NVIDIA（英伟达）

Learning to Discover at Test Time

在测试时间学习以发现

Mert Yuksekgonul, Daniel Koceja, Xinhao Li, Federico Bianchi, Jed McCaleb, Xiaolong Wang, Jan Kautz, Yejin Choi, James Zou, Carlos Guestrin, Yu Sun

机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； Astera Institute（Astera研究院） ； UC San Diego（加州大学圣地亚哥分校） ； Together AI 纠错

AI总结 通过在测试时间进行强化学习，TTT-Discover方法在多个科学领域实现了新的前沿状态，利用开放模型和公开代码实现高效解决方案。

Comments Code: https://github.com/test-time-training/discover

Learning to Plan & Schedule with Reinforcement-Learned Bimanual Robot Skills

学习计划与调度的强化学习双臂机器人技能

Weikang Wan, Fabio Ramos, Xuning Yang, Caelan Garrett

机构 * NVIDIA ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出了一种基于强化学习的双臂机器人技能计划与调度框架，通过分层结构提升复杂任务的执行效率与协调性。

Double-P: Hierarchical Top-P Sparse Attention for Long-Context LLMs

Double-P: 分层Top-P稀疏注意力机制用于长上下文LLM

Wentao Ni, Kangqi Zhang, Zhongming Yu, Oren Nelson, Mingu Lee, Hong Cai, Fatih Porikli, Jongryool Kim, Zhijian Liu, Jishen Zhao

机构 * ucsd（加州大学圣迭戈分校） ； umich（密歇根大学） ； qualcomm（高通AI研究） ； nvidia 纠错

AI总结 Double-P通过分层Top-P稀疏注意力机制，优化长上下文LLM的解码效率，实现更高的准确性和更快的处理速度。

VISTA: Enhancing Visual Conditioning via Track-Following Preference Optimization in Vision-Language-Action Models

VISTA: 通过视觉跟踪偏好优化增强视觉条件化在视觉-语言-动作模型中

Yiye Chen, Yanan Jian, Xiaoyi Dong, Shuxin Cao, Jing Wu, Patricio Vela, Benjamin E. Lundell, Dongdong Chen

机构 * Nvidia（Nvidia公司） ； Microsoft（微软公司） ； University of Oxford（牛津大学） 纠错

AI总结 VISTA通过视觉跟踪偏好优化提升视觉条件化，增强VLA模型在视觉-动作对齐和任务性能上的表现。

Comments In submission. Project website: https://vista-vla.github.io/

Guided Diffusion Sampling on Function Spaces with Applications to PDEs

在函数空间上引导扩散采样及其在偏微分方程中的应用

Jiachen Yao, Abbas Mammadov, Julius Berner, Gavin Kerrigan, Jong Chul Ye, Kamyar Azizzadenesheli, Anima Anandkumar

机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院） 纠错

AI总结 本文提出FunDPS框架，通过函数空间扩散模型和引导机制，在极稀疏或噪声数据下有效恢复PDE解，实现32%的准确率提升。

Comments Accepted to NeurIPS 2025

Relational Graph Transformer

关系图变换器

Vijay Prakash Dwivedi, Sri Jaladi, Yangyi Shen, Federico López, Charilaos I. Kanatsoulis, Rishi Puri, Matthias Fey, Jure Leskovec

机构 * Stanford University（斯坦福大学） ； NVIDIA 纠错

AI总结 RelGT通过新颖的多元素分词策略，解决关系图中异构性、时效性和拓扑结构的编码问题，实现对关系数据的高效建模，优于GNN基线。

Comments ICLR 2026, Code: https://github.com/snap-stanford/relgt