NVIDIA（英伟达）

Online3R: Online Learning for Consistent Sequential Reconstruction Based on Geometry Foundation Model

Online3R: 基于几何基础模型的在线学习一致序列重建

Shunkai Zhou, Zike Yan, Fei Xue, Dong Wu, Yuchen Deng, Hongbin Zha

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） ； T-Stone Robotics Institute, The Chinese University of Hong Kong（香港中文大学天石机器人研究所） ； NVIDIA（英伟达） ； College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院） ； School of Artificial Intelligence and Computer Science, Anqing Normal University（安庆师范大学人工智能与计算机科学学院） 纠错

AI总结 Online3R通过在线学习适应新场景，解决不一致问题，利用可学习的轻量视觉提示和自监督学习策略提升几何预测效率。

FP8-RL: A Practical and Stable Low-Precision Stack for LLM Reinforcement Learning

FP8-RL：一种实用且稳定的低精度栈用于大语言模型强化学习

Zhaopeng Qiu, Shuang Yu, Jingqi Zhang, Shuai Zhang, Xue Huang, Jingyi Yang, Junjie Lai

机构 * NVIDIA（英伟达） 纠错

AI总结 本文提出一种实用的FP8 rollout栈，用于大语言模型强化学习，通过块状FP8量化实现FP8 W8A8线性层rollout，扩展FP8到KV-cache以消除长上下文内存瓶颈，并通过重要性采样基于rollout修正缓解训练-推理不匹配问题，提升了rollout吞吐量达44%。

Comments Added more FP8 end2end experiments

LoBE-GS: Load-Balanced and Efficient 3D Gaussian Splatting for Large-Scale Scene Reconstruction

LoBE-GS：负载均衡且高效的3D高斯点散射用于大规模场景重建

Sheng-Hsiang Hung, Ting-Yu Yen, Wei-Fang Sun, Simon See, Shih-Hsuan Hung, Hung-Kuo Chu

机构 * National Tsing Hua University（国立清华大学） ； NVIDIA AI Technology Center (NVAITC)（NVIDIA AI技术中心（NVAITC）） 纠错

AI总结 LoBE-GS通过负载均衡的KD树分区和优化切线，提升大规模3DGS场景重建效率，实现两倍更快的端到端训练时间，同时保持重建质量并支持无法用传统3DGS处理的场景。

Fast-dVLM: Efficient Block-Diffusion VLM via Direct Conversion from Autoregressive VLM

Fast-dVLM: 通过直接转换自回归VLM实现高效的块扩散VLM

Chengyue Wu, Shiyi Lan, Yonggan Fu, Sensen Gao, Jin Wang, Jincheng Yu, Jose M. Alvarez, Pavlo Molchanov, Ping Luo, Song Han, Ligeng Zhu, Enze Xie

机构 * The University of Hong Kong（香港大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出Fast-dVLM，通过直接转换自回归VLM实现高效的块扩散VLM，采用KV-cache兼容并行解码和推测块解码，提升推理效率。实验表明其生成质量与自回归模型相当，且通过SGLang和FP8量化实现6倍以上的推理加速。

IntrinsicWeather: Controllable Weather Editing in Intrinsic Space

IntrinsicWeather: 内在空间中可控的天气编辑

Yixin Zhu, Zuo-Liang Zhu, Jian Yang, Miloš Hašan, Jin Xie, Beibei Wang

机构 * Nanjing University（南京大学） ； Nankai University（南开大学） ； NVIDIA（英伟达） 纠错

AI总结 本文提出IntrinsicWeather框架，通过内在空间编辑实现可控天气生成，利用内在映射提升大场景控制能力，并在合成与真实数据集上验证其优越性。

Comments Accepted to CVPR 2026 (Highlight)