Intel（英特尔）

Arrive and Survive: Scaling Safe Goal-Conditioned Policy Learning from One-Bit Failure Signals

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

Guopeng Li, Yiyang Duan, Yiru Jiao, Chengcheng Xu

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） 纠错

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: this https URL (https://github.com/RomainLITUD/safe-crl)

Pushing the Envelope of LLM Inference with Ultra-Low-Bit Quantized Models

推动AI-PC和英特尔GPU上LLM推理的边界

Evangelos Georganas, Dhiraj Kalamkar, Alexander Heinecke, Pradeep Dubey

机构 * Intel Corporation（英特尔公司） 纠错

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: Accelerating Tensor Decomposition via Safe and Efficient Learning of Sparse Encodings

ReLATE：通过安全高效学习稀疏编码加速张量分解

Ahmed E. Helal, Fabio Checconi, Jan Laukemann, Yongseok Soh, Jesmin Jahan Tithi, Fabrizio Petrini, Jee Choi

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） 纠错

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