Guardrail-Agnostic Societal Bias Evaluation in Large Vision-Language Models
强安全护栏下大型视觉语言模型的护栏无关社会偏见评估
机构 * NVIDIA（英伟达）
AI总结 本研究针对强护栏LVLMs的偏见评估难题，提出解耦人物属性推断的评估方法，发现20款LVLMs均存在不当使用用户人口统计信息的偏见，且专有模型偏见低于开源模型。
Comments Accepted at ECCV 2026
大厂专区
NVIDIA（英伟达）
Think, Look, and Revise: Inconsistency-Aware Visual Self-Correction in MLLMs
思考、观察与修正：多模态大语言模型中基于不一致感知的视觉自我修正
机构 * University of Edinburgh（爱丁堡大学） ； NVIDIA Research（英伟达研究院）
AI总结 本研究针对工具增强型多模态推理中工具输出缺乏验证的问题，提出ReVISE框架，通过带监督反思的训练数据集与强化学习目标奖励，实现错误检测与修正，在多个基准上取得性能提升。
Comments accepted by EMNLP2026
Sparse Koopman Autoencoders Identify Local Dynamical Regimes in Multibasin Systems
稀疏Koopman自编码器识别多盆系统中的局部动力学 regime
机构 * Chandar Research Lab（钱达尔研究实验室） ； Mila – Quebec AI Institute（米拉-魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； NVIDIA（英伟达） ； Polytechnique Montréal（蒙特利尔理工学院）
AI总结 该研究提出稀疏Koopman自编码器（SKAEs），无需标签即可识别多盆系统的局部动力学 regime，其预测性能优于密隐KAEs，且隐支撑可有效识别吸引盆。
SHERLOC: Structured Diagnostic Localization for Code Repair Agents
SHERLOC: 代码修复智能体的结构化诊断定位
机构 * NVIDIA（英伟达） ； Santa Clara, CA 95051, USA（美国加利福尼亚州圣克拉拉） ； TU Darmstadt（达姆施塔特工业大学） ； National Research Center for Applied Cybersecurity ATHENE（国家应用网络安全研究中心 ATHENE）
AI总结 提出SHERLOC框架，通过推理LLM与紧凑仓库工具及自恢复机制，实现无需微调的结构化诊断定位，在SWE-Bench上达到最优定位精度，并提升修复率、降低令牌消耗。
Comments Accepted to EMNLP 2026 Main Conference. Code: https://github.com/NVIDIA-NeMo/Skills/tree/main/recipes/sherloc
Can Retrieval Heads See Images? Multimodal Retrieval Heads in Long-Context Vision-Language Models
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 Accepted to EMNLP 2026
DCC: Data-Centric Compilation of Machine Learning Kernels for Processing-In-Memory Architectures
DCC: 面向处理-内存架构的机器学习内核数据驱动编译
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； ETH Zürich（苏黎世联邦理工学院） ； Nvidia（英伟达） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 针对PIM系统中数据重排与计算代码优化相互依赖的问题，提出数据驱动的编译器DCC，通过统一调优联合优化数据重排与计算代码，在HBM-PIM和AttAcc PIM上分别实现平均2.21倍和3.92倍的加速。
