大厂专区
GaP：面向变分自动化任务的图即策略多智能体自学习框架
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； Bosch（博世）
AI总结 针对变分自动化任务无模型策略可靠性不足问题，提出图即策略多智能体编码框架GaP，通过生成计算图并行迭代优化，在虚实8项基准上表现远超基线。
基于策略梯度的自适应推理批处理
机构 * NVIDIA Corporation（英伟达公司）
AI总结 针对突发异构负载下推理服务的调度难题，采用强化学习学习自适应批处理路由策略，在多GPU场景下消除队头阻塞，性能远超传统启发式方法。
Comments 5 pages, 5 figures, 1 table
视觉语言动作模型所言即所指？论忠实性在具身推理中的作用
机构 * Stanford University（斯坦福大学） ； Politecnico di Milano（米兰理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence (AI4I)（意大利人工智能研究所） ； NVIDIA Research（英伟达研究院）
AI总结 研究视觉语言动作模型中具身思维链是否真实反映决策过程。区分功能推理与忠实推理，指出当前对齐策略不足，通过人类评估揭示差距，用学习的评论家操作具身忠实性的行为替代物，强化学习后训练策略提升了忠实性。
SILO：用于多阶段电缆布线的回路内仿真的仿真到现实转移
机构 * NVIDIA Corporation（英伟达公司） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 针对电缆等物体复杂变形导致的线性可变形操纵难题，提出基于GPU并行仿真的强化学习框架及新部署策略，实现多阶段电缆布线的仿真到现实转移，提升成功率并减少周期时间。
Comments Website: https://silo-cable-routing.github.io/
如何构建数字人？从先验知识到逼真的虚拟形象
机构 * Meta ； Technical University of Munich（慕尼黑技术大学） ； Google（谷歌） ； Tsinghua University（清华大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； NVIDIA ； Technical University of Darmstadt（达姆施塔特技术大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 概述可控3D人类虚拟形象创建，聚焦先验学习和形象创建阶段，定义现有虚拟形象表示并分类，回顾全身和头部虚拟形象等方法，概述原则、推荐文献并讨论挑战与方向。
Comments Eurographics 2026 State-of-the-Art Report (STAR). Project page: https://wojciechzielonka.com/how-to-build-digital-humans/
使用确定性真实数据评估长文本生成中语言模型的不确定性
机构 * Technion（技术学院） ； Nvidia（英伟达）
AI总结 研究针对长文本生成中语言模型不确定性评估难题，引入含单一确定性长文本真值的SALT基准，通过对50多个模型分析揭示关键见解，如置信函数作用、错误驱动因素及推理影响等，为风险关键应用提供参考。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026). Code available at https://github.com/IdoAmit198/SALT
三思而后行：将树搜索提炼为冻结视觉语言动作模型的动作评估
机构 * Nanjing University（南京大学） ； Australian National University（澳大利亚国立大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nvidia（英伟达）
AI总结 研究发现视觉语言动作（VLA）模型泛化能力差的关键瓶颈在于动作评估。提出SVA框架，通过蒙特卡洛树搜索探索输出分布，将知识提炼到轻量级Q值模型，提升任务成功率，且保持泛化能力。
RADIO1D：用于压缩视觉建模的弹性表示
机构 * NVIDIA（英伟达）
AI总结 挑战视觉语言模型需固定基于补丁的2D视觉特征的假设，分析微调视觉编码器，基于发现引入RADIO1D，用多教师知识蒸馏等将图像压缩成1D令牌序列，有强分层总结能力，在多模态基准测试中有优势。
Comments Published as main conference paper at ICML 2026
基于令牌的大型视觉语言模型的可供性基础
机构 * University of Mississippi（密西西比大学） ； National University of Singapore（新加坡国立大学） ； NVIDIA（英伟达）
AI总结 研究旨在解决现有视觉语言模型在行动定位上的问题，提出TokAG零样本可供性基础框架，利用令牌级语义空间信号定位相关区域，引入空间感知令牌选择机制，在多基准测试中优于先前方法。
Comments Accepted to ECCV 2026
Flex-Forcing：迈向统一的自回归和双向视频扩散模型
机构 * NVIDIA（英伟达）
AI总结 研究针对现有视频生成方法推理范式僵化的问题，提出Flex-Forcing框架。核心是灵活分块机制，可依设备预算灵活分块，跨块双向推理与块内自回归生成，实验表明该框架提升了视频质量、稳定性并加快推理速度。
Comments Project page: https://research.nvidia.com/labs/genair/flex-forcing
基于生成模型提议的数据同化粒子滤波
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达）
AI总结 提出流提议粒子滤波（FPPF），通过学习条件生成模型作为提议分布，逼近方差最小化最优提议，结合贝叶斯更新和局部化策略，在非线性、非高斯和高维系统中优于统计基线和生成方法。
检索头能看见图像吗？长上下文视觉语言模型中的多模态检索头
机构 * HKUST（香港科技大学） ； University of Edinburgh（爱丁堡大学） ； CUHK（香港中文大学） ； NVAITC, NVIDIA, Santa Clara, USA（NVIDIA Santa Clara 分公司） ； Tsinghua University（清华大学）
AI总结 本文提出一种多模态检索头检测方法，发现视觉语言模型中仅有4.4-10.2%的注意力头贡献了50%的正检索分数，这些头对长上下文推理至关重要，且可直接用于文档检索提升性能。
Comments Work in Progress
SHINE：一种可扩展的上下文超网络，用于在单次传递中将上下文映射到LoRA
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Technion, NVIDIA（技术学院与NVIDIA） ； University of Oxford（牛津大学） ； School of Electronics Engineering（电子工程学院） ； Computer Science, Peking University（计算机科学，北京大学）
AI总结 本文提出SHINE，一种可扩展的上下文超网络，用于在单次传递中将多样且有意义的上下文映射到高质量的LoRA适配器，通过重用冻结LLM的自身参数和引入架构创新，克服了先前超网络的关键限制，以较少的参数实现了强大的表达能力。
三步导航：一种用于零样本视觉-语言导航的分层全局-局部规划器
机构 * University of Southern California（南加州大学） ； NVIDIA Research（NVIDIA研究）
AI总结 本文提出三步导航方法，通过全局-局部分层规划解决零样本视觉-语言导航中的漂移和低成功率问题，无需梯度更新或微调，实现最先进的性能。
Comments Accepted to AISTATS 2026. Code: https://github.com/ZoeyZheng0/3-step-Nav
Journal ref Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS), 2026
VIBE：通过真实世界语音进行大型音频-语言模型生成偏见评估的语音诱导开放式偏见评估
机构 * Graduate Institute of Communication Engineering, National Taiwan University, Taiwan（台湾大学通信工程研究所） ； NVIDIA, Taiwan（台湾NVIDIA） ； Artificial Intelligence Center of Research Excellence, National Taiwan University, Taiwan（台湾大学人工智能卓越研究中心）
AI总结 VIBE通过真实世界语音的开放式任务评估大型音频-语言模型的生成偏见，揭示了性别线索比口音线索更易引发分布偏移，表明当前模型复现了社会刻板印象。
Comments Submitted to SLT 2026
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
APEX：针对超大组合合成库的近似但详尽搜索
机构 * Numerion Labs（Numerion实验室） ； NVIDIA（英伟达）
AI总结 研究超大组合合成库虚拟筛选难题，提出APEX方法，利用神经网络代理，能在一分钟内在消费级GPU上实现完全枚举，可精确检索近似top-k集，性能优于其他方法。
Comments Published in the Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
使用潜在空间生成世界模型减轻自动驾驶模仿学习中的协变量转移
机构 * NVIDIA
AI总结 提出用潜在空间生成世界模型解决自动驾驶协变量转移问题，训练时利用世界模型减轻该问题，无需大量训练数据，还引入新感知编码器，实验显示相比之前有显著改进。
Comments 8 pages, 6 figures, original September 2024, accepted at ICRA 2025 Workshop "Robots in the Wild", for associated video file, see https://youtu.be/7m3bXzlVQvU
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