NVIDIA（英伟达）

TokenGS: Decoupling 3D Gaussian Prediction from Pixels with Learnable Tokens

TokenGS: 通过可学习的标记解耦3D高斯预测与像素

Jiawei Ren, Michal Jan Tyszkiewicz, Jiahui Huang, Zan Gojcic

机构 * NVIDIA 纠错

AI总结 TokenGS通过自监督渲染损失直接回归3D均值坐标，改进了3DGS预测的鲁棒性与效率，实现了更规则的几何和更平衡的3DGS分布，支持多视图不一致性和姿态噪声的鲁棒性。

Comments Project page: https://research.nvidia.com/labs/toronto-ai/tokengs

Autonomous Evolution of EDA Tools: Multi-Agent Self-Evolved ABC

自主进化EDA工具：多智能体自进化ABC

Cunxi Yu, Haoxing Ren

机构 * NVIDIA Research（NVIDIA研究） ； University of Maryland（马里兰大学） 纠错

AI总结 本文提出首个自进化逻辑综合框架，利用大语言模型代理自主改进ABC逻辑综合系统源代码，通过多套基准测试验证其在大规模代码层面的自主进化能力。

Comments 7 pages; To appear at DAC 2026

3AM: 3egment Anything with Geometric Consistency in Videos

3AM：基于几何一致性在视频中的3段分割

Yang-Che Sun, Cheng Sun, Chin-Yang Lin, Fu-En Yang, Min-Hung Chen, Yen-Yu Lin, Yu-Lun Liu

机构 * National Yang Ming Chiao Tung University（国家阳明交通大学） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 3AM通过整合MUSt3R的3D感知特征提升视频对象分割性能，实现基于空间位置和视觉相似性的几何一致性识别，无需相机姿态或预处理。

Comments Project page: https://jayisaking.github.io/3AM-Page/

PixelDiT: Pixel Diffusion Transformers for Image Generation

PixelDiT：用于图像生成的像素扩散变换器

Yongsheng Yu, Wei Xiong, Weili Nie, Yichen Sheng, Shiqiu Liu, Jiebo Luo

机构 * NVIDIA ； University of Rochester（罗切斯特大学） 纠错

AI总结 PixelDiT提出了一种单阶段端到端模型，直接在像素空间学习扩散过程，提升了图像生成质量与效率，其在ImageNet和文本到图像生成任务中均取得优异成绩。

Comments Accepted to CVPR 2026

El Agente Forjador: Task-Driven Agent Generation for Quantum Simulation

El Agente Forjador：面向量子模拟的任务驱动代理生成

Zijian Zhang, Aiwei Yin, Amaan Baweja, Jiaru Bai, Ignacio Gustin, Varinia Bernales, Alán Aspuru-Guzik

机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Department of Chemistry, University of Toronto（多伦多大学化学系） ； Department of Materials Science & Engineering, University of Toronto（多伦多大学材料科学与工程系） ； Department of Chemical Engineering & Applied Chemistry, University of Toronto（多伦多大学化学工程与应用化学系） ； Acceleration Consortium（加速联盟） ； Vector Institute for Artificial Intelligence（人工智能矢量研究所） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究 institute (CIFAR)） ； NVIDIA 纠错

AI总结 本文提出El Agente Forjador框架，通过四阶段流程自主生成和复用计算工具，提升量子化学和动力学任务的准确性与效率。

TOPCELL: Topology Optimization of Standard Cell via LLMs

TOPCELL: 通过LLMs进行标准单元的拓扑优化

Zhan Song, Yu-Tung Liu, Chen Chen, Guoheng Sun, Jiaqi Yin, Chia-tung Ho, Ang Li, Haoxing Ren, Cunxi Yu

机构 * University of Maryland（马里兰大学） ； NVIDIA（英伟达） 纠错

AI总结 本文提出TOPCELL框架，利用LLMs将高维拓扑探索转化为生成任务，通过GRPO优化实现逻辑和空间约束下的高效拓扑优化，实验显示其在2nm节点中性能优于基础模型，且在7nm库生成中实现85.91倍速度提升。

Comments Accepted to the 63rd ACM/IEEE Design Automation Conference (DAC 2026). 7 pages, 4 figures

Bit-Accurate Modeling of GPU Matrix Multiply-Accumulate Units: Demystifying Numerical Discrepancy and Accuracy

GPU矩阵乘法-累加单元的位精确建模：解开数值差异和精度的谜团

Peichen Xie, Shuotao Xu, Yang Wang, Fan Yang, Mao Yang

机构 * NVIDIA（英伟达） ； AMD（超微半导体） 纠错

AI总结 本文提出CLFP框架，构建了十种GPU架构的MMA操作位精确算术模型，揭示了四个精度瓶颈和一个数值不对称设计，为未来MMA单元设计提供指导。

Federated Breast Cancer Detection Enhanced by Synthetic Ultrasound Image Augmentation

联邦学习通过合成超声图像增强提升乳腺癌检测

Hongyi Pan, Ziliang Hong, Gorkem Durak, Ziyue Xu, Ulas Bagci

机构 * Department of Radiology Northwestern University（放射科 北卡罗来纳大学） ； NVIDIA 纠错

AI总结 本文提出基于生成模型的数据增强框架，通过合成图像提升联邦学习在乳腺超声分类中的性能，实验表明适当使用合成数据可提升AUC指标，但过度使用反而降低性能。

Comments This paper has been accepted to EMBC2026

Maximal Brain Damage Without Data or Optimization: Disrupting Neural Networks via Sign-Bit Flips

最大脑损伤无数据或优化：通过符号位翻转破坏神经网络

Ido Galil, Moshe Kimhi, Ran El-Yaniv

机构 * NVIDIA ； Technion（技术学院） ； IBM Research（IBM研究院） 纠错

AI总结 研究通过符号位翻转破坏神经网络，展示了在多个领域中的脆弱性，并提出数据和优化无关的DNL方法及改进版本1P-DNL，提出保护关键符号位的防御策略。

Comments 10 pages, 5 figures. Accepted as a Featured Paper at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research (TMLR), 2026