NVIDIA（英伟达）

TriAttention: Efficient Long Reasoning with Trigonometric KV Compression

TriAttention: 有效长推理的三角KV压缩

Weian Mao, Xi Lin, Wei Huang, Yuxin Xie, Tianfu Fu, Bohan Zhuang, Song Han, Yukang Chen

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； ZJU（浙江大学） 纠错

AI总结 TriAttention通过三角序列利用KV集中性，提升长推理效率，实现2.5倍吞吐量和10.7倍KV内存节省。

Comments Code is available at https://github.com/WeianMao/triattention

Full-Duplex-Bench-v3: Benchmarking Tool Use for Full-Duplex Voice Agents Under Real-World Disfluency

全双工基准v3：在现实世界不流畅条件下评估全双工语音代理的基准工具

Guan-Ting Lin, Chen Chen, Zhehuai Chen, Hung-yi Lee

机构 * National Taiwan University（国立台湾大学） ； NVIDIA（英伟达） 纠错

AI总结 本文提出全双工基准v3，用于评估在自然语音条件下和多步骤工具使用中语言模型的性能。通过六个模型配置评估准确性、延迟和轮流交流维度，发现GPT-Realtime在Pass@1和打断避免方面表现最佳，而Gemini Live 3.1具有最短延迟但轮流率最低。

Comments Work in progress. Demo at https://daniellin94144.github.io/FDB-v3-demo

Joint Fullband-Subband Modeling for High-Resolution SingFake Detection

高分辨率歌唱语音深fake检测的联合全带-子带建模

Xuanjun Chen, Chia-Yu Hu, Sung-Feng Huang, Haibin Wu, Hung-yi Lee, Jyh-Shing Roger Jang

机构 * NVIDIA Taiwan（英伟达台湾） ； Independent Researcher（独立研究员） 纠错

AI总结 本文提出联合全带-子带建模框架，利用高分辨率音频提升歌唱语音深fake检测性能，实验证明高频率子带对检测至关重要。

Comments Submitted to INTERSPEECH 2026

Event6D: Event-based Novel Object 6D Pose Tracking

Event6D: 基于事件的新型物体6D位姿跟踪

Jae-Young Kang, Hoonhee Cho, Taeyeop Lee, Minjun Kang, Bowen Wen, Youngho Kim, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） ； NVIDIA（英伟达） 纠错

AI总结 本文提出EventTrack6D框架，通过重建任意时间戳间的强度和深度，实现无需特定对象训练的新型物体6D位姿跟踪，支持高速动态场景下的实时跟踪。

Comments Accepted by CVPR2026

Editing Physiological Signals in Videos Using Latent Representations

通过潜在表示编辑视频中的生理信号

Tianwen Zhou, Akshay Paruchuri, Josef Spjut, Kaan Akşit

机构 * University College London（伦敦大学学院） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； NVIDIA（英伟达） 纠错

AI总结 本文提出了一种通过潜在空间编辑视频中生理信号的方法，利用3D VAE和FiLM技术实现视觉保真度与生理信号调节的平衡，实验显示在保持高质量的同时可有效控制心率。

Comments Accepted to CVPR 2026 Subtle Visual Computing Workshop, 13 pages, 8 figures, 7 tables

Leveraging ASIC AI Chips for Homomorphic Encryption

利用ASIC AI芯片进行同态加密

Jianming Tong, Tianhao Huang, Jingtian Dang, Leo de Castro, Anirudh Itagi, Anupam Golder, Asra Ali, Jeremy Kun, Jevin Jiang, Arvind, G. Edward Suh, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； NVIDIA（英伟达） ； Cornell University（康奈尔大学） 纠错

AI总结 本文探讨利用现有AI加速器如Google的TPU，通过CROSS编译器框架实现同态加密的高效能，解决GPU架构与同态加密算法的不匹配问题，提升能效。

Comments IEEE International Symposium on High-Performance Computer Architecture (HPCA) 2026; 18 pages, 16 figures, 5 algorithms, 10 tables. Leveraging Google TPUs for Homomorphic Encryption

Journal ref 2026 IEEE Symposium on High-Performance Computer Architecture

HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving

HAD：结合分层扩散与度量解耦RL的端到端驾驶

Wenhao Yao, Xinglong Sun, Zhenxin Li, Shiyi Lan, Zi Wang, Jose M. Alvarez, Zuxuan Wu

机构 * Fudan University（复旦大学） ； NVIDIA（英伟达） 纠错

AI总结 HAD提出一种端到端规划框架，结合分层扩散策略与度量解耦RL，通过结构保持轨迹扩展生成真实轨迹并提升驾驶目标优化效果，实验表明在NAVSIM和HUGSIM上取得新突破。

Comments 17 pages, 7 figures

Computer Architecture's AlphaZero Moment: Automated Discovery in an Encircled World

计算机架构的AlphaZero时刻：在被包围的世界中进行自动化发现

Karthikeyan Sankaralingam

机构 * NVIDIA Research（英伟达研究院） 纠错

AI总结 计算机架构面临摩尔定律终结的挑战，传统方法已无法满足性能需求，本文提出通过自动化系统加速架构设计，显著提升效率。

Action-guided generation of 3D functionality segmentation data

基于动作的3D功能分割数据生成

Jaime Corsetti, Francesco Giuliari, Davide Boscaini, Pedro Hermosilla, Andrea Pilzer, Guofeng Mei, Alexandros Delitzas, Francis Engelmann, Fabio Poiesi

机构 * Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； University of Trento（特伦托大学） ； TU Wien（维也纳工业大学） ； NVIDIA（英伟达） ； ETH Zurich（苏黎世联邦理工学院） ； MPI for Informatics（马克斯·普朗克信息学研究所） ； Stanford University（斯坦福大学） ； USI Lugano（卢加诺大学） 纠错

AI总结 本文提出SynthFun3D，通过动作描述生成3D功能分割数据，解决真实数据稀缺问题，提升3D功能理解性能。

Comments Accepted at CVPR 2026 GenRecon3D workshop. 17 pages, 8 figures, 1 table