大厂专区
用于加快使用工具的智能体的推测性宏提交（Speculative Macro Commit）
机构 * University of Southern California（南加州大学） ； Intel Labs（英特尔实验室）
AI总结 本文提出SMC机制，通过双层智能体系统复用多步推测性执行，在保持准确率的同时显著降低工具使用智能体的延迟，相关代码已公开。
Comments Accepted in MLSP2026
可靠性引导的深度融合用于抗眩光导航成本图
机构 * Intel（英特尔）
AI总结 本文提出基于显式深度可靠性建模的抗眩光成本图构建方法，通过轻量级深度可靠性地图估计器和可靠性引导融合机制，减少眩光导致的假障碍物插入，提升自由空间保真度。
Comments Substantially revised version updated to match the final peer-reviewed article published in IEEE Sensors Journal. The experiments and analyses were substantially rerun and revised, and the author list has been updated to reflect contributions to the current version
Journal ref IEEE Sensors Journal, 2026
KernelFoundry: 带硬件意识的进化GPU内核优化
机构 * Intel Corporation（英特尔公司）
AI总结 KernelFoundry通过MAP-Elites搜索、元提示进化和模板参数优化，高效探索GPU内核设计空间，实现SYCL内核在KernelBench上的2.3倍加速。
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
HBQ：面向高效硬件设计的分层缩放块量化，用于准确的大语言模型推理
机构 * Cornell University（康奈尔大学） ； Intel Corporation（英特尔公司）
AI总结 该研究针对大语言模型推理的块量化设计空间不足问题，提出分层块量化HBQ，通过二级尾数缩放补偿大块误差，实现了比现有权重量化和块量化更高的面积、能量效率与推理速度，达到最优精度。
Comments This work is accepted to the 59th IEEE/ACM International Symposium on Microarchitecture (MICRO 2026)
CURA：面向计算机使用智能体的可验证运行时警报
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Intel Labs（英特尔实验室） ； Capital One AI Labs（Capital One AI实验室）
AI总结 针对计算机使用智能体自报告失效问题，提出仅读取测试环境遥测的外部监控器CURA，可在运行时检测失败，提升任务解决率。
到达并生存：基于一位失败信号扩展安全目标条件策略学习
机构 * Southeast University（东南大学） ； Yinwang Intel. Tech. Co. Ltd.（银网智能科技有限公司） ； Lab（2030实验室）
AI总结 本文针对失败终止CRL的系统性偏差，提出Safe-CRL方法，仅用失败的一位信号，在12个机器人任务中提升了存活率与目标到达性能，完善了失败终止下的CRL理论。
Comments 21 pages, 14 figures, 5 tables, Code: https://github.com/RomainLITUD/safe-crl
推动AI-PC和英特尔GPU上LLM推理的边界
机构 * Intel Corporation（英特尔公司）
AI总结 本文通过优化CPU和GPU上的低比特推理框架，实现了在AI-PC和英特尔Xe GPU上更高效的LLM推理，提升了端到端延迟和GEMM性能。
ReLATE：通过安全高效学习稀疏编码加速张量分解
机构 * Intel Corporation（英特尔公司） ； University of Erlangen-Nürnberg（埃尔兰根-纽伦堡大学） ； University of Oregon（俄勒冈大学）
AI总结 ReLATE是一种学习增强框架，通过混合强化学习算法发现安全高效的稀疏编码，可在低开销下加速张量分解，在真实稀疏张量上较专家设计格式最高提速2倍。
Comments Accepted to SC 2026
TEE-X：面向边缘端大视觉模型的感知可信执行环境加速框架
机构 * North Carolina State University（北卡罗来纳州立大学） ； Binghamton University (SUNY)（宾汉姆顿大学（纽约州立大学系统）） ； Florida International University（佛罗里达国际大学） ； Intel（英特尔公司）
AI总结 该研究提出TEE-X框架，在Arm TrustZone的OP-TEE上验证，可在NVIDIA Jetson AGX Xavier上实现大视觉模型的安全高效边缘推理，兼顾性能与安全性。
EMOVIS：情感优化图像处理
机构 * Intel Corporation（英特尔公司）
AI总结 EMOVIS建立情感状态与ISP控制参数的映射，提出整合该调整的ISP硬件框架，经测试其情感优化渲染获87%受众偏好，可提升视觉内容的情感适配性。
Comments Accepted to ICIP 2026
面向英特尔AI PC集群的分布式大语言模型推理的预编译流水线分片
机构 * Not Community Labs Inc.（非社区实验室公司） ； Intel Corporation（英特尔公司）
AI总结 本文提出基于预编译流水线分片的分布式LLM推理方案，借助OpenVINO优化、投机解码与微批处理，实现AI PC集群高效运行单设备无法承载的大模型，提升了吞吐量与交互速度。
向量符号策略梯度
机构 * University of California, Irvine（加州大学欧文分校） ； Intel Corporation（英特尔公司） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Northeastern University（东北大学）
AI总结 该研究提出VSPG算法，以单位范数超向量表示离散动作，通过优势加权超向量捆绑更新动作，可实现样本高效学习且推理内存不增加，还证明其动作选择在随机比特翻转下稳定，连接了三类方法并提供鲁棒性保证。
Comments Code available in https://github.com/BiasLabProjects/VSPG
基于PyTorch原生栈在服务器CPU上实现小型NLP模型的高效INT8推理
机构 * Intel Corporation（英特尔公司）
AI总结 该研究将SmoothQuant集成到TorchAO，优化PyTorch原生栈在服务器CPU上的INT8推理，使小型NLP模型获最高5.8倍吞吐量加速且精度损失可忽略，已上游到PyTorch和TorchAO便于部署。
Comments 13 pages
机构 * University of California, San Diego, USA（加州大学圣迭戈分校） ； Intel Corporation（英特尔公司）
机构 * Iowa State University（爱荷华州立大学） ； Intel Labs（英特尔实验室）
Journal ref Proceedings of Machine Learning and Systems, Vol. 5, pp. 442-456, 2023
基于大语言模型的并行DEVS状态图生成与验证框架
机构 * Arizona State University（亚利桑那州立大学） ； Intel Corporation（英特尔公司）
AI总结 本研究提出智能体式PDEVS-LLM框架，辅助建模人员生成验证PDEVS状态图，经评估该框架可显著提升生成状态图的逻辑一致性。
Comments 22 pages, 5 figures, 9 tables, 1 algorithm
RankGuide: 张量秩引导的路由与引导以实现高效的推理
机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Intel Labs（英特尔实验室）
AI总结 RankGuide通过张量秩引导的路由与引导提升小推理模型与大推理模型的协作效率，减少推理延迟并提高准确性。
循环残差量化：面向大语言模型的渐进式多精度表示
机构 * Intel（英特尔）
AI总结 本文提出循环残差量化（RRQ）框架，可从单个检查点生成LLM的多种精度表示，构建速度比MatGPTQ快3.3倍，在6、8比特精度下表现有竞争力，代码将公开。
Comments NeurIPS 2026 submission; 14 tables, 1 algorithm, and no figures
关注自身思维：通过1.58比特量化视角打破推理型大语言模型的后训练量化障碍
机构 * Intel Labs China（英特尔中国实验室）
AI总结 该研究提出ScaleQ-1.58三值后训练量化框架，通过集成AYOT校准方法，提升推理型LLM量化性能，该框架可扩展且泛化性强，仅需少量校准token即可实现优异效果。
Comments This research work was completed and submitted for publication in early May 2026. The project page: https://github.com/IntelChina-AI/BitTern
检索增强可解释学习：迈向医疗保健领域特定任务的零样本模型
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 A preliminary, non-archival version of this work, titled RAG-IM, was presented at NeurIPS 2024 workshops and the ML4H 2024 Findings track. The work was subsequently renamed Retrieval-Augmented Interpretable Learning (RAIL)
ReGenVC：超低位率下的端到端实时生成式视频编码
机构 * Intel Corporation（英特尔公司）
AI总结 ReGenVC是首个结合超低位率编码与实时解码的端到端生成式视频编解码器，通过技术优化实现24 fps输出，内存占用显著降低。
Comments 12 pages, 5 figures, 5 tables
面向决策关键型应用的多模态大语言模型中可解释且资源高效的空间推理
机构 * Heritage Institute of Technology（遗产技术学院） ； Kalyani Government Engineering College（卡利亚尼政府工程学院） ； IAIRO ； Intel Corporation（英特尔公司）
AI总结 针对多模态大语言模型空间判断不透明及细粒度空间理解不足的问题，提出无需训练的ByDeWay-V2框架，结合YOLO-World-L注入空间谓词，在多个基准上显著提升空间推理性能，适配资源受限场景。
Comments 14 pages
TRACE-ROUTER：用于智能AI的任务一致且自适应的在线路由
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Intel（英特尔公司） ； Texas A&M University（德克萨斯农工大学）
AI总结 研究针对企业AI中现有路由决策与智能应用任务级结果不匹配问题，提出TRACE-Router任务级路由框架，利用上下文博弈、终端奖励更新策略，在多基准测试中改善准确性-延迟权衡，取得较好效果。
LAVIFT：用于手术交互识别的潜在动作引导视觉微调
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。
面向ReRAM的模型微调：解决I-V非线性和保留误差
机构 * Intel Corporation（英特尔公司）
AI总结 提出一种基于微调的硬件感知训练算法，通过范围收缩的sinh变换缓解I-V非线性，并将保留误差纳入正则化损失，实现ReRAM上DNN的高效部署，在图像分类和问答任务中精度损失极小。
Comments 11 pages, 12 figures, 2 tables, with appendix (5 pages, 9 figures)
用于实时跌倒检测的无监督关键点：在现实世界条件下的比较分析及预测带宽减少
机构 * West Virginia University（西弗吉尼亚大学） ； Intel Corporation（英特尔公司） ； Binghamton University（宾汉姆顿大学）
AI总结 研究老年人跌倒检测问题，提出用基于无监督关键点和预测时间建模的隐私保护框架取代RGB传输，经多方式评估发现表示选择应依视觉条件，无监督关键点在身体可见性受限时有优势。
北极星：用于扩散语言模型高效推理的漂移感知缓存校准和令牌承诺
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Intel AI Group（英特尔人工智能集团）
AI总结 研究针对扩散语言模型推理效率受双向注意力和静态阈值影响的问题，提出北极星框架，利用令牌表示漂移信号，由北极星缓存和北极星提交两组件构成，大幅提升了模型在准确性-吞吐量方面的表现及解码并行性。
FOLIO：用于流视频理解的聚焦语义记忆
机构 * University of Southern California (USC)（南加州大学） ； Intel Labs（英特尔实验室） ； DEVCOM Army Research Office（陆军研究办公室）
AI总结 研究在线流视频理解中如何保留信息及组织历史记录的挑战，提出FOLIO聚焦语义记忆系统，通过动态聚焦状态更新记忆，结合短期视觉缓冲区与长期语义记忆，实现轻量级混合检索，提升性能并降低流记忆维护成本。
Comments 28 pages, 5 figures
通过人类反馈增强语言模型：自我提升之旅
机构 * Intel Corporation（英特尔公司）
AI总结 研究在信息检索系统中，通过整合辅助反馈RAG系统及人工参与，利用人类反馈优化主RAG系统性能，经多数据集测试验证方法有效，强调了其变革潜力，为自适应信息检索技术研究树立了先例。
Comments AIC 2025: The 10th International Workshop on Artificial Intelligence and Cognition (held as part of ECAI 2025). October 25-26, 2025. Bologna, Italy
用于增强材质-光照分解的动态逆渲染
机构 * University of Technology Nuremberg（纽伦堡工业大学） ； Intel（英特尔公司） ； Max Planck Institute for Informatics, Saarland Informatics Campus（马克斯·普朗克信息研究所，萨尔兰信息园）
AI总结 研究逆渲染中材质-光照分解的不适定问题，提出结合物体跟踪、重建与逆渲染的方法，利用刚性运动物体的多样光-表面相互作用解决模糊性，实验证明该方法在合成数据和真实视频中均有优势。
Comments Accepted at ECCV 2026. Project page: https://razayunus.github.io/DIR
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