图像生成

Neural Point-Forms

神经点形

Bruno Trentini, Jacob Hume, Vincenzo Antonio Isoldi, Philipp Misof, Ekaterina S. Ivshina, Kelly Maggs

机构 * NVIDIA ； University of Oxford（牛津大学） ； Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所） ； Department of Mathematical Sciences（数学科学系） ； Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学） ； School of Engineering and Applied Sciences（工程与应用科学学院） ； Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学与遗传学研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出神经点形（NPFs），通过扩散几何中的拉普拉斯技术，构建点云的可学习几何特征，用于比较微分形式，并在合成和生物相关实验中展示其在处理采样密度、流形结构和群体几何时的优势。

Preconditioned Regularized Wasserstein Proximal Sampling

预条件正则化Wasserstein近似采样

Hong Ye Tan, Stanley Osher, Wuchen Li

机构 * Department of Mathematics, University of California, Los Angeles（加州大学洛杉矶分校数学系） ； Department of Mathematics, University of South Carolina（南卡罗来纳大学数学系） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出一种预条件正则化Wasserstein近似采样方法，通过耦合各向异性热方程的Cole-Hopf变换得到核形式，用于从Gibbs分布中采样，并在二次势能情况下提供非渐近收敛分析。

AIS: Adaptive Importance Sampling for Quantized RL

AIS: 量化强化学习中的自适应重要性采样

Jiajun Zhou, Wei Shao, Lingchao Zheng, Yuwei Fan, Ngai Wong

机构 * Huawei（华为） ； The University of Hong Kong（香港大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出AIS方法，通过动态调整重要性采样强度，解决量化强化学习中 rollout 与训练不匹配导致的策略梯度偏差问题，在保持FP8加速优势的同时，提升训练稳定性。

Sampling from Flow Language Models via Marginal-Conditioned Bridges

通过边缘-条件化桥梁采样流语言模型

Iskander Azangulov, Leo Zhang

机构 * Department of Statistics, University of Oxford（牛津大学统计系） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出通过边缘-条件化桥梁采样流语言模型，该方法在每一步从因子化后验中采样干净的一热序列，并利用奥本-乌伦贝克桥进行下一步状态采样，从而在不训练的情况下提升质量-多样性平衡。

Efficient simulation of chemical reaction in DSMC

化学反应在DSMC中的高效模拟

Hong Deng, Liyan Luo, Lei Wu

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出了一种宏观-介观确定性-随机耦合策略，用于加速包含化学反应的直接模拟蒙特卡罗方法。通过整合连续本构关系和高阶本构关系，结合采样和嵌入，实现高效准确的模拟，显著减少计算瓶颈。

Sample-Efficient Optimisation over the Outputs of Generative Models

基于生成模型输出的高效优化

Samuel Willis, Paul Duckworth, Jack Simons, Aleksandra Kalisz, Krisztina Sinkovics, Noam Ghenassia, Shikha Surana, Henry T. Oldroyd, Alexandru I. Stere, Dragos D Margineantu, Carl Henrik Ek, Henry Moss, Erik Bodin

机构 * University of Cambridge（剑桥大学） ； Lancaster University（兰卡斯特大学） ； Karolinska Institutet（卡罗林斯卡研究院） ； Boeing Commercial Airplanes（波音商用飞机） ； Boeing AI（波音人工智能） ； InstaDeep ； Monumo 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出O3方法，通过构建代理潜在空间实现对扩散和流匹配模型的高效黑盒优化，提升样本评分性能，无需额外训练。

CoFlow: Coordinated Few-Step Flow for Offline Multi-Agent Decision Making

CoFlow：协调的少步流用于离线多智能体决策制定

Guowei Zou, Haitao Wang, Beiwen Zhang, Boning Zhang, Hejun Wu

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 CoFlow通过协调速度注意力和自适应协调门控，在少步生成中保持多智能体协调，提升离线多智能体强化学习的效率与协调性。

Comments 34 pages, 15 figures, 10 tables. Project page: https://guowei-zou.github.io/coflow/

Failing Forward: Adaptive Failure-Informed Learning for Vision-Language-Action Models

失败前进：面向视觉-语言-动作模型的自适应失败信息学习

Meng Zheng, Samhita Marri, Anwesa Choudhuri, Benjamin Planche, Zhongpai Gao, Van Nguyen Nguyen, Terrence Chen, Girish Chowdhary, Ziyan Wu

机构 * United Imaging Intelligence（联合影像智能） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出AFIL框架，通过利用失败轨迹作为负向指导，提升视觉-语言-动作模型在机器人操作中的鲁棒性和成功率。

CAMPA: Efficient and Aligned Multimodal Graph Learning via Decoupled Propagation and Aggregation

CAMPA: 通过解耦传播和聚合实现高效且对齐的多模态图学习

Daohan Su, Hao Liu, Xunkai Li, Yinlin Zhu, Xiong Yongfu, Yi Liu, Hongchao Qin, Rong-Hua Li, Guoren Wang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 CAMPA通过解耦传播和聚合机制，解决多模态图学习中的模态冲突问题，提升效率和可扩展性，优于现有基线方法。

Enforcing Constraints in Generative Sampling via Adaptive Correction Scheduling

通过自适应修正调度强制生成采样中的约束

Noah Trupin, Yexiang Xue

机构 * Department of Computer Science（计算机科学系） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出自适应修正调度方法，通过动态分配修正预算提升生成采样效率，实验显示在相同修正预算下，该方法恢复了71.2%的全步修正收益，且修正次数减少75%。

StreamPhy: Streaming Inference of High-Dimensional Physical Dynamics via State Space Models

StreamPhy: 通过状态空间模型实现高维物理动态的流式推断

Panqi Chen, Yifan Sun, Shikai Fang, Xiao Fu, Lei Cheng

机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； School of EECS,Oregon State University（俄勒冈州立大学电子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StreamPhy框架，通过自适应观测编码器、结构化状态空间模型和FT-FiLM解码器，实现高效准确的流式推断，实验显示其在复杂动态处理上优于现有方法，精度提升48%以上，速度提升20-100倍。

Sensitivity Analysis in the Face of Rare Events

稀有事件面前的灵敏度分析

John Strahan, Todd R. Gingrich

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出结合重要抽样与马尔可夫状态模型的计算流程，用于处理稀有事件中动态可观测量及其灵敏度的估计问题，通过迭代重加权减少误差，验证了在穆勒-布朗势扩散中的过渡率灵敏度计算。

Latency Analysis and Optimization of Alpamayo 1 via Efficient Trajectory Generation

通过高效轨迹生成分析和优化Alpamayo 1的延迟

Yunseong Jeon, Namcheol Lee, Yoonsu Lee, Jangwoon Park, Sol Ahn, Jong-Chan Kim, Seongsoo Hong

机构 * Graduate School of Automobile and Mobility（汽车与移动研究生院） ； Kookmin University（韩国釜山大学） ； Department of Electrical and Computer Engineering（电子与计算机工程系） ； Seoul National University（首尔国立大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文通过将Alpamayo 1从多推理改为单推理系统，减少推理延迟并保持轨迹多样性，同时通过消除不必要的复制操作和低效内核执行提升扩散动作生成效率，实现了69.23%的延迟降低。

Comments Submitted to IEEE RTCSA on March 26, 2026 (KST) Accepted on May 4, 2026 (KST)

ElasticFlow: One-Step Physics-Consistent Policy with Elastic Time Horizons for Language-Guided Manipulation

ElasticFlow: 语言引导操作中的弹性时间 horizon 的一步物理一致策略

Kewei Chen, Yayu Long, Shuai Li, Mingsheng Shang

机构 * Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究所） ； Chongqing School, University of Chinese Academy of Sciences（中国科学院大学重庆校区） ； Faculty of Information Technology and Electrical Engineering, University of Oulu, Finland（芬兰奥卢大学信息科技与电气工程学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 ElasticFlow通过弹性时间 horizon 机制和直接建模平均速度场，实现高效的一步映射，提升语言引导操作的物理一致性和效率。

Comments Accepted to Findings of ACL 2026

Consensus Sampling for Safer Generative AI

共识采样用于更安全的生成式AI

Adam Tauman Kalai, Yael Tauman Kalai, Or Zamir

机构 * OpenAI ； MIT（麻省理工学院） ； Tel Aviv University（特拉维夫大学） 纠错

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

AI总结 本文提出共识采样算法，通过聚合多个概率分布提升生成模型安全性，其在保证安全性的前提下有效避免分歧，通过R-鲁棒性理论保障信息泄露和对抗影响的界限，实验验证了其在合成分布和图像生成中的有效性。

FlashMol: High-Quality Molecule Generation in as Few as Four Steps

FlashMol：在四步内生成高质量分子构象

Xinyuan Wei, Zian Li, Shaoheng Yan, Cai Zhou, Muhan Zhang

机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Yuanpei College, Peking University（北京大学元培学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 FlashMol通过改进分布匹配蒸馏方法，在四步内生成高质量分子构象，实验表明其在速度和质量上优于传统模型。

Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting

Tyche：一步流用于高效的概率天气预报

Fan Xu, Yuan Gao, Kun Wang, Rui Su, Fenghua Ling, Hao Wu, Wanli Ouyang

机构 * Shanghai AI Lab（上海人工智能实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 Tyche提出一种一步条件流模型，通过JVP正则化目标和Swin式变换器，在高维地理场中实现高效概率天气预报，实验显示其性能优于多步生成基线和ECMWF IFS集合预报。

Photonic-Implemented Efficient Deep Quantum Neural Network via Virtual-Driven Hilbert Space Expansion

光子实现的高效深度量子神经网络通过虚拟驱动的希尔伯特空间扩展

Haoran Ma, Huihui Zhu, Zichao Zhao, Qishen Liang, Liao Ye, Baojie Hou, Jia Guo, Leong Chuan Kwek, Mile Gu, Jayne Thompson, Wei Luo, Yuehai Wang, Jianyi Yang

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

AI总结 本文提出一种基于光子的深度量子神经网络，通过输入复制和模式扩展实现希尔伯特空间扩展，有效实现非单位ary和非线性激活功能，降低资源消耗，适用于多种任务。

Comments 14 pages, 5 figures

Variational Smoothing and Inference for SDEs from Sparse Data with Dynamic Neural Flows

变分平滑与SDEs从稀疏数据中推断的动态神经流

Yu Wang, Arnab Ganguly

机构 * Department of Mathematics（数学系） ； Louisiana State University（路易斯安那州立大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于动态神经流的变分平滑方法，通过条件后向时间分数建模SDEs，实现高效轨迹采样和参数估计，实验表明在非线性系统中具有更高的可扩展性。

Comments Yu Wang and Arnab Ganguly contributed equally to this work. Corresponding to Arnab Ganguly

Quant VideoGen: Auto-Regressive Long Video Generation via 2-Bit KV-Cache Quantization

Quant VideoGen：通过2位KV缓存量化实现自回归长视频生成

Haocheng Xi, Shuo Yang, Yilong Zhao, Muyang Li, Han Cai, Xingyang Li, Yujun Lin, Zhuoyang Zhang, Jintao Zhang, Xiuyu Li, Zhiying Xu, Jun Wu, Chenfeng Xu, Ion Stoica, Song Han, Kurt Keutzer

机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon（亚马逊） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出Quant VideoGen，通过语义感知平滑和渐进残差量化技术，有效降低KV缓存内存消耗，提升长视频生成质量与效率。

Comments Accepted by ICML 2026. 11 pages, 7 figures

Fast Text-to-Audio Generation with One-Step Sampling via Energy-Scoring and Auxiliary Contextual Representation Distillation

通过能量评分与辅助上下文表示蒸馏实现一步文本到音频生成

Kuan-Po Huang, Bo-Ru Lu, Byeonggeun Kim, Mihee Lee, Zalan Fabian, Renard Korzeniowski, Qingming Tang, Greg Ver Steeg, Hung-yi Lee, Chieh-Chi Kao, Chao Wang

机构 * National Taiwan University（国立台湾大学） ； Amazon AGI（亚马逊人工智能实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出了一种结合能量距离训练和表示层蒸馏的一步采样框架，有效提升了文本到音频生成的速度与质量，在AudioCaps基准上优于现有方法，达到与多步采样扩散模型相当的性能。

Riemannian MeanFlow

Riemannian MeanFlow：在流形上直接学习流映射的高效生成框架

Dongyeop Woo, Marta Skreta, Seonghyun Park, Kirill Neklyudov, Sungsoo Ahn

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 Riemannian MeanFlow在流形上直接学习流映射，通过单次前向传递实现高质量生成，相比传统方法减少10倍的函数评估次数，并通过奖励预览实现高效奖励引导设计。

A Randomized PDE Energy driven Iterative Framework for Efficient and Stable PDE Solutions

一种基于随机PDE能量的迭代框架，用于高效稳定的PDE求解

Yi Bing, Zheng Ran, Fu Jinyang, Liu Long, Peng Xiang

机构 * School of Traffic and Transportation Engineering, Central South University（中南大学交通与运输工程学院） ； School of Civil Engineering, Central South University（中南大学土木工程学院） ； National Engineering Research Center of High-speed Railway Construction Technology（高速铁路建设技术国家工程研究中心） ； School of Urban Construction and Transportation, Hefei University（合肥大学城市建设与交通学院） ； College of Mechanical Engineering, Zhejiang University of Technology（浙江工业大学机械工程学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出了一种基于PDE能量驱动的迭代框架，通过物理约束的扩散迭代和高斯平滑解决PDE问题，无需传统矩阵有限元组装或数据驱动神经网络训练，实现了高效稳定的求解。

Suiren-1.0 Technical Report: A Family of Molecular Foundation Models

苏iren-1.0技术报告：分子基础模型家族

Junyi An, Xinyu Lu, Yun-Fei Shi, Li-Cheng Xu, Nannan Zhang, Chao Qu, Yuan Qi, Fenglei Cao

机构 * Shanghai Academy of AI for Science (SAIS)（上海人工智能科学研究院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 苏iren-1.0通过结合3D构象几何与2D统计集合空间，提出分子基础模型家族，包含Suiren-Base、Suiren-Dimer和Suiren-ConfAvg三种变体，实现量子属性预测和分子表示学习的先进方法。

Comments 24 pages,5 figures

Characterizing Vision-Language-Action Models across XPUs: Constraints and Acceleration for On-Robot Deployment

跨XPUs的视觉-语言-动作模型特性分析：约束与加速以实现机器人部署

Kaijun Zhou, Qiwei Chen, Da Peng, Zhiyang Li, Xijun Li, Jinyu Gu

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了视觉-语言-动作模型在机器人上的部署问题，通过模型与硬件的协同分析，揭示了边缘加速器在成本、能耗和时间上的优化潜力，并提出DP-Cache和V-AEFusion方法提升性能。

Comments 13 pages

FASTER: Value-Guided Sampling for Fast RL

FASTER：基于价值引导的快速强化学习采样

Perry Dong, Alexander Swerdlow, Dorsa Sadigh, Chelsea Finn

机构 * Stanford University（斯坦福大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 FASTER通过建模去噪过程中的动作候选过滤作为马尔可夫决策过程，提升采样测试时间缩放的效率，减少计算成本并提高性能。

LoRaQ: Optimized Low Rank Approximation for 4-bit Quantization

LoRaQ：面向4位量化优化的低秩近似

Yann Bouquet, Alireza Khodamoradi, Sophie Yáng Shen, Kristof Denolf, Mathieu Salzmann

机构 * Computer Vision Laboratory, Ecole Polytechnique Fédérale de Lausanne, Lausanne, Switzerland（瑞士洛桑联邦理工学院计算机视觉实验室） ； Research and Advancement Development Team, Advanced Micro Devices, Inc, USA（美国高级微器件公司研发与进步发展团队） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 LoRaQ通过简化校准方法，实现了无需高精度分支的4位量化优化，首次提出全子16位流水线，提升Pixart-$Σ$和SANA模型性能。

Efficient and well-conditioned ghost-point discretization of boundary operators on unfitted domains

高效且条件良好的边界算子鬼点离散化方法用于不匹配领域

Armando Coco, Alessandro Coclite, Stéphane Clain, Rui Miguel Pereira

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于紧凑 stencil 的鬼点离散化方法，通过边界算子局部近似边界条件，提升计算效率和线性系统条件数。

Mixed-Density Diffuser: Efficient Planning with Non-Uniform Temporal Resolution

混合密度扩散器：非均匀时间分辨率下的高效规划

Crimson Stambaugh, Rajesh P. N. Rao

机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, USA（保罗·G·艾伦计算机科学与工程学院，华盛顿大学，西雅图，美国） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出混合密度扩散器，通过可调超参数实现规划时间分辨率的非均匀分布，提升在D4RL任务中的规划效率与性能。

Comments European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN, 2026)

A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations

一种基于知识蒸馏的轻量级通用机器学习互作用势用于可扩展的原子模拟

Sangmin Oh, Jinmu You, Jaesun Kim, Jiho Lee, Hyungmin An, Seungwu Han, Youngho Kang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出SevenNet-Nano，一种基于图神经网络的轻量级通用机器学习互作用势，通过知识蒸馏框架实现高精度和强泛化能力，显著降低计算成本，适用于大规模原子模拟。