NVIDIA（英伟达）

PithTrain: A Compact and Agent-Native MoE Training System

PithTrain: 一个紧凑且面向智能体的MoE训练系统

Ruihang Lai, Hao Kang, Haozhan Tang, Akaash R. Parthasarathy, Zichun Yu, Junru Shao, Todd C. Mowry, Chenyan Xiong, Tianqi Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Xlue ； NVIDIA（英伟达） 纠错

AI总结 提出PithTrain，一个基于智能体原生设计原则的紧凑型MoE训练框架，通过引入ATE-Bench评估智能体任务效率，在保持生产框架吞吐量的同时，将智能体任务轮次和活跃GPU时间分别降低62%和64%。

SANA-Streaming: Real-time Streaming Video Editing with Hybrid Diffusion Transformer

SANA-Streaming: 基于混合扩散Transformer的实时流式视频编辑

Yuyang Zhao, Yicheng Pan, Qiyuan He, Jincheng Yu, Junsong Chen, Tian Ye, Haozhe Liu, Enze Xie, Song Han

机构 * NVIDIA ； MIT（麻省理工学院） ； THU（清华大学） ； NUS（新加坡国立大学） ； HKU（香港大学） 纠错

AI总结 提出系统-算法协同设计的SANA-Streaming框架，通过混合扩散Transformer架构、循环反向正则化训练策略和高效系统协同设计，在消费级GPU上实现高分辨率实时流式视频编辑，达到1280×704分辨率24 FPS的端到端性能。

$R^3$: 3D Reconstruction via Relative Regression

$R^3$: 通过相对回归进行3D重建

Congrong Xu, Huachen Gao, Xingyu Chen, Yuliang Xiu, Jun Gao, Anpei Chen

机构 * University of Michigan（密歇根大学） ； Westlake University（西雅图大学） ； NVIDIA Research（英伟达研究） 纠错

AI总结 提出一种基于相对回归的3D重建方法$R^3$，使用轻量级MLP预测置信度加权的相对约束，以支持全上下文离线重建和因果有界内存流式重建。

Déjà View: Looping Transformers for Multi-View 3D Reconstruction

Déjà View: 用于多视图3D重建的循环Transformer

Alessandro Burzio, Tobias Fischer, Sven Elflein, Qunjie Zhou, Riccardo de Lutio, Jiawei Ren, Jiahui Huang, Shengyu Huang, Marc Pollefeys, Laura Leal-Taixé, Zan Gojcic, Haithem Turki

机构 * NVIDIA ； University of Modena and Reggio Emilia, AImageLab（摩德纳和雷焦艾米利亚大学，AImageLab） ； University of Toronto, Vector Institute（多伦多大学，向量研究所） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 提出DéjàView模型，通过循环应用单个Transformer块进行迭代细化，以更少的参数和计算量在多个3D重建基准上达到或超越大规模前馈模型。

Comments Project Page: https://research.nvidia.com/labs/dvl/projects/dvlt

Guidance Contrastive Token Credit Assignment for Discrete Policy Optimization

引导对比令牌信用分配用于离散策略优化

Shufan Li, Konstantinos Kallidromitis, Akash Gokul, Yuta Kyuragi, Aditya Grover

机构 * UCLA ； Panasonic AI Research（松下人工智能研究） ； NVIDIA（英伟达） 纠错

AI总结 针对组优势强化学习方法中令牌级信用分配缺失的问题，提出引导对比策略优化（GCPO），通过正负提示下的对比预测分配令牌级优势，在文本到图像生成和思维链推理任务上优于GRPO和DAPO。

Comments 21 pages, 11 figures

SpaCeFormer: Fast Proposal-Free Open-Vocabulary 3D Instance Segmentation

SpaCeFormer: 快速无提议开放词汇3D实例分割

Chris Choy, Junha Lee, Chunghyun Park, Minsu Cho, Jan Kautz

机构 * NVIDIA 纠错

AI总结 提出SpaCeFormer，一种基于空间曲线变换的无提议方法，在0.12-0.30秒内完成场景分割，比多阶段2D+3D流水线快2-3个数量级，并构建了最大开放词汇3D实例分割数据集SpaCeFormer-3M，在ScanNet200上零样本mAP达11.1，提升2.8倍。

Comments Project page: https://nvlabs.github.io/SpaCeFormer/

Deterministic Inference across Tensor Parallel Sizes That Eliminates Training-Inference Mismatch

跨张量并行大小的确定性推理，消除训练-推理不匹配

Ziyang Zhang, Xinheng Ding, Jiayi Yuan, Rixin Liu, Huizi Mao, Jiarong Xing, Zirui Liu

机构 * Independent Researcher（独立研究者） ； University of Minnesota, Minneapolis, Minnesota, USA（明尼苏达大学） ； Rice University, Houston, Texas, USA（里士满大学） ； NVIDIA Corp., Santa Clara, California, USA（NVIDIA公司） 纠错

AI总结 针对不同张量并行大小导致浮点运算非结合性引起的推理非确定性问题，提出基于树的核（TBIK）实现跨TP大小的比特级一致结果，消除RL训练中推理与训练引擎间的精度不匹配。

Elastic ViTs from Pretrained Models without Retraining

无需重新训练的预训练模型弹性ViTs

Walter Simoncini, Michael Dorkenwald, Tijmen Blankevoort, Cees G. M. Snoek, Yuki M. Asano

机构 * University of Technology Nuremberg（图恩大学） ； University of Amsterdam（阿姆斯特丹大学） ； NVIDIA（英伟达） 纠错

AI总结 提出SnapViT方法，通过结合梯度信息与进化算法近似跨网络结构相关性，实现无需重训练的结构化剪枝，支持连续计算预算下的弹性推理。

Comments Accepted at NeurIPS 2025