NVIDIA（英伟达）

Adaptive Routing for Efficient Diffusion Transformer-Based PNI Prediction

基于高效扩散变压器的PNI预测的自适应路由

Youngung Han, Dohyun Kweon, Kyeonghun Kim, Hyunsu Go, Jina Jeong, Suah Park, Induk Um, Junga Kim, Anna Jung, Yului Jeong, Sungha Park, Jinyong Jun, Pa Hong, Woo Kyoung Jeong, Won Jae Lee, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； Kyung Hee University（庆熙大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Seoul National University School of Medicine（首尔国立大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； Samsung Medical Center（三星医疗中心） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

AI总结 针对胆管癌PNI术前MRI预测难题，传统方法有局限。本文将PNI预测设为扩散分类问题，用基于Transformer的表示实现去噪网络，并引入自适应路由提高效率，实验取得了0.731的AUC及257.57 GFLOPs的结果。

LoSA-Net: A Localized and Scale-Adaptive Network for Boundary-Sensitive Prediction of Perineural Invasion in 3D MRI

LoSA-Net：用于3D MRI中神经周围侵犯边界敏感预测的局部化和尺度自适应网络

Youngung Han, Hyunsu Go, Kyeonghun Kim, Induk Um, Junga Kim, Jaewon Jung, Woo Kyoung Jeong, Won Jae Lee, Pa Hong, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Samsung Medical Center, Sungkyunkwan University School of Medicine（三星医疗中心，成均馆大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

AI总结 研究针对3D MRI中神经周围侵犯（PNI）预测难题，提出LoSA-Net架构，通过TNA、SAFM和CSRA技术，在168例胆管癌患者的对比增强MRI扫描中，该网络AUC达0.7567，优于卷积和Transformer基线。

Comments Published in the 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI 2026); accepted for oral presentation

Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), 2026

MMA-Former: Multi-Window Mixture-of-Head Attention Transformer for Adaptive PNI Prediction in 3D MRI

MMA-Former：用于3D MRI中自适应PNI预测的多窗口混合注意力头变压器

Youngung Han, Induk Um, Kyeonghun Kim, Junga Kim, Hyunsu Go, Jaewon Jung, Woo Kyoung Jeong, Won Jae Lee, Pa Hong, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Samsung Medical Center, Sungkyunkwan University School of Medicine（三星医疗中心，全北大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

AI总结 针对3D MRI无创预测PNI的挑战，提出MMA-Former，采用粗-细变压器结构及窗口特定混合注意力机制，能并行多尺度提取特征，实现空间自适应特征提取，在回顾性数据集上AUC达0.752，优于其他架构。

Comments Published in the 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI 2026); accepted for oral presentation

Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), 2026

FlashTrie: A GPU-Accelerated Constrained Beam Search for Generative Retrieval

FlashTrie：用于生成式检索的GPU加速约束束搜索

Dakshitha Anandakumar, Anurag Mukkara, Wenxiang Hu, Jiusheng Chen, M Akash Kumar, Ting Ye, Qiang Lou, Jian Jiao

机构 * Microsoft（微软） ； Nvidia（英伟达） 纠错

AI总结 研究针对生成式检索中约束解码的瓶颈问题，提出FlashTrie方法。通过优化GPU上的约束束搜索，采用整数感知简洁trie布局和协作CUDA内核等技术，显著降低解码延迟、提高吞吐量，在实验中取得良好效果并提升了收入。

Coresets Before Score Sets: Evaluation-Unsupervised Prompt Subset Selection for LLM Benchmarks

分数集之前的核心集：用于大语言模型基准测试的评估无监督提示子集选择

Jihan Yao, Gantavya Bhatt, Arnav Das, Peter Jin, Ke Bao, Qiaolin Yu, Khushi Bhardwaj, Chang Su, Jialei Wang, Yikai Zhu, Sugam Devare, Damon Mosk-Aoyama, Zhen Dong, Venkat Krishna Srinivasan, Yineng Zhang, Oleksii Kuchaiev, Jiantao Jiao, Banghua Zhu, Jeff Bilmes

机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Oracle（甲骨文公司） ； Together AI（Together AI公司） ； LMSYS ； NVIDIA（英伟达公司） 纠错

AI总结 研究大语言模型基准测试的核心集选择，采用评估无监督方法，利用次模子集选择，开发多种次模函数。在新大规模套件上实验发现设施选址函数效果好，该目标不限于特定模式，在相关排行榜上表现优且计算成本低，证明次模性对基准压缩有用。