行业趋势

IBM让大模型给数据库写GPU算子，22条查询全通过并加速2.11倍

数据库查询搬到GPU后，最慢的热点仍常靠工程师手写CUDA或Triton。IBM Research、维也纳工业大学提出DataKernelBench，把SQL先转成可验证的PyTorch张量计划，再让大模型在保持结果一致的前提下改写GPU内

清华等让机器人把“未来画面”压成潜动作，延迟降低42.9%

机器人世界动作模型常在执行动作前生成未来画面，用视觉预测帮助控制，但完整视频分支会拉高推理延迟。清华大学、中科院自动化所、TARS Robotics、复旦大学等机构提出LAWA，把未来变化压缩成离散潜动作，推理时不再重建未来像素。

浙大、清华等把190亿参数音视频生成提速54.67倍，单张H20从318秒降到5.83秒

输入一句文字，同时生成画面和匹配的声音，省掉了视频生成后再配音的串联步骤，但联合模型也把两种模态的计算成本叠到一起。浙江大学、清华大学、新加坡国立大学等机构提出TurboT2VA，用蒸馏与推理优化加速190亿参数的LTX-2音视频模型。

不到68万字节，sanoTTS无需NPU在ESP32上实时生成语音

一个完整神经语音合成系统，从音素ID一路生成22.05kHz波形，部署图只有567008个参数，两个int8数据块合计679832字节。Ampixa Labs提出sanoTTS，在不使用神经加速器的ESP32-S3上，生成4.54秒语音耗时

上交大等提出ReCache，智能体工具调用KV内存减少92.43%

智能体每次回答前都要阅读天气、日历、搜索等工具Schema。工具组合或顺序一变，普通前缀缓存就难以复用之前的KV状态。上海交通大学、东方理工学院、西安交通大学提出ReCache，让每份资源独立编码，并只保留调用需要的字段与注意力路径。

华为&港中大提出LEGO-RL：不改智能体框架，SWE-bench最高提升9.4个百分点

编程智能体在真实仓库里会压缩上下文、反复调用工具、重启环境，训练器很难精确知道哪些Token由当前策略生成。华为、香港中文大学提出LEGO-RL，在不改动Agent内部控制流的前提下，把OpenHands SDK、Claude Code和O

微软等发布Agent Lightning 1.0：6000条样本把编程智能体提升14.6个百分点

训练编程智能体时，真正执行工具、保存上下文和控制循环的往往是Agent框架，强化学习训练器却希望接管整条交互。微软、复旦大学、浙江大学、爱丁堡大学等机构发布Agent Lightning 1.0，让现有智能体继续掌管运行过程，训练侧通过模型

阿里云&上交等提出AViTS：只放大关键Token，扩散模型最高加速14.76倍

扩散模型从低分辨率切到高分辨率时，通常会把所有潜在Token一起放大，即使大片背景已经稳定。上海交通大学、山东大学、阿里云、西安交通大学等机构提出AViTS，依据文本相关性和跨去噪步骤的特征变化，只优先细化真正重要的Token。

自动驾驶大模型提速4.7倍！普林斯顿FlashDrive把10B VLA延迟压到151毫秒

自动驾驶模型如果每次思考要717毫秒，车辆一秒只能更新约1.4次决策。普林斯顿大学与加州大学圣迭戈分校提出FlashDrive，把Alpamayo 1.5-10B视觉—语言—动作模型在单张GPU上的端到端延迟压到151毫秒，频率升至6.6H

清华&北智院等提出SLIM-0.5B：小模型操控机器人，推理延迟压到60.6毫秒

复旦大学、北京智源人工智能研究院、清华大学和中国人民大学提出SLIM，一个只有0.47B参数的机器人操作策略。它不用大型多模态骨干每个控制步都重做开放域理解，而是学习与动作和状态变化紧密相关的紧凑潜表示。

Meta&普林斯顿提出Gambit：大模型推理少用68.5% Token，准确率反升6.7%

Meta AI、普林斯顿和MIT提出Gambit，把大模型的测试时推理改成“思维层面的束搜索”。它不再让大量推理轨迹各自跑到底，而是周期性砍掉低质量路径，把释放的算力立即用来复制更好的思路前缀。

ECCV 2026｜英伟达等提出HRDiT，现成DiT不重训也能生成8K图像

把FLUX、Stable Diffusion 3这类DiT直接拉到8K，常出现窗户错位、物体重复和整体结构散架，计算时间也陡增。兰卡斯特大学、华南理工大学与英伟达AI技术中心提出ECCV 2026论文HRDiT，通过空间位置重排和分层注意力

Apple&Google DeepMind改造16B扩散模型，换6层注意力吞吐提1.7倍

扩散语言模型可以并行修改多个词元，但长序列中的全注意力仍会吃掉大量计算。Apple、Google DeepMind与哈佛大学研究者在MIT开展的工作提出LLaDA-Hybrid：把16B模型20层中的6层换成块级混合注意力，再通过两阶段轻量

让大模型参与芯片微架构搜索：MicroEvo效率做到10.6倍

处理器微架构要在性能、功耗和面积之间反复取舍，但一次PPA评估就可能需要昂贵仿真。东南大学、国家EDA技术创新中心、英伟达、复旦、中科院计算所和北大等团队提出MicroEvo，在论文设置下把搜索效率做到NSGA-II的10.6倍。

大模型调优不再反复反传，LoCA把GPU峰值内存压低近三成

腾讯、帝国理工学院、密歇根大学等机构的研究人员提出LoCA。它先用一次反向传播完成校准，后续适配只运行前向计算和局部闭式求解。包含校准在内，全程GPU峰值内存比LoRA低26%至29%。

复旦北大找到低精度训练崩溃通道，QK-Guard守住6万步

复旦大学、哈尔滨工业大学和北京大学等团队复现了bfloat16 Transformer训练中的突然崩溃：模型可以正常运行很多步，注意力随后快速失控。研究发现，不同位置的低精度误差最终会汇入查询—键权重的共同通道。

英特尔中国把推理模型压到1.58比特，校准数据少100万倍

英特尔中国研究院发布ScaleQ-1.58，把推理大模型权重压缩为三值表示。Qwen3-1.7B版本只使用400万校准Token，在4项数学和代码任务上的平均表现达到BitNet b1.58 2B4T的90.52%以上，量化所需校准Toke

清华腾讯提出CoMem，128K上下文显存降至18.26GB

清华大学与腾讯提出长上下文记忆方法CoMem。在单张96GB英伟达H20上处理128K上下文时，一组不使用适配器的效率测试显示，峰值显存由完整上下文方案的89.36GB降至18.26GB，预填充时间由15.014秒缩短到1.917秒，加速7

Adobe提出Chimera混合扩散Transformer：训练约600 H100天，5秒视频零样本拉长到30秒

视频生成正在变成一道长序列题：一段高分辨率视频摊成 token 后动辄十几万，扩散 Transformer 里的全注意力显存随帧数平方膨胀，训练账单越来越贵。Adobe Research 提出 Chimera，一套混合视觉扩散 Transf

中国农大&北师大提出TIDE：计算量降低38.7倍，密集鱼群跟踪也能跑在边缘设备上

中国农业大学、北京师范大学和新加坡国立大学联合提出了TIDE（Tracking Identities with Dual-branch Elasticity），一种用于密集同质目标跟踪的双分支弹性框架。在MFT-Edge基准上，轻量L分支仅