NVIDIA（英伟达）

Spatial-IQ: Deconstructing Spatial Intelligence via Hierarchical Capability Tests

空间智商：通过分层能力测试解构空间智能

Patrick Rim, Tom Long, Ekta Prashnani, Ruth Rosenholtz, Ben Boudaoud, Peter Xenopoulos, Alex Wong, Joohwan Kim, Jae-Hyun Jung

机构 * NVIDIA Research（英伟达研究院） ； Yale University（耶鲁大学） 纠错

AI总结 研究针对多模态大语言模型空间推理能力不足问题，提出Spatial-IQ分层诊断框架，分解物体计数任务为子任务，生成数据集评估模型，发现模型存在问题，且用思维链监督和强化学习训练可提升模型表现。

Test-Time Coverage: Test-Conditioned Data Curation for Deployment-Aware Learning

测试时覆盖：用于部署感知学习的测试条件数据管理

Nadine Chang, Maying Shen, Shizhe Diao, Jialiang Wang, Jingde Chen, Thomas Breuel, Pavlo Molchanov, Rafid Mahmood, Jose M. Alvarez

机构 * NVIDIA（英伟达） ； University of Ottawa（渥太华大学） 纠错

AI总结 研究针对部署的AI系统训练需数据管理的问题，提出TTCov方法，通过构建任务图谱和知识图谱分别表示覆盖与分布，选择预算训练集，应用于自动驾驶时能提升数据质量及性能，实现对新领域的无缝适应。

PRESTO: Prefix-Aligned Tree Drafting for Diffusion Speculative Decoding

PRESTO：用于扩散推测解码的前缀对齐树草稿生成

Zheng Wang, Zhifan Ye, Qi Cheng, Yonggan Fu, Ziyan Wang, Feng Zhu, Haozhe Zhao, Jan Kautz, Pavlo Molchanov, Humphrey Shi, Minjia Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达） 纠错

AI总结 研究针对扩散大语言模型用于推测解码时现有方法的局限，提出PRESTO框架，通过前缀对齐评分和基于优先级的树搜索，解决扩散草稿与前缀验证不匹配问题，在多种基准测试中显著提升了端到端吞吐量。

Reference Feature Atlases for Mechanistic Auditing of Language Models

用于语言模型机制审计的参考特征图谱

Rui Wu, Tong Che

机构 * Rutgers University（罗格斯大学） ； NVIDIA Research（英伟达研究院） 纠错

AI总结 该研究提出参考特征图谱用于语言模型审计，通过拟合线性解码器实现，有图谱和残差两个互补通道。在多模型上训练并审计米斯特拉尔和文心一言目标，残差通道能控制植入机制，还揭示文心一言相关集群，为模型审计提供新方法。

Low-Rank Dependence Decomposition via Accelerated Symmetric Non-negative Matrix Factorization

通过加速对称非负矩阵分解进行低秩相依性分解

Lavinia Ghita, Dhruv Desai, Jake Goldberg, Roman Yokunda Enzmann

机构 * NVIDIA（英伟达） 纠错

AI总结 研究通过加速对称非负矩阵分解进行低秩相依性分解，在绝对皮尔逊相关和尾部成对相依矩阵上对七个算法家族超30种配置做大规模GPU研究，给出多节点扩展结果，比较不同算法在不同谱上表现，还将球形K - means作为基线测试。

Comments 40 pages

VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference

VLASH: 通过未来状态感知的异步推断实现实时VLAs

Jiaming Tang, Yufei Sun, Yilong Zhao, Shang Yang, Yujun Lin, Zhuoyang Zhang, James Hou, Yao Lu, Zhijian Liu, Song Han

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； UCSD（加州大学圣地亚哥分校） ； Caltech（加州理工学院） 纠错

AI总结 VLASH通过未来状态感知的异步推断框架，实现高效、准确的实时VLAs控制，显著提升反应速度和任务执行精度。

Coarse Graining with Neural Operators for Simulating Chaotic Systems

用神经算子进行粗粒化以模拟混沌系统

Chuwei Wang, Boris Bonev, Julius Berner, Zongyi Li, Di Zhou, Jiayun Wang, Thorsten Kurth, Jane Bae, Anima Anandkumar

机构 * Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加利福尼亚理工学院） ； NVIDIA Research（NVIDIA研究） ； Graduate Aerospace Laboratories, California Institute of Technology（航空航天实验室，加利福尼亚理工学院） 纠错

AI总结 本文提出了一种基于物理启发的神经算子方法，用于高效模拟混沌系统，实现330倍速度提升和10%的误差，优于传统闭合模型方法。