs（英特尔实验室） ； Department of Computer Science（计算机科学系） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文提出一种无需显式反馈的实时学习算法，结合图上半监督学习和在线学习，通过迭代构建世界图表示并更新，利用离线标注数据和在线未标注数据提升性能，在实时人脸识别中取得优越精度和召回率。
Comments IEEE Computer Vision and Pattern Recognition Workshop on Online Learning for Computer Vision (CVPR 2010 OLCV)
机构 * Intel Labs（英特尔实验室） ； Santa Clara University（圣克拉拉大学） ； University of Pittsburgh（匹兹堡大学） ； Berkeley（伯克利）
AI总结 本文提出了一种新的半监督学习算法，通过最大化谐波函数解诱导标签的边际来学习图割。在合成数据和UCI ML数据集上验证了方法的有效性，并证明了其泛化误差界。
Comments Published at AISTATS 2010 (13th International Conference on Artificial Intelligence and Statistics)
TRIAGE: 通过概率-epistemic门控估计进行类型路由干预 在机器人操作和自适应感知中 -- 不要将所有不确定性视为相同
机构 * University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Intel Labs（英特尔实验室）
AI总结 TRIAGE通过分解不确定性为概率和epistemic组件，改进机器人操作和自适应感知的性能和效率。
Journal ref 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
面向机器人规划与感知的具有上下文感知非一致性函数的可学习共形预测
机构 * University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Intel Labs（英特尔实验室）
AI总结 本文提出可学习共形预测（LCP），用轻量级神经函数替代固定非一致性分数，在保持理论覆盖保证的同时，显著缩小预测集、收紧检测区间并提升路径规划安全性，且计算开销极低，适用于资源受限的自主系统。
Journal ref 2026 IEEE International Conference on Robotics and Automation (ICRA)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈