图像生成

BézierFlow: Learning Bézier Stochastic Interpolant Schedulers for Few-Step Generation

BézierFlow：学习Bézier随机插值调度器用于少步生成

Yunhong Min, Juil Koo, Seungwoo Yoo, Minhyuk Sung

机构 * KAIST（韩国科学技术院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 BézierFlow通过学习Bézier随机插值调度器，实现少步生成的性能提升，采用轻量训练方法，在10次NFE内提升2-3倍性能，且训练时间仅需15分钟。

Comments ICLR 2026, Project page: https://bezierflow.github.io

Truncated Rectified Flow Policy for Reinforcement Learning with One-Step Sampling

截断修正流策略用于具有一步采样的强化学习

Xubin Zhou, Yipeng Yang, Zhan Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出TRFP框架，通过混合确定性-随机性架构解决MaxEnt RL中连续时间生成策略的可微性问题，实现稳定训练和有效一步采样，实验表明其在多目标环境和MuJoCo基准中表现优异。

Equivariant Efficient Joint Discrete and Continuous MeanFlow for Molecular Graph Generation

等变高效联合离散和连续均值流用于分子图生成

Rongjian Xu, Teng Pang, Zhiqiang Dong, Guoqiang Wu

机构 * School of Software, Shandong University（山东大学软件学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出EQUIMF框架，通过同步MeanFlow动态联合建模离散和连续成分，实现高效生成并保持物理一致性，优于现有扩散和流匹配方法。

Value-Guidance MeanFlow for Offline Multi-Agent Reinforcement Learning

基于价值引导的MeanFlow多智能体强化学习

Teng Pang, Zhiqiang Dong, Yan Zhang, Rongjian Xu, Guoqiang Wu, Yilong Yin

机构 * School of Software, Shandong University（山东大学软件学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出VGM$^2$P框架，通过全局优势值引导智能体协作，利用分类器自由引导MeanFlow提升策略表达与推理效率，实验证明其在离线多智能体强化学习中性能优异。

Near 13% efficient semitransparent Cu(In,Ga)S2 solar cells with band gap of 1.6 eV on transparent back contact

近13%效率的半透明Cu(In,Ga)S2太阳能电池，带隙为1.6 eV，采用透明背接触

Kulwinder Kaur, Arivazhagan Valluvar Oli, Michele Melchiorre, Wolfram Hempel, Wolfram Witte, Jan Keller, Susanne Siebentritt

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究了采用In2O3:Sn（ITO）作为透明背接触的宽带隙Cu(In,Ga)S2太阳能电池，探讨了Na对性能的影响，并实现了12.7%效率的半透明太阳能电池，带隙为1.6 eV。

QuantVLA: Scale-Calibrated Post-Training Quantization for Vision-Language-Action Models

QuantVLA: 用于视觉-语言-动作模型的可扩展后训练量化

Jingxuan Zhang, Yunta Hsieh, Zhongwei Wan, Haokun Lin, Xin Wang, Ziqi Wang, Yingtie Lei, Mi Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； University of Michigan（密歇根大学） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 QuantVLA是一种无需训练的后训练量化框架，首次应用于视觉-语言-动作系统，并成功量化了扩散变换器（DiT）动作头，通过三种可扩展组件实现了高效的低比特量化，显著提升任务成功率并降低内存消耗。

Comments CVPR2026

DreamerAD: Efficient Reinforcement Learning via Latent World Model for Autonomous Driving

DreamerAD：通过潜在世界模型实现高效的强化学习用于自动驾驶

Pengxuan Yang, Yupeng Zheng, Deheng Qian, Zebin Xing, Qichao Zhang, Linbo Wang, Yichen Zhang, Shaoyu Guo, Zhongpu Xia, Qiang Chen, Junyu Han, Lingyun Xu, Yifeng Pan, Dongbin Zhao

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd（重庆长安科技有限公司） ； School of Advanced Interdisciplinary Sciences, UCAS（中国科学院大学先进交叉科学学院） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 DreamerAD通过压缩扩散采样将步骤从100步减少到1步，实现80倍加速并保持视觉可解释性，解决了自动驾驶中真实世界数据训练成本高和安全风险大的问题。

Comments authors update

SetONet: A Set-Based Operator Network for Solving PDEs with Variable-Input Sampling

SetONet：一种基于集合的运算网络，用于通过变量输入采样求解偏微分方程

Stepan Tretiakov, Xingjian Li, Krishna Kumar

机构 * organization= Maseeh Department of Civil, Architectural ； Environmental Engineering , addressline= University of Texas at Austin , city= Austin , postcode= 78712 , state= TX , country= USA ； organization= Oden Institute for Computational Engineering ； Sciences , addressline= University of Texas at Austin , city= Austin , postcode= 78712 , state= TX , country= USA 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 SetONet通过将运算输入重构为无序坐标-值观测集，解决了传统神经运算代理对固定传感器布局的依赖问题，提出SetONet-Key通过可学习查询令牌和位置-only键路径解耦采样几何与传感器值，适用于固定和变量布局及传感器丢失场景。

Total Variation Guarantees for Sampling with Stochastic Localization

总变分保证的随机定位采样

Jakob Kellermann

机构 * Weierstrass Institute Berlin（柏林魏尔斯特拉斯研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出通过总变分距离保证SLIPS算法的收敛性，证明其在最小假设下所需步骤数与维度线性相关，揭示了离散化点选择的理论依据。

Comments 12 pages main body, 13 pages Appendix

Derivation of the injection spectrum of positrons and electrons from Geminga and Monogem

从Geminga和Monogem推导出正电子和电子的注入光谱

Qian Zhong

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文通过分析Geminga和Monogem脉冲星的晕区域，结合GeV-TeVγ射线观测，推导出正电子和电子的注入光谱，发现硬谱和截止能量在10^5-10^6 GeV范围内，对AMS-02测量的宇宙射线正电子通量有抑制作用。

Comments 16 pages, 3 figures, 1 table

Shifted Composition IV: Toward Ballistic Acceleration for Log-Concave Sampling

移位组合 IV：迈向log-凹采样中的弹道加速

Jason M. Altschuler, Sinho Chewi, Matthew S. Zhang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于耦合的局部误差框架，分析Underdamped Langevin动力学及其数值离散化在KL散度中的表现，实现了log-凹采样中的弹道加速，首次获得与条件数子线性相关的采样复杂度。

Comments v3: amending minor typos

Liquid Networks with Mixture Density Heads for Efficient Imitation Learning

具有混合密度头的液体网络用于高效模仿学习

Nikolaus Correll

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文比较了具有混合密度头的液体网络与扩散策略在多个任务中的性能，发现液体网络参数更少、预测误差更低且推理更快，且在样本效率实验中表现更稳健。

Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning

自适应T-PaiNN：通过经典到量子迁移学习实现数据高效的GNN互原子势开发

Vivienne Pelletier, Vedant Bhat, Daniel J. Rivera, Steven A. Wilson, Christopher L. Muhich

机构 * Materials Science & Engineering, School for the Engineering of Matter, Transport, & Energy, Arizona State University（材料科学与工程系，物质、传输与能源工程学院，亚利桑那州立大学） ； Chemical Engineering, School for the Engineering of Matter, Transport, & Energy, Arizona State University（化学工程系，物质、传输与能源工程学院，亚利桑那州立大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出T-PaiNN框架，利用经典力场数据提升GNN-MLIP的数据效率，通过预训练和微调实现量子精度，显著降低误差并加速训练。

Comments 19 pages, 7 figures

Accelerated Parallel Tempering via Neural Transports

加速的神经传输并行退火

Leo Zhang, Peter Potaptchik, Jiajun He, Yuanqi Du, Arnaud Doucet, Francisco Vargas, Hai-Dang Dau, Saifuddin Syed

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； National University of Singapore（新加坡国立大学） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出利用神经采样器加速并行退火，通过减少相邻分布间的重叠需求，提升多模态采样效率并降低计算成本。

Comments Camera-ready version for ICLR 2026

Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation

基于球面谐波的高效混合SE(3)-等变视觉运动流策略用于机器人操作

Qinglun Zhang, Shen Cheng, Tian Dan, Haoqiang Fan, Guanghui Liu, Shuaicheng Liu

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Dexmal 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出E3Flow框架，通过球面谐波表示实现高效且稳定的多模态等变学习，提升机器人操作的性能、效率和数据效率。

Comments Accepted by CVPR 2026

Mitigating Premature Discretization with Progressive Quantization for Robust Vector Tokenization

通过渐进量化缓解早期内离散化以实现鲁棒的向量标记化

Wenhao Zhao, Qiran Zou, Zhouhan Lin, Dianbo Liu

机构 * National University of Singapore, Singapore（新加坡国立大学） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出渐进量化方法，通过引入量化难度动态作为VQ训练的关键维度，有效引导代码本向扩展良好的流形发展，提升了多模态模型的生成性能和生物序列建模能力。

Show Me What You Don't Know: Efficient Sampling from Invariant Sets for Model Validation

展示你所不知道的：用于模型验证的高效不变集采样

Armand Rousselot, Joran Wendebourg, Ullrich Köthe

机构 * CVL（计算机视觉与学习实验室） ； Heidelberg University（海德堡大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出一种无需训练的采样方法，通过预训练扩散模型揭示特征提取器的不变性，展示模型在不同数据变化下的表现。

Comments 19 pages, 19 figures

Efficient first-principles inverse design of nanolasers

纳米激光器的高效原理性反向设计

Beñat Martinez de Aguirre Jokisch, Alexander Cerjan, Rasmus Ellebæk Christiansen, Jesper Mørk, Ole Sigmund, Steven G. Johnson

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于非线性Maxwell-Bloch方程和稳态ab initio激光理论的反向设计方法，用于优化纳米结构激光器，考虑空间孔燃烧修正、阈值效应、出射效率和增益扩散。

Journal ref Laser Photonics Reviews e01614 (2025)

DIP: Efficient Large Multimodal Model Training with Dynamic Interleaved Pipeline

DIP: 一种高效的大规模多模态模型训练方法，采用动态交错流水线

Zhenliang Xue, Hanpeng Hu, Xing Chen, Yimin Jiang, Yixin Song, Zeyu Mi, Yibo Zhu, Daxin Jiang, Yubin Xia, Haibo Chen

机构 * Institute of Parallel and Distributed Systems（并行与分布式系统研究所） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出DIP框架，通过分离不同模态计算和动态分割输入数据，提升大规模多模态模型训练效率，实验显示吞吐量提升达97.3%。

Comments To be published in ASPLOS'26

Efficient Nehari manifold optimization algorithms for computing ground state solutions of nonlinear elliptic systems

高效Nehari流形优化算法用于计算非线性椭圆系统的基态解

Zhaoxing Chen, Wei Liu, Ziqing Xie, Wenfan Yi

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出了一种高效的Nehari流形优化算法，用于计算半线性椭圆系统的基态解，通过结合NMOM与Nesterov加速方法，改进了稳定性与计算效率。

Comments 26 pages, 17 figures

A Fine-Grained 3D Radio Map Construction Paradigm with Ultra-Low Sampling Rates by Large Generative Models

一种基于大生成模型的细粒度3D无线电图构建范式，通过超低采样率

Zhiyuan Liu, Qingyu Liu, Shuhang Zhang, Hongliang Zhang, Lingyang Song

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出RadioLAM范式，利用大生成模型解决超稀疏采样问题，通过增强、生成和选举三个模块高效构建细粒度3D无线电图，实验证明其在0.1%采样率下性能优于现有方法。

Comments Accepted by IEEE JSAC

On-the-Fly ROM-Based Acceleration of SI-DSA for Implicit Time Marching of the Radiative Transfer Equation

实时ROM基于SI-DSA加速隐式时间推进的辐射传输方程

Ningxin Liu, Zhichao Peng

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于ROM的实时加速方法，用于隐式时间推进的辐射传输方程SI-DSA，利用低秩结构提升预处理效果，实现1.4至2倍的加速效果。

OT-MeanFlow3D: Bridging Optimal Transport and Meanflow for Efficient 3D Point Cloud Generation

OT-MeanFlow3D: 通过最优传输与Meanflow弥合，实现高效的3D点云生成

Elaheh Akbari, Shansita Sharma, Ping He, Ahmadreza Moradipari, Kyungtae Han, Hamed Pirsiavash, Yikun Bai, Soheil Kolouri

机构 * Department of Computer Science, Vanderbilt University（范德比尔特大学计算机科学系） ； Toyota InfoTech Labs（丰田信息技术实验室） ； Department of Computer Science, University of California, Davis（加州大学戴维斯分校计算机科学系） ； Department of Mathematics, Purdue University（普渡大学数学系） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出OT-MeanFlow3D框架，通过整合最优传输采样，提升3D点云生成与修复的效率与准确性，实验表明其在ShapeNet上优于现有基线模型。

Fast Beam-Brainstorm: Few-Step Generative Site-Specific Beamforming with Flexible Probing

快速波束-脑暴：基于灵活探测的少步生成式波束成形

Zihao Zhou, Zhaolin Wang, Yuanwei Liu

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出快速波束-脑暴方法，通过两阶段蒸馏策略实现快速生成高保真通信波束，减少生成成本并适应灵活的信道探测长度。

Early Quantization Shrinks Codebook: A Simple Fix for Diversity-Preserving Tokenization

早量化缩小代码表：一种维持多样性token化问题的简单修复

Wenhao Zhao, Qiran Zou, Rushi Shah, Yudi Wu, Zhouhan Lin, Dianbo Liu

机构 * National University of Singapore（国立新加坡大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了向量量化中的坍塌问题，发现随机初始化和编码器容量限制导致token和嵌入坍塌，并提出缓解方案，是首次系统探讨该问题。

FS_GPlib: Breaking the Web-Scale Barrier - A Unified Acceleration Framework for Graph Propagation Models

FS_GPlib：突破网络级障碍——图传播模型的统一加速框架

Chang Guo, Juyuan Zhang, Chang Su, Tianlong Fan, Linyuan Lü

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出FS_GPlib，通过微粒同步消息传递与宏观批量蒙特卡洛模拟结合，实现大规模图传播建模的高效高保真模拟，实验显示其在标准库上达到3.5万倍加速，可在11秒内完成亿级边图的完整蒙特卡洛模拟。

Comments Accepted at ACM Web Conference 2026 (WWW2026)

Masked Auto-Regressive Variational Acceleration: Fast Inference Makes Practical Reinforcement Learning

遮蔽自回归变分加速：快速推理使强化学习实用

Yuxuan Gu, Weimin Bai, Yifei Wang, Weijian Luo, He Sun

机构 * Peking University（北京大学） ； Rice University（Rice大学） ； hi-lab, Xiaohongshu Inc（小红书实验室，小红书公司） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出MARVAL框架，通过压缩扩散链为单步自回归生成，提升推理效率并使强化学习实用化，实现了生成模型的快速采样和偏好对齐。

Controlled Langevin Dynamics for Sampling of Feedforward Neural Networks Trained with Minibatches

基于受控 Langevin 动力学的 feedforward 神经网络参数空间采样

Alessandro Zambon, Francesca Caruso, Riccardo Zecchina, Guido Tiana

机构 * Department of Physics, Università degli Studi di Milano（米兰大学物理系） ； Department of Computing Sciences（计算科学系） ； Bocconi Institute for Data Science（博科尼数据科学研究所） ； Analytics (BIDSA), Bocconi University（分析（BIDSA），博科尼大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出受控 minibatch Langevin 动力学方法，用于高效采样训练有大数据集的 feedforward 神经网络参数空间，通过调整虚拟质量与摩擦系数以确保高效采样，验证了其在大规模网络中的高效性与泛化性能。

Efficient structure-preserving scheme for chemotaxis PDE system with singular sensitivity in crime and epidemic modeling

高效保持结构的方案用于具有在犯罪和流行病建模中奇异敏感性的趋化PDE系统

Rui Wang, Yunfeng Xiong, Zhengru Zhang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出一种高效保持正性的隐式-显式方案，用于解决具有奇异敏感性的趋化PDE系统中的数值挑战，通过Lagrange乘子修正实现二阶精度，并扩展到退化扩散的多代理流行病模型，验证了正性和质量守恒。

Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders

通过基于逆变分自编码器的生成方法针对化学无序材料的配分函数

Maciej J. Karcz, Luca Messina, Eiji Kawasaki, Emeric Bourasseau

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出利用生成机器学习生成配置集，以高效计算化学无序材料的原子尺度性质，通过逆变分自编码器实现无监督主动学习，用于估计配分函数。

Journal ref Scientific Reports, 2026