NVIDIA（英伟达）

WildCity: A Real-World City-Scale Testbed for Rendering, Simulation, and Spatial Intelligence

WildCity：用于渲染、模拟和空间智能的真实世界城市规模测试平台

Xiangyu Han, Mengyu Yang, Jiaqi Li, Bowen Chang, Ziyu Chen, Hexu Zhao, Rahul Kumar Agrawal, Anthony Rodriguez, Fiona Hua, Marco Pavone, Chen Feng, Yiming Li

机构 * May Mobility（五月出行公司） ； New York University（纽约大学） ； NVIDIA（英伟达公司） ； Stanford University（斯坦福大学） 纠错

AI总结 针对人工智能在构建城市规模空间表征方面的挑战，引入WildCity真实世界多模态数据集，建立重建基线并转化为模拟器，分析关键挑战，推动城市规模渲染及相关人工智能发展。

Comments ECCV 2026; Project Page: https://han-xiangyu.github.io/Wild-City/

SPEAR: A Simulator for Photorealistic Embodied AI Research

SPEAR：用于逼真的具身人工智能研究的模拟器

Mike Roberts, Renhan Wang, Rushikesh Zawar, Rachith Dey-Prakash, Quentin Leboutet, Stephan R. Richter, Matthias Müller, German Ros, Rui Tang, Stefan Leutenegger, Yannick Hold-Geoffroy, Kalyan Sunkavalli, Vladlen Koltun

机构 * Adobe Research（Adobe研究院） ； Intel Labs（英特尔实验室） ； Manycore Tech Inc（众核科技公司） ； Adobe（Adobe公司） ； NVIDIA（英伟达公司） ； ETH Zurich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 研究针对现有逼真模拟器局限，提出SPEAR这一Python库，通过模块化插件架构连接控制UE应用程序，提升可编程性与渲染速度，还提供新图像模态和高级编程模型，经多样示例应用展示了其效用。

Comments Accepted for publication at the European Conference on Computer Vision (ECCV) 2026

Think Before You Grid-Search: Floor-First Triage for LLM Serving

在进行网格搜索之前先思考：大语言模型服务的楼层优先分类法

Yihua Liu

机构 * NVIDIA 纠错

AI总结 研究大语言模型服务优化，提出楼层优先分类法，基于残差构建五维资源向量，通过墙排序比较部署方案，以案例分析模型在特定GPU上的情况，揭示布局判断与操作点的关系及不同布局差异的原因。

Comments 16 pages, 3 figures

EMBER: Efficient Memory via Budgeted Evidence Retention for Long-Horizon Agents

EMBER: 通过预算化证据保留实现高效记忆的长时程智能体

Yilong Li, Suman Banerjee, Tong Che

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 针对长时程智能体在固定预算下保留证据的问题，提出EMBER学习型保留策略，通过存储证据胶囊（含原文摘录、检索键和更新元数据）并利用查询后反馈训练，在LongMemEval-RR上显著提升F1、保留召回和读取召回。

Cast a Wider Net: Coordinated Pass@K Policy Optimization for Code Reasoning

撒更宽的网：面向代码推理的协调 Pass@K 策略优化

Yilong Li, Suman Banerjee, Tong Che

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； NVIDIA Research（英伟达研究） 纠错

AI总结 提出协调 Pass@K 策略优化 (CPPO)，通过规划器生成多种策略并协调求解器尝试，以解决代码生成中重复采样导致冗余推理路径的问题，在多个基准上显著提升 pass@4。

Comments Code reasoning; pass@K optimization; coordinated planning; verifiable rewards; strategy diversity

Zero-Human Demonstration End-to-end Autonomous Driving with Trajectory Scorer

基于轨迹评分器的零人类示范端到端自动驾驶

Zhenxin Li, Nadine Chang, Wenhao Yao, Xinglong Sun, Zi Wang, Maying Shen, Jingde Chen, Jingyu Song, Kailin Li, Zuxuan Wu, Shiyi Lan, Jose M. Alvarez

机构 * Institute of Trustworthy Embodied AI（可信具身人工智能研究所） ； Fudan University（复旦大学） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； NVIDIA ； University of Michigan（密歇根大学） ； East China Normal University（华东师范大学） 纠错

AI总结 研究提出ZTRS，一种基于强化学习的端到端自动驾驶规划范式，仅依靠真实世界图像和规则奖励训练，无需人类示范。通过详尽策略优化，能更好推广到长尾驾驶场景，在相关数据集上展现出优于模仿学习方法的性能。