大厂专区
LongLive-RAG: 一种用于长视频生成的通用检索增强框架
机构 * NVIDIA ； USC（美国大学） ； MIT（麻省理工学院）
AI总结 提出LongLive-RAG框架，通过将自回归视频生成中的历史潜变量作为可检索记忆，利用查询嵌入检索相关历史潜变量并引入窗口时间增量损失，以减轻滑动窗口注意力导致的误差累积，提升长视频生成质量。
Comments 20 pages, 7 figures, 4 tables
建模深度歧义：一种用于无飞点深度估计的混合密度表示
机构 * University of Michigan（密歇根大学） ； NVIDIA（英伟达）
AI总结 提出混合密度表示MDA，通过预测每个像素的多个深度假设及其概率，解决深度估计中边界处的飞点伪影问题，显著改善边界重建并消除飞点。
AFUN：迈向用于功能理解的可供性基础模型
机构 * University of Michigan（密歇根大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA（英伟达）
AI总结 提出AFUN模型，从单张RGB-D图像和语言任务描述中预测任务条件功能掩码和3D接触后运动曲线，通过大规模标准化数据流水线实现开放世界泛化，在多项基准测试中显著优于现有方法。
当知识并非免费：检索增强生成中的成本感知证据选择
机构 * Northeastern University（东北大学） ； Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（GESIS——莱比锡社会科学研究所） ； Technion–Israel Institute of Technology（技术学院——以色列理工学院） ； NVIDIA Research（NVIDIA研究） ； University of Groningen（格罗宁根大学）
AI总结 提出成本感知RAG设置，通过访问成本层级和预算约束，研究证据选择策略，发现静态选择脆弱而智能体方法有潜力但依赖模型和任务。
ClawHub安全信号：当VirusTotal、静态分析和SkillSpector意见不一致时
机构 * OpenClaw Foundation USA（OpenClaw基金会美国） ； NVIDIA United Kingdom（NVIDIA英国分公司） ； NVIDIA USA（NVIDIA美国）
AI总结 研究ClawHub中67,453个公开技能版本，通过VirusTotal、静态启发式分析和NVIDIA SkillSpector三种扫描器的分歧，揭示智能体技能安全需要分层治理而非单一扫描器决策。
Comments 10 pages, 1 figure, 7 tables, 1 supplimentary dataset
AlbedoEdit: 基于反照率引导的统一实例级视频编辑
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； University of California Santa Barbara（加州大学圣巴巴拉分校） ； NVIDIA Research（NVIDIA研究） ； Texas A & M University（德克萨斯A&M大学）
AI总结 提出 AlbedoEdit，一个统一框架，利用反照率图实现对象插入、移除和纹理编辑，通过微调视频基础模型，在合成数据集上训练，实现编辑内容的和谐融合与复杂视觉效果模拟。
混合验证解码：在推测解码中学习分配验证
机构 * Thoughtworks ； Nvidia
AI总结 提出混合验证解码方法，通过预测缓存草稿的接受长度并在缓存验证与模型草稿之间动态选择，在代理工作流中平均加速2.73倍。
GraspGen-X: 跨形态6自由度扩散抓取
机构 * NVIDIA ； Princeton University（普林斯顿大学）
AI总结 提出一种基于扩散模型的跨形态6自由度抓取方法，通过扫描体积启发式编码夹爪表示，在20亿抓取数据上训练，实现对新物体、场景和夹爪形态的零样本泛化。
Reasmory: 3D重建作为VLMs空间推理的显式记忆
机构 * Cornell Tech, Cornell University（康奈尔科技学院、康奈尔大学） ； NVIDIA（英伟达） ； illoca AI（illoca人工智能） ； The University of California, Merced（加州大学梅尔塞德斯分校）
AI总结 提出Reasmory框架，通过结构化程序执行重建的3D显式记忆，并引入轻量级领域特定语言约束VLM查询和操作，在空间推理任务上提升6-18%。
CV-Arena: 面向教学计算机视觉问题求解的开放基准与人类-AI协作偏好
机构 * Texas A&M University（德克萨斯A&M大学） ； Worcester Polytechnic Institute（沃斯特理工大学） ； Tohoku University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达） ； UCSB（加州大学圣塔芭芭拉分校） ； UC Merced（加州大学默塞德分校）
AI总结 提出CV-Arena基准，包含12K高分辨率真实图像指令对，覆盖16种任务类型，并采用Active Elo协议结合人类与AI偏好评估21个系统，揭示指令遵循、物理推理等方面的差距，同时开发CV-Agent代理模型展示闭环推理的潜力。
Comments 26 pages, 7 figures, 11 tables
将并行序列模型扩展到基础规模的视觉编码器
机构 * NVIDIA ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出C-GSPN，一种基于2D空间传播的基础规模视觉编码器，通过快速CUDA内核、压缩潜在空间传播块和两阶段交叉算子蒸馏，在减少参数的同时提升性能并实现高效推理。
T-CLIP：面向对比语言-图像预训练的热感知
机构 * Indian Institute of Technology Delhi, India（印度理工学院德里分校） ； NVIDIA AI Technology Center, India（NVIDIA AI技术中心） ； Jawaharlal Nehru University, India（贾瓦哈拉尔·尼赫鲁大学）
AI总结 针对CLIP无法对齐热图像与文本描述的问题，提出物理感知的热描述数据集IR-Cap和解耦双LoRA框架T-CLIP，实现场景级和对象级热理解，在跨模态检索任务上超越所有基线。
Comments 34pages (including references and appendix), 13 figures
人形机器人的约束全身跟踪
机构 * Stanford University（斯坦福大学） ； NVIDIA Research（NVIDIA研究）
AI总结 提出 ConstrainedMimic 框架，结合操作空间控制与控制障碍函数，在强化学习跟踪策略中实现实时约束满足，用于人形机器人全身运动跟踪与遥操作。
Muon 需要多少正交化？
机构 * NVIDIA
AI总结 研究 Muon 优化器所需的正交化程度，提出一种基于三次牛顿-舒尔茨迭代的低成本正交化变体 cubic5，并在多种模型上验证其与高精度方法性能相当。
HiGS：一种用于实时三维高斯泼溅的分层渲染架构
机构 * NVIDIA
AI总结 针对3D高斯泼溅中空间分区与光栅化对瓦片尺寸需求矛盾的问题，提出分层瓦片高斯泼溅（HiGS），通过粗粒度宏瓦片分区和细粒度渲染瓦片光栅化实现加速，在保持精确alpha合成的同时实现最高15.8倍加速。
Comments Project Page: https://research.nvidia.com/labs/sil/projects/higs/
StressDream: 引导视频世界模型实现鲁棒的策略评估与改进
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA Research（NVIDIA研究） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 提出StressDream方法，通过优化扩散视频世界模型的初始噪声，在推理时引导生成高影响且合理的未来场景，以支持鲁棒的策略评估与改进。
Comments Project page: https://junwon.me/StressDream/
APE: 用于图像生成与编辑的智能提示增强器
机构 * NVIDIA ； University of Michigan（密歇根大学）
AI总结 提出APE框架，通过后训练小型语言模型作为提示增强代理，以单代理或多代理方式改进文本到图像生成与编辑中的提示质量，无需修改下游视觉模型。
Comments Project Page: https://research.nvidia.com/labs/sil/projects/ape/
Herculean: 面向金融智能的智能体基准测试
机构 * The Fin AI ； Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； NVIDIA（英伟达） ； New York University（纽约大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Florida（佛罗里达大学） ； MBZUAI ； Université de Montréal（蒙特利尔大学） ； University of Minnesota（明尼苏达大学） ； University of Massachusetts Boston（马萨诸塞大学波士顿分校） ； National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院） ； University of Liverpool（利物浦大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； National University of Singapore（新加坡国立大学） ； Halmstad University（哈尔姆斯塔德大学） ； University of Manchester（曼彻斯特大学） ； Cardiff University（卡迪夫大学） ； McGill University（麦吉尔大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所）
AI总结 本文提出Herculean，首个覆盖交易、对冲、市场洞察和审计四个代表性工作流的智能体金融智能基准测试，通过标准化MCP技能环境评估异构智能体系统，发现智能体在交易和市场洞察上表现较好，但在对冲和审计等需要长期协调、状态一致性和结构化验证的任务上存在显著不足。
CRAFT：面向高效混合专家服务的细粒度成本感知专家复制
机构 * NVIDIA Corporation（英伟达公司）
AI总结 提出CRAFT框架，通过基于估计收益的细粒度逐层复制，在给定内存预算下最大化负载均衡，无需额外训练即可提升大规模MoE服务吞吐量。
Comments 22 pages, 15 figures
Journal ref Proceedings of the Ninth Conference on Machine Learning and Systems (MLSys 2026)
FOVI：一种受生物启发的深度视觉模型中央凹接口
机构 * harvard（哈佛大学） ； nvidia
AI总结 受人类视觉系统启发，提出基于视网膜和V1的中央凹接口FOVI，通过kNN卷积和低秩适应实现高效变分辨率视觉处理，在减少像素和计算成本的同时保持竞争力。
Comments ICML 2026
SpaceTools: 通过双交互强化学习实现工具增强的空间推理
机构 * NVIDIA ； University of Michigan（密歇根大学）
AI总结 提出双交互强化学习（DIRL）框架，通过两阶段训练让视觉语言模型学会协调多种工具（如深度估计、分割、姿态估计）进行精确空间推理，在多个基准上达到最优性能。
Comments CVPR 2026
StreamingVLM：无限视频流的实时理解
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达）
AI总结 提出StreamingVLM，通过统一训练与流推理的框架，利用注意力汇点状态复用和滑动窗口机制实现无限视频流的实时稳定理解，在Inf-Streams-Eval基准上以8 FPS速度达到66.18%胜率，并提升通用VQA能力。
Comments Published as a conference paper at ICLR 2026. The first two authors contributed equally to this work
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈