大厂专区
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)
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
SPEAR：用于逼真的具身人工智能研究的模拟器
机构 * Adobe Research（Adobe研究院） ； Intel Labs（英特尔实验室） ； Manycore Tech Inc（众核科技公司） ； Adobe（Adobe公司） ； NVIDIA（英伟达公司） ； ETH Zurich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国学院）
AI总结 研究针对现有逼真模拟器局限，提出SPEAR这一Python库，通过模块化插件架构连接控制UE应用程序，提升可编程性与渲染速度，还提供新图像模态和高级编程模型，经多样示例应用展示了其效用。
Comments Accepted for publication at the European Conference on Computer Vision (ECCV) 2026
RGLD: 用于表格异常检测的随机全局-局部密度估计
机构 * Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Intel Corporation（英特尔公司）
AI总结 提出RGLD方法，结合全局随机特征密度分支和局部邻居分支，在特征袋随机视图上检测异常，在47个表格数据集上取得最优AUROC性能，速度比深度检测器快50-580倍。
SurgXBench: 可解释的视觉-语言模型手术基准
机构 * Arizona State University（亚利桑那州立大学） ； Intel Labs（英特尔实验室） ； Duke University（杜克大学） ； University of Miami（迈阿密大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 针对手术视觉-语言模型（VLM）泛化能力不足的问题，提出SurgXBench基准，在零样本设置下评估多个先进VLM在器械与动作分类任务上的表现，并集成可解释AI分析模型注意力与因果解释，揭示模型依赖弱上下文线索而非临床相关证据的局限性。
CAT-Q：面向LLMs的经济高效且精确的三值量化
机构 * Intel Labs China（英特尔中国实验室）
AI总结 提出CAT-Q后训练量化方案，通过可学习调制和软化三值化，仅用512个校准样本即可将LLMs高效量化为三值模型，性能优于使用100B tokens训练的BitNet 1.58-bit，训练token减少约100,000倍。
Comments This work is accepted to ICML 2026 as an oral. The project page: https://github.com/IntelChina-AI/BitTern
计算机使用代理的不确定性量化：跨视觉语言模型和GUI基础数据集的基准测试
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 提出跨机制基准Argus，评估27种后验不确定性量化方法在4个VLM代理和4个数据集上的表现，发现UQ排名在固定模型内跨数据集稳定，但跨模型类别和接口时下降，隐藏状态和密度方法最稳定。
可测多数不是有限可公理化的
机构 * Dept. of Mathematics, Indiana University, Bloomington. ； Dept. of Computer Science \& the Intel Investigations Lab, the City College of New York ； the Graduate Center \& Remote Sensing Earth Systems Institute, the City University of New York.
AI总结 本文证明在有限社会决策框架中，严格多数推理的相干性准则无法被任何有界有限片段替代，从而否定了有限可公理化性。
可测多数
机构 * Dept. of Mathematics, Indiana University, Bloomington. ； Dept. of Computer Science \& the Intel Investigations Lab, the City College of New York ； the Graduate Center \& Remote Sensing Earth Systems Institute, the City University of New York.
AI总结 利用社会决策框架研究有限选民中的严格多数推理，通过有限可加测度表征严格多数可表示性，并给出最小自然逻辑的完备性。
前沿大语言模型是否已为网络安全做好准备？来自双模式漏洞基准测试的垂直基础模型证据
机构 * super-intel.ai（超级智能人工智能公司）
AI总结 通过白盒函数级漏洞检测和黑盒Web应用安全测试双模式基准测试，评估前沿大语言模型在网络安全任务中的表现，发现其存在高误报率、低覆盖率等问题，而领域专用模型通过结构化方法显著提升性能。
评估通用机器学习力场与实验测量的对比
机构 * Department of Civil Engineering, Indian Institute of Technology Delhi（印度理工学院德里土木工程系） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里人工智能学院） ； Intel Labs, California, USA（美国加州英特尔实验室） ； Department of Materials Science and Engineering, Indian Institute of Technology Delhi（印度理工学院德里材料科学与工程系） ； Department of Computer Science and Engineering, Indian Institute of Technology Delhi（印度理工学院德里计算机科学与工程系）
AI总结 提出UniFFBench框架和MinX数据集，系统评估六种通用机器学习力场，发现模型在计算基准上表现优异但在实验复杂性下存在显著“现实差距”，密度预测误差高于实际应用阈值。
Prism: 通过GPU内存气球实现经济高效的多LLM服务
机构 * UCLA（加州大学洛杉矶分校） ； UC Berkeley（伯克利加州大学） ； Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Intel（英特尔） ； Stanford University（斯坦福大学） ； LMSYS（灵州市系统实验室） ； ByteDance（字节跳动） ； Alibaba Cloud（阿里云） ； Tsinghua University（清华大学） ； Novita AI ； Rice University（里士满大学）
AI总结 针对多LLM服务中资源效率低下的问题，提出基于内存气球的内存中心化LLM协同服务框架Prism，统一空间与时间共享，已在10K+ GPU生产环境部署。
Comments OSDI'26
XPR：一个可扩展的跨平台基于点的可微分渲染器
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Intel（英特尔） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 提出XPR框架，通过高级编程接口和模块化渲染管线，支持用少量代码实现3DGS等新方法，并利用XLA编译器跨平台运行。
SwiftCTS: 通过少样本校准实现时钟树指标的快速跨设计预测与帕累托优化
机构 * The University of Southern Mississippi（南方密苏里大学） ； Intel Corporation（英特尔公司） ； Louisiana Tech University（路易斯安那科技大学）
AI总结 提出SwiftCTS框架，利用物理信息代理模型和K-shot乘法校准机制，在数秒内训练、亚毫秒推理，实现跨设计时钟树指标的准确预测与帕累托优化。
Sparrow: 用于大语言模型稳定高效长上下文强化学习的稀疏 rollout
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Intel（英特尔） ； Amazon AGI（亚马逊AGI）
AI总结 针对RLVR中长上下文rollout计算昂贵的问题，提出Sparrow方法，通过动态稀疏度调度保持token级策略失配的下尾统计量稳定，在Qwen3系列模型上实现2.0-2.4倍加速，并推广到更大模型和编程领域。
CTS-Bench: 面向时钟树综合中GNN的图粗化权衡基准测试
机构 * The University of Southern Mississippi（密苏里州南方大学） ； Intel Corporation（英特尔公司） ； Louisiana Tech University（路易斯安那理工大学）
AI总结 提出CTS-Bench基准套件，系统评估图粗化对GNN在时钟树综合中预测精度与计算效率的权衡，发现粗化虽降低内存和加速训练，但会移除关键结构信息导致零样本评估下R²为负。
Comments Accepted to ML Bench'26 ASPLOS
CFRNet: 用于消费级嵌入式NPU上实时盲脸修复的循环一致不动点训练
机构 * University of Florida（佛罗里达大学） ； University of Southampton（南安普顿大学） ； Chongqing University（重庆大学） ； Qingdao University（青岛大学） ； Intel Asia-Pacific Research & Development Ltd（英特尔亚太研发有限公司）
AI总结 提出CFRNet，一种2.0M参数的ResNet风格修复网络，通过循环一致不动点训练（CCFP）在消费级NPU上实现高质量盲脸修复，兼顾速度与效果，LPIPS比单次循环降低31%。
Comments 12 pages.Code and project page will be released
Hermes: 通过基于感知器的片外负载预测加速长延迟负载请求
机构 * ETH Zürich（苏黎世联邦理工学院） ； Intel Processor Architecture Research Lab（英特尔处理器架构研究实验室） ； LIRMM, Univ. Montpellier, CNRS（蒙彼利埃大学LIRMM实验室，CNRS）
AI总结 提出Hermes技术，利用感知器预测片外负载请求，投机性地直接从主存获取数据，同时并行访问缓存层次，从而消除片外负载关键路径上的片上缓存访问延迟，显著提升处理器性能。
Comments To appear in 55th IEEE/ACM International Symposium on Microarchitecture (MICRO), 2022
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