图像生成

Speculative Sampling For Faster Molecular Dynamics

用于加速分子动力学的推测采样

Arthur Kosmala, Stephan Günnemann, Meng Gao, Brandon Wood

机构 * FAIR at Meta（Meta FAIR） ； School of Computation, Information & Technology, Technical University of Munich（技术大学慕尼黑计算、信息与技术学院） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center For Machine Learning（慕尼黑机器学习中心） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出Langevin推测动力学（LSD），一种分布式且模型无关的推测采样方法，通过草稿模型快速提议步长并用目标模型并行验证，实现分子动力学模拟的3-9倍加速而不增加相对误差。

Comments Forty-Third International Conference on Machine Learning (ICML 2026). 32 pages, 14 figures, 8 tables

Why Are DMD Students Lazy? Understanding the Copying Behavior in Few-Step Distillation

为什么 DMD 学生懒惰？理解少步蒸馏中的复制行为

Shucheng Li, Iolo Jones, Alexander Tong, Michael M. Bronstein

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； AITHYRA, Research Institute for Biomedical AI（生物医学AI研究 institute） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究分布匹配蒸馏（DMD）中高维学生模型自发复制教师噪声-数据配对的现象，通过几何自由度受限解释其成因。

Implicit Drifting Policy: One-Step Action Generation via Conditional Expert Geometry

隐式漂移策略：通过条件专家几何实现单步动作生成

Zemin Yang, Yaoyu He, Yiming Zhong, Yuhao Zhang, Xinge Zhu, Yao Mu, Qingqiu Huang, Yuexin Ma

机构 * ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Morphi Robot（Morphi机器人） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出隐式漂移策略（IDP），一种单步模仿学习框架，通过条件专家几何隐式引入训练时的漂移校正，无需显式向量场估计，在2D、3D及真实世界操作任务中有效保持有效动作流形，性能优于显式漂移方法并达到强单步基线水平。

Adversarial Dual On-Policy Distillation from Expressive Teacher

来自表达性教师的对抗性双在线策略蒸馏

Zhenglin Wan, Jingxuan Wu, Xingrui Yu, Chubin Zhang, Mingcong Lei, Bo An, Ivor W. Tsang, Yang You

机构 * National University of Singapore（新加坡国立大学） ； University of Technology Sydney（悉尼大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出FA-OPD方法，通过对抗性双在线策略蒸馏，结合流匹配教师和轻量MLP学生，利用奖励和动作双通道信号，在机器人导航、操作和运动任务中优于强基线，且对噪声和有限演示鲁棒。

Comments arXiv admin note: substantial text overlap with arXiv:2510.09222

U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecaster

U-Cast：一种惊人简单且高效的边界概率AI天气预报器

Salva Rühling Cachay, Duncan Watson-Parris, Rose Yu

机构 * University of Cambridge（剑桥大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出基于标准U-Net骨架的概率天气预报模型U-Cast，通过确定性预训练和短时概率微调，以不到1/10的计算成本匹配或超越GenCast和IFS ENS的预报技能。

Comments ICML 2026. Our code is available at: https://github.com/Rose-STL-Lab/u-cast

An Efficient and Scalable Graph Condensation with Structure-Preserving

一种高效且可扩展的保结构图压缩方法

Yulin Hu, Fuyan Ou, Ye Yuan

机构 * Southwest University（西南大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出一种解耦节点压缩与图结构生成的保结构图压缩方法（SP-ESGC），通过热核特征传播和混合聚类策略实现高效图压缩，并利用预训练边预测器生成可迁移的结构模式，在保持高计算效率的同时提升跨GNN架构的泛化能力。

Moment Matching Q-Learning

矩匹配Q学习

Yiyan, Liang, Sifei Liu, Weitong Zhang

机构 * School of Data and Information Science, University of North Carolina at Chapel Hill, Chapel Hill, USA（数据与信息科学学院，北卡罗来纳大学教堂山分校，教堂山，美国） 纠错

专题命中 效率与蒸馏 ：image generation(abstract)

AI总结 提出矩匹配Q学习（MoMa QL）框架，利用最大均值差异（MMD）匹配原始分布与目标分布的所有阶统计量，实现条件得分函数的分布级收敛，在D4RL任务中计算效率高且性能相当，并在离线到在线强化学习中通过加速流策略的动作采样展现更优的适应性和性能。

Comments 23 pages, 14 figures, 10 tables, accepted by ICML 2026

Pushing the Limits of Block Rotations in Post-Training Quantization

推动后训练量化中块旋转的极限

Sai Sanjeet, Ian Colbert, Pablo Monteagudo-Lago, Giuseppe Franco, Yaman Umuroglu, Nicholas J. Fraser

机构 * Advanced Micro Devices, Inc. (AMD)（Advanced Micro Devices公司） ； State University of New York at Buffalo（纽约州立大学布法罗分校） ； Norwegian University of Science（挪威科学与技术大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出PeRQ框架，通过置换和旋转重新分布激活值，以克服块旋转在抑制异常值时的几何限制，显著提升后训练量化精度。

Calibrating Generative Models to Distributional Constraints

生成模型的分布约束校准

Henry D. Smith, Nathaniel L. Diamant, Brian L. Trippe

机构 * Stanford University, Palo Alto, CA USA（斯坦福大学） 纠错

专题命中 效率与蒸馏 ：image generation(abstract)

AI总结 针对生成模型采样分布统计量偏离期望的校准问题，提出将校准形式化为受约束优化问题，并通过松弛损失和奖励损失两种替代目标进行微调，在蛋白质设计、图像生成和语言建模等应用中显著降低了数百个同时约束下的校准误差。

Comments To appear at the International Conference on Machine Learning (ICML), 2026. Codebase accompanying the paper is available at: https://github.com/smithhenryd/cgm

Efficient Shapley-Based Influence Attribution in Social Networks

基于Shapley值的社交网络高效影响力归因

Fangzhu Shen, Amir Gilad, Sudeepa Roy

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 针对社交网络中种子节点的事前影响力公平估计问题，提出基于Shapley值的归因框架，设计多项式时间算法（单步激活）和近似算法（IC模型及时间约束变体），并证明多步传播的#P-难性。

Comments 28 pages. Accepted at SIGKDD 2026. Full version with appendix

Rectified Schrödinger Bridge Matching for Few-Step Visual Navigation

整流薛定谔桥匹配用于少步视觉导航

Wuyang Luan, Junhui Li, Weiguang Zhao, Wenjian Zhang, Tieru Wu, Rui Ma

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science, Chongqing University（重庆大学计算机学院） ； Department of Computer Science, University of Liverpool（利物浦大学计算机科学系） ； Changchun GenY Technology Co., Ltd.（长春GenY科技有限公司） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出整流薛定谔桥匹配（RSBM）框架，利用速度场结构不变性和线性方差减少，在仅3步积分中实现高保真生成策略，满足具身AI低延迟需求。

Comments 18 pages, 7 figures, 10 tables. Code available at https://github.com/WuyangLuan/RSBM

Efficient cell-centered nodal integral method for multi-dimensional Burgers equations

多维Burgers方程的高效单元中心节点积分法

Nadeem Ahmed, Ram Prakash Bharti, Suneet Singh

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出一种基于单元中心变量的节点积分法（CCNIM），通过两种方式近似非线性对流项，将其推广至非线性Burgers方程，实现了时空二阶精度，且比传统NIM更简洁灵活。

Comments 60 pages, 21 figures, 10 tables

Journal ref Engineering with Computers (2025) Volume 41, pages 3611 - 3649

Accelerated Schrödinger-Föllmer samplers

加速的薛定谔-福尔默采样器

Haotian Lin, Xiaojie Wang, Xiaoyan Zhang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出一种高效的随机龙格-库塔方案来加速薛定谔-福尔默采样器，用于复杂高维多模态分布采样，并证明其L^2-Wasserstein距离下的收敛阶为O(h^{3/2}|ln h|)。

DiVeQ: Differentiable Vector Quantization Using the Reparameterization Trick

DiVeQ: 使用重参数化技巧的可微分向量量化

Mohammad Hassan Vali, Tom Bäckström, Arno Solin

机构 * ELLIS Institute Finland & Department of Computer Science, Aalto University, Finland（芬兰ELLIS研究所及阿尔托大学计算机科学系） ； Department of Information and Communications Engineering, Aalto University, Finland（芬兰阿尔托大学信息与通信工程系） 纠错

专题命中 效率与蒸馏 ：image generation(abstract)

AI总结 提出DiVeQ方法，通过重参数化技巧将量化视为添加模拟量化失真的误差向量，实现前向传播硬量化而梯度可流动，并引入空间填充变体SF-DiVeQ减少量化误差并充分利用码本，在VQ-VAE、VQGAN和DAC任务中提升重建质量和样本质量。

Generative structure search for efficient and diverse discovery of molecular and crystal structures

生成式结构搜索：高效且多样地发现分子和晶体结构

Yifang Qin, Yu Shi, Junfu Tan, Chang Liu, Ming Zhang, Ziheng Lu

机构 * Zhongguancun Academy（中关村学院） ； Kairos Materials（Kairos材料） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出生成式结构搜索（GSS）框架，结合扩散模型和随机结构搜索，利用数据先验加速采样并保持能量引导的局部极小探索，以低于随机结构搜索十分之一的成本恢复多样亚稳态结构。

Drift-React: One-step Generation of Reaction Pathways via SE(3) Drifting Fields

Drift-React: 通过 SE(3) 漂移场一步生成反应路径

Rémi Schlama, Philippe Schwaller

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出 SE(3) 等变生成框架 Drift-React，通过 Sinkhorn 加权漂移场从反应物和产物几何结构一步预测完整反应路径，无需迭代力评估或 ODE/SDE 积分，在 Transition1x 和 Halo8 数据集上生成物理一致的 MEP，并实现亚埃级 TS 预测精度与数量级加速。

On the Regularity and Generalization of One-Step Wasserstein-guided Generative Models for PDE-Induced Measures

关于PDE诱导度量的一步Wasserstein引导生成模型的正则性和泛化性

Likun Lin, Zhongjian Wang, Jack Xin, Zhiwen Zhang

机构 * Department of Mathematics, The University of Hong Kong（香港大学数学系） ； Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学数学科学系） ； Department of Mathematics, University of California at Irvine（加州大学 Irvine 分校数学系） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了一步Wasserstein引导生成模型在处理PDE诱导概率度量时的正则性和泛化性，通过理论框架证明了运输映射的正则性和生成模型的泛化性质，并通过实验验证了理论结果。

Beyond Leakage and Complexity: Towards Realistic and Efficient Information Cascade Prediction

超越泄露和复杂性：迈向现实和高效的流行信息级联预测

Jie Peng, Rui Wang, Qiang Wang, Zhewei Wei, Bin Tong, Guan Wang, Bo Zheng

机构 * Renmin University of China（中国人民大学） ； Alibaba（阿里巴巴） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文针对信息级联流行度预测中的三个关键问题：时间泄露、数据集特征贫乏和计算效率低下，提出了一种时间有序分割策略、大规模电商级联数据集Taoke以及轻量级框架CasTemp，实现了在四个数据集上的最先进的性能和数量级的速度提升。

Direct Simulation of LiNi0.8Mn0.1Co0.1O2 Transport Properties Using an Efficient and Accurate Machine Learning Potential

利用高效且准确的机器学习势直接模拟LiNi0.8Mn0.1Co0.1O2的输运性质

Jian He, Constantijn H. J. A. van de Wetering, Rolande W. Nolsen, Nongnuch Artrith

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文通过高效且准确的机器学习势直接模拟LiNi0.8Mn0.1Co0.1O2的锂离子输运性质，结合细调的MACE基础模型和主动学习策略，实现了在有限DFT参考计算下构建可靠势能函数，从而预测锂扩散系数。

Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems

准确、高效且可解释的深度学习方法用于环境科学问题

Jimeng Shi

机构 * College of Engineering and Computing（工程与计算学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出三种针对复杂环境科学问题的深度学习方法：用于海岸河流洪水预测的WaLeF模型、用于全球天气预测的CoDiCast模型以及用于环境科学科学问答的Hypercube-RAG方法，旨在提高环境智能的准确性、效率和可解释性。

Comments 161 pages

ETS: Energy-Guided Test-Time Scaling for Training-Free RL Alignment

ETS: 为无训练强化学习对齐的能耗引导测试时缩放

Xiuyu Li, Jinkai Zhang, Mingyang Yi, Yu Li, Longqiang Wang, Yue Wang, Ju Fan

机构 * Renmin University of China, Beijing, China（中国人民大学，北京，中国） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出了一种无需训练的推理方法，直接从最优强化学习策略中采样，通过结合参考策略模型和能耗项来改进掩码语言模型的过渡概率，并通过在线蒙特卡洛方法估计关键能耗项，从而提高生成质量。

Comments Accepted by ICML 2026

Complexity Analysis of Normalizing Constant Estimation: from Jarzynski Equality to Annealed Importance Sampling and beyond

归一化常数估计的复杂性分析：从Jarzynski等式到退火重要性采样及其进一步发展

Wei Guo, Molei Tao, Yongxin Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了归一化常数估计问题，提出了一种非渐近分析方法，推导了退火重要性采样估计归一化常数的复杂度，并提出了一种新的算法以处理多模态问题。

Comments Accepted at ICLR 2026 (https://openreview.net/forum?id=96fJALwotm)

Lossless Anti-Distillation Sampling

无损反蒸馏采样

Zibo Diao, Jingchu Gai, Xinyue Ai, Zhang Zhang, Zhenyu He, Di He

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 效率与蒸馏 ：image generation(abstract)

AI总结 本文提出了一种无损反蒸馏采样方法，通过在保持良性用户体验的同时，有效对抗多账号蒸馏攻击，降低蒸馏模型的泛化能力。

Universal Inverse Distillation for Matching Models with Real-Data Supervision (No GANs)

通用逆向蒸馏用于匹配模型与真实数据监督（无GANs）

Nikita Kornilov, David Li, Tikhon Mavrin, Aleksei Leonov, Nikita Gushchin, Evgeny Burnaev, Iaroslav Koshelev, Alexander Korotin

机构 * Applied AI Institute（应用人工智能研究所） ； MIRAI ； BRAIn Lab（BRAIn实验室） ； AI Foundation lab（人工智能基础实验室） ； MBZUAI（穆扎伊国际人工智能大学） ； AXXX 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出RealUID框架，通过无需GANs的方式将真实数据无缝融入逆向蒸馏过程，为所有匹配模型提供统一的蒸馏方法，涵盖流匹配和扩散模型，并可扩展至其变种。

DCFold: Efficient Protein Structure Generation with Single Forward Pass

DCFold: 通过单次前向传递高效生成蛋白质结构

Zhe Zhang, Yuanning Feng, Yuxuan Song, Keyue Qiu, Hao Zhou, Wei-Ying Ma

机构 * Institute for AI Industry Research (AIR)（人工智能产业研究院） ； Department of Computer Science and Technology（计算机科学与技术系） ； School of Computer Science and Technology（计算机科学与技术学院） ； ByteDance Seed（字节跳动种子） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出DCFold，一种单步生成模型，实现了与AlphaFold3同等的精度，通过双一致性训练框架和新的时间测地匹配（TGM）调度器，在保持预测保真度的同时将推理速度提升15倍，验证了其在结构预测和结合设计基准上的有效性。

Diamond Maps: Efficient Reward Alignment via Stochastic Flow Maps

钻石映射：通过随机流映射实现高效的奖励对齐

Peter Holderrieth, Douglas Chen, Luca Eyring, Ishin Shah, Giri Anantharaman, Yutong He, Zeynep Akata, Tommi Jaakkola, Nicholas Matthew Boffi, Max Simchowitz

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出钻石映射，一种通过随机流映射实现高效奖励对齐的生成模型，能够在推理时对任意奖励进行准确对齐，提升模型适应性和性能。

Lipschitz-Guided Design of Interpolation Schedules in Generative Models

基于Lipschitz性的生成模型插值调度设计

Yifan Chen, Eric Vanden-Eijnden, Jiawei Xu

机构 * Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Machine Learning Lab, Capital Fund Management, Paris, France（Capital Fund Management机器学习实验室） ； Courant Institute, New York University, NY, USA（纽约大学Courant研究所） ； Now at University of Maryland, College Park, MD, USA（现在位于马里兰大学 College Park 分校） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了生成模型中插值调度的设计，从统计和数值角度出发，提出通过最小化漂移场的平均平方Lipschitz性来设计调度，以提升生成模型的稳定性与准确性。

Flow-Direct: Feedback-Efficient and Reusable Guidance for Flow Models via Non-Parametric Guidance Field

Flow-Direct: 通过非参数指导场实现反馈高效且可重用的流模型指导

Kim Yong Tan, Yueming Lyu, Ivor Tsang, Yew-Soon Ong

机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院，新加坡） ； Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（前沿人工智能研究中心，新加坡科技研究局） ； Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，新加坡科技研究局） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出Flow-Direct框架，通过持续指导场提升流模型的反馈效率和可重用性，利用累积的奖励评估样本构建非参数估计器，实现高效优化和多目标样本生成。

Robust One-step Speech Enhancement via Consistency Distillation

通过一致性蒸馏实现鲁棒的一步语音增强

Liang Xu, Longfei Felix Yan, W. Bastiaan Kleijn

机构 * School of Engineering and Computer Science（工程与计算机科学学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出ROSE-CD，通过一致性蒸馏生成鲁棒的一步模型，提升语音增强的实时性和性能，实验表明其在语音质量上优于传统多步扩散模型。

Comments Accepted to IEEE WASPAA 2025. 6 pages, 1 figures

Journal ref Proceedings of the IEEE Workshop on Applications of Signal Processing to Audio and Acoustics (WASPAA), Lake Tahoe, CA, USA, October 2025

Complexity of Non-Log-Concave Sampling in Fisher Information

非对数凹分布采样中复杂性的研究

Sinho Chewi, Andre Wibisono

机构 * Yale University, Department of Statistics and Data Science（耶鲁大学统计与数据科学系） ； Yale University, Department of Computer Science（耶鲁大学计算机科学系） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究非对数凹分布采样中相对信息量保证的查询复杂性，提出基于近端采样器的算法，利用受限高斯 oracle 实现，改进非对数凹采样的复杂性并提升对数凹采样的精度。