NVIDIA（英伟达）

Gated DeltaNet-2: Decoupling Erase and Write in Linear Attention

Gated DeltaNet-2：解耦擦除与写入的线性注意力

Ali Hatamizadeh, Yejin Choi, Jan Kautz

机构 * NVIDIA 纠错

AI总结 本文提出Gated DeltaNet-2，通过引入通道级擦除门和写入门，解耦了线性注意力中擦除与写入的控制，从而在语言模型、常识推理和检索任务中取得了最佳性能，特别是在长上下文检索任务中表现突出。

Comments Gated DeltaNet-2 technical report; code at https://github.com/NVlabs/GatedDeltaNet-2

Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs

Ex-GraphRAG：图增强大语言模型中的可解释证据路由

Yoav Kor Sade, Arvindh Arun, Rishi Puri, Steffen Staab, Maya Bechler-Speicher

机构 * Tel Aviv University（特拉维夫大学） ； Institute for AI, University of Stuttgart（人工智能研究所，斯图加特大学） ； NVIDIA（英伟达） ； Meta AI 纠错

AI总结 本文提出Ex-GraphRAG，通过引入多变量图神经加法网络（M-GNAN）来解决图增强大语言模型中证据路由的可解释性问题，揭示了语义重要性与结构连通性之间的不匹配，对检索剪枝、上下文构建和失败诊断有重要影响。

Trace2Skill: Verifier-Guided Skill Evolution for Long-Context EDA Agents

Trace2Skill: 验证器引导的技能进化用于长上下文EDA代理

Zijian Du, Nathaniel Pinckney

机构 * NVIDIA 纠错

AI总结 本文提出Trace2Skill框架，通过验证器引导的技能进化提升硬件代理在复杂验证问题上的性能，无需RTL专用模型微调，通过密集验证器反馈实现任务通过率的显著提升。

X-Token: Projection-Guided Cross-Tokenizer Knowledge Distillation

X-Token: 通过投影引导的跨分词器知识蒸馏

Sharath Turuvekere Sreenivas, Adithyakrishna Venkatesh Hanasoge, Mingyu Yang, Ali Taghibakhshi, Saurav Muralidharan, Ashwath Aithal, Pavlo Molchanov

机构 * NVIDIA 纠错

AI总结 本文提出X-Token，一种通过投影引导的跨分词器知识蒸馏方法，解决传统方法在处理不同分词器间知识迁移时的不足，通过两个互补的损失函数改进知识蒸馏效果。

High-speed Networking for Giga-Scale AI Factories

面向十亿级AI工厂的高速网络

Sajy Khashab, Albert Gran Alcoz, Alon Gal, Jacky Romano, Rani Abboud, Yonatan Piasetzky, Lior Maman, Amit Nishry, Barak Gafni, Omer Shabtai, Matty Kadosh, Dror Goldenberg, Gilad Shainer, Mark Silberstein

机构 * NVIDIA（英伟达） ； Technion - Israel Institute of Technology（技术ion-以色列理工学院） 纠错

AI总结 本文提出了一种面向大规模AI训练需求的高速网络架构，通过拓扑并行性替代传统层次结构，利用硬件加速的负载均衡技术，在微秒级动态网络条件下提供稳定性能，展示了在三大核心维度上的生产级AI基础设施性能。

MDM-Prime-v2: Binary Encoding and Index Shuffling Enable Scaling of Diffusion Language Models

MDM-Prime-v2：二进制编码和索引洗牌使扩散语言模型能够扩展

Chen-Hao Chao, Wei-Fang Sun, Junwei Quan, Chun-Yi Lee, Rahul G. Krishnan

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； NVIDIA AI Technology Center（NVIDIA AI技术中心） ； National Taiwan University（国立台湾大学） 纠错

AI总结 本文提出MDM-Prime-v2，通过二进制编码和索引洗牌技术改进扩散语言模型，解决了子分词器功能形式与BPE分词器结合导致的交叉熵损失增加以及子分词器粒度超参数选择缺乏工具的问题，从而提升了模型在常识推理基准上的零样本准确率。