语言大模型 / LLM

SpectraLDS: Provable Distillation for Linear Dynamical Systems

SpectraLDS：线性动力系统的可证明蒸馏

Devan Shah, Shlomo Fortgang, Sofiia Druchyna, Elad Hazan

机构 * Computer Science Department, Princeton University（普林斯顿大学计算机科学系） ； Google DeepMind Princeton（谷歌DeepMind普林斯顿） 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.LG

AI总结 提出首个可证明方法识别对称线性动力系统，通过谱变换实现与状态维度无关的精度保证，并实现常数时间和空间推理。

The Mirrored Influence Hypothesis: Efficient Data Influence Estimation by Harnessing Forward Passes

镜像影响假说：利用前向传播的高效数据影响估计

Myeongseob Ko, Feiyang Kang, Weiyan Shi, Ming Jin, Zhou Yu, Ruoxi Jia

机构 * Virginia Tech（弗吉尼亚理工大学） ； Columbia University（哥伦比亚大学） 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.LG

AI总结 提出镜像影响假说，将训练数据对测试预测的影响转化为逆问题，通过测试样本梯度加训练样本前向传播高效估计数据影响，显著提升效率。

Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2024

Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2024

LuMamba: Latent Unified Mamba for Electrode Topology-Invariant and Efficient EEG Modeling

LuMamba: 用于电极拓扑不变且高效的EEG建模的潜在统一Mamba

Danaé Broustail, Anna Tegon, Thorir Mar Ingolfsson, Yawei Li, Luca Benini

机构 * ETH Zürich, Institute of Information Systems（苏黎世联邦理工学院信息系统研究所） 纠错

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.AI

AI总结 提出LuMamba框架，结合拓扑不变编码和线性复杂度状态空间模型，通过LUNA的查询交叉注意力机制统一通道，FEMBA的双向Mamba块高效时序建模，在5个下游任务上以4.6M参数达到SOTA性能。

Comments EUSIPCO 2026, 5 pages, 2 figures, 4 tables

MHA-RAG: Improving Efficiency, Accuracy, and Consistency by Encoding Exemplars as Soft Prompts

MHA-RAG：通过将示例编码为软提示来提高效率、准确性和一致性

Abhinav Jain, Xinyu Yao, Thomas Reps, Christopher Jermaine

机构 * Department of Computer Science, Rice University（计算机科学系，里士大学） ； Department of Computer Science, University of Wisconsin–Madison（计算机科学系，威斯康星大学麦迪逊分校） 纠错

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.AI

AI总结 提出MHA-RAG框架，将领域示例编码为软提示，通过多头注意力机制控制生成，在多个问答基准上相比标准RAG提升20点性能，同时降低10倍推理成本。

Comments 17 pages, 5 figures

pTNAS: Progressive Neural Architecture Search for Tabular Data

pTNAS: 面向表格数据的渐进式神经架构搜索

Naili Xing, Shaofeng Cai, Lingze Zeng, Jiaqi Zhu, Peng Lu, Jian Pei, Beng Chin Ooi

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

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.LG

AI总结 提出首个针对表格数据的渐进式神经架构搜索方法pTNAS，采用过滤-精炼优化策略，结合零成本代理和固定预算调度算法，实现架构快速识别与性能持续提升，相比其他NAS方法加速高达82.75倍。

Exploring the Performance Frontier of Compact Unified Image Generation Models

Swift-Image：探索紧凑统一图像生成模型的性能前沿

Taihang Hu, Zhao Wang, Zuan Gao, Tao Liu, Hao Yan, Zhengze Xu, Yuhang Yu, Yongchao Du, Xingjian Wang, Jun Zheng, Qinye Zhou, Yaqi Cai, Zhengrui Chen, Chao Lin, Yefeng Shen, Yuan Wang, Zhengtao Wu, Ge Wu, Xiaoli Xu, Denghui Yang, Huayu Zhang, Mingzhou Zhang, Mengting Chen

专题命中 效率与部署 ：post-training(abstract)

AI总结 本研究提出紧凑统一图像生成模型Swift-Image，采用6B单流DiT等技术，实现领先综合性能，压缩后3B模型无明显损失，还总结了相关实用经验。

Comments 28 pages, 11 figures

Reinforcement Learning to Harness Approximation Errors for Long-Time Quantum Simulation

利用近似误差的强化学习用于长时间量子模拟

Yu-Bo Shi, Markus Heyl, Roderich Moessner, Marin Bukov, Hongzheng Zhao

专题命中 效率与部署 ：pretraining(abstract)

AI总结 该研究提出RL-Trotter强化学习框架，将量子模拟的近似误差视为校正资源，通过优化长时间演化发现自校正序列，提升精度并降低测量开销，可推广迁移至更大系统。

Comments 12+12 pages, 6+6 figures

Future Dynamic 3D Reconstruction: Toward 3D World Modeling with Disentangled Ego-Motion

未来动态3D重建：一种具有解耦自运动的3D世界模型

Nils Morbitzer, Jonathan Evers, Artem Savkin, Thomas Stauner, Nassir Navab, Federico Tombari, Stefano Gasperini

机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 提出FR3D世界模型，通过解耦场景3D演化与智能体轨迹，利用教师-学生蒸馏策略实现从单目观测到未来动态3D重建的几何一致性和零样本泛化。

Comments ICML 2026. Project page: this https URL (https://fr3d-wm.github.io)

A Fast Locality Simulator for GEMM Design-Space Exploration on Multi-Chiplet GPUs

面向多芯片GPU的GEMM设计空间探索的快速局部性模拟器

Euijun Chung, Hyesoon Kim

专题命中 效率与部署 ：LLM(abstract_cn)

AI总结 提出一种快速、功能级、瓦片级局部性模拟器，用于评估多芯片GPU上GEMM的内核选择对片间流量影响，发现远程流量变化可达90倍，并揭示2D块交织CTA遍历可减少远程流量达5.1倍。

Comments Poster presentation at the Workshop on Modeling & Simulation of Systems and Applications (MODSIM 2026)

DPA4: Pushing the Accuracy-Cost Frontier of Interatomic Potentials with EMFA SO(2) Convolution

DPA4: 利用EMFA SO(2)卷积推动原子间势的精度-成本前沿

Tiancheng Li, Wentao Li, Anyang Peng, Jianming Xue, Linfeng Zhang, Duo Zhang, Han Wang

专题命中 效率与部署 ：pretraining(abstract)

AI总结 本文提出DPA4架构，通过EMFA SO(2)等变卷积和编译器友好的训练路径，在降低参数和训练成本的同时，在Matbench Discovery等基准上达到最优精度-成本平衡。

Video Evidence to Reasoning Efficient Video Understanding via Explicit Evidence Grounding

视频证据推理：通过显式证据接地实现高效的视频理解

Yanxiang Huang, Guohua Gao, Zhaoyang Wei

机构 * Department of Applied Mathematics, The Hong Kong Polytechnic University（应用数学系，香港理工大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出CoE框架，通过显式证据接地模块和强化学习优化的锚定协议，提升视频推理的准确性和可靠性。

Comments 6 pages

Journal ref ICME 2026

PEEK: Picking Essential frames via Efficient Knowledge distillation

PEEK: 通过高效知识蒸馏提取关键帧

Killian Steunou, Anas Filali Razzouki, Khalil Guetari, Mounîm A. El-Yacoubi, Yannis Tevissen

机构 * Télécom SudParis — SAMOVAR（Telecom SudParis — SAMOVAR） ； Institut Polytechnique de Paris（巴黎政治学院） ； Moments Lab 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 提出PEEK方法，通过知识蒸馏将教师模型的帧相关性排名迁移至轻量级时序模型，实现高效动态帧采样，在低帧预算下显著提升视频字幕生成性能。

Comments Accepted at BMVC 2026. Supplementary material at https://www.killian-steunou.com/peek/static/pdfs/peek_supplementary.pdf

Quantization Effects of Artificial Neural Networks for Embedded Edge-Computing Applications

人工神经网络量化效果用于边缘计算应用

Alperen Aksoy, Ilja Bekman, Vesselin Dimitrov, Qader Dorosti, Chimezie Eguzo, Sarah Fleitmann, Fabian Hader, Andre Zambanini, Stefan van Waasen

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文研究了量化神经网络在资源受限的科学应用中的使用，包括半导体量子比特的自动校准和科学粒子探测器。通过评估PTQ、QAT和超低比特二值神经网络（BNNs）在延迟和资源使用方面的权衡，发现PTQ在U型CNN架构中可将内存使用减少四倍，同时保持或略微提高分割精度。对于非可微的定制BNNs训练，提出了一种基于遗传算法的硬件受限学习方法，展示了适用于直接转换为VHDL的LUT-based BNN架构。该方法在无需专用DSP或BRAM资源的情况下实现了纳秒级的推理延迟。

Comments deRSE26 proceedings pre-print

ExpertEdit: Learning Skill-Aware Motion Editing from Expert Videos

ExpertEdit: 从专家视频中学习技能感知的动作编辑

Arjun Somayazulu, Kristen Grauman

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 ExpertEdit通过无配对专家视频学习技能驱动的动作编辑，无需配对数据或手动指导，提升动作真实感和专家质量。

Comments Accepted to ECCV 2026

EdgeCrafter: Compact ViTs for Edge Dense Prediction via Task-Specialized Distillation

EdgeCrafter: 通过任务专用蒸馏实现边缘密集预测的紧凑ViTs

Longfei Liu, Yongjie Hou, Yang Li, Qirui Wang, Youyang Sha, Yongjun Yu, Yinzhi Wang, Peizhe Ru, Xuanlong Yu, Xi Shen

机构 * Intellindust AI Lab（Intellindust AI实验室） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 本文提出EdgeCrafter，一种用于边缘密集预测的紧凑ViT框架，通过任务专用蒸馏和边缘感知设计，在COCO数据集上实现高效准确的检测、实例分割和姿态估计。

Comments Accepted by TMLR 2026. The Objects365 pre-training results have also been updated. Code is available at: https://intellindust-ai-lab.github.io/projects/EdgeCrafter

A Highly Efficient Diversity-based Input Selection for DNN Improvement Using VLMs

一种基于多样性的高效输入选择方法用于通过VLMs改进DNN

Amin Abbasishahkoo, Mahboubeh Dadkhah, Lionel Briand

机构 * School of EECS, University of Ottawa（电气与计算机工程系，渥太华大学） ； Research Ireland Lero centre for software, University of Limerick（软件研究中心，利默里克大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出基于概念的多样性（CBD）方法，利用视觉语言模型高效改进DNN，通过混合输入选择策略在大规模数据集上实现高效且有效的性能提升。

Learning Perceptual Representations for Gaming NR-VQA with Multi-Task FR Signals

学习用于游戏NR-VQA的多任务FR信号感知表示

Yu-Chih Chen, Michael Wang, Chieh-Dun Wen, Kai-Siang Ma, Avinab Saha, Li-Heng Chen, Alan Bovik

机构 * National Yang Ming Chiao Tung University ； The University of Texas at Austin ； Netflix Inc. 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 本文提出MTL-VQA，通过多任务学习框架利用全参考信号学习感知特征，有效提升游戏视频无参考质量评估的性能。

Comments 6 pages, 2 figures, IEEE ICIP 2026

Latent-Centroid Steering: Single-Pass Classifier-Free Guidance for Command-Aligned Autonomous Driving

隐式质心引导：用于指令对齐自动驾驶的单次无分类器引导

Meibo Hu, Jiamian Wang, Pichao Wang, Zhiqiang Tao

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； NVIDIA（英伟达公司） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 针对视觉语言自动驾驶模型的指令跟随差距，提出单次引导机制LCS，降低推理延迟约50%，在Bench2Drive和nuScenes基准上提升指令遵循与驾驶性能。

Comments IROS 2026

Pixel-Space Diffusion Transformers

像素空间扩散变换器

Renye Yan, Jikang Cheng, You Wu, Ling Liang, Wei Peng, Athanasios V. Vasilakos, Qingyu Zhao, Yu Zhang, Yimao Cai, Kilian M. Pohl, Guoying Zhao

机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学） ； Cornell University（康奈尔大学） ； University of Oulu（奥卢大学） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文探讨像素空间扩散变换器，针对潜在扩散模型的局限，研究直接对原始像素建模的像素空间扩散方法，介绍其在高维建模中的挑战与多模态建模优势，从多方面回顾pDiTs，总结方法、识别挑战并展望未来方向。

Dual Distribution Estimation for Zero-shot Noisy Test-Time Adaptation with VLMs

基于双分布估计的零样本噪声测试时自适应方法

Wenjie Zhu, Yabin Zhang, Liang Xu, Xin Jin, Wenjun Zeng, Lei Zhang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Eastern Institute of Technology, Ningbo（宁波东方理工大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 针对噪声测试时自适应中分布外异常值问题，提出双分布估计框架，通过无训练的高斯分布建模实现零样本鲁棒自适应。

Comments Accepted by ECCV2026. Project Page:https://zhuwenjie98.github.io/DDE-project-page/

Scale-CDA: A Scalable Retrofit Platform for Cooperative Driving Automation in Production Vehicles

Scale-CDA：一款用于量产车的、可扩展的原型，旨在普及AI辅助的协同驾驶自动化（CDA）

Hao Zhou, Shengming Yuan, Yuhang Wang, Alina Hagen, Haibin Wen

专题命中 效率与部署 ：language model(abstract)

AI总结 本研究提出Scale-CDA这一开源工具链，基于OpenDBC与Openpilot构建，成本低于1000美元，可实现AI辅助CDA的即插即用改装，通过多车辆测试验证了其低时延与数据隐私保护能力，为普及协同自动驾驶提供了实用方案。

Evolving Layer-Specific Scalar Functions for Hardware-Aware Transformer Adaptation

进化层特定标量函数用于硬件感知的Transformer适应

Kieran Carrigg, Sigur de Vries, Amirhossein Sadough, Marcel van Gerven

机构 * Department of Machine Learning and Neural Computing（机器学习与神经计算系） ； Donders Institute for Brain, Cognition, and Behaviour（大脑、认知与行为多纳尔斯研究所） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文提出一种高效硬件感知框架，通过遗传编程进化层特定标量函数，避免重新训练，提升Transformer在边缘设备上的性能。

Comments 8 pages, 7 figures. v2: updated GP method (FLOP-based complexity, knee-point selection) and re-run results

On-Policy Distillation with Best-of-N Teacher Rollout Selection

基于N最佳教师轨迹选择的在线策略蒸馏

Ke Zhang, Yunjie Tian, Dongdi Zhao, Yijiang Li, Yuanye Liu, Vishal M Patel, Di Fu

机构 * Johns Hopkins University（约翰霍普金斯大学） ； TikTok ； University of California, San Diego（加州大学圣地亚哥分校） ； Fudan University（复旦大学） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文提出BRTS框架，通过选择更准确且与学生行为一致的教师轨迹提升在线策略蒸馏效果，在AIME和AMC基准测试中取得显著改进。

Comments 10 pages, 5 figures

Wan-Animate-2: Pushing the Application Boundaries of Character Animation

Wan-Animate-2：拓展角色动画的应用边界

Guangyuan Wang, Li Hu, Dechao Meng, Zhongyi Zhang, Peng Zhang, Xindi Zhang, Mingyang Huang, Ruoshi Zhang, Ke Sun, Zhe Zhang, Xingjun Wang, Gang Cheng, Hai Xu, Bang Zhang

机构 * Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 本文提出Wan-Animate-2角色动画框架，通过消除中间运动提取器提升动画保真度，新增文本驱动视角控制，推出实时高效变体Wan-Animate-2-Lite，将发布其基础模型权重。

Comments Project page: https://humanaigc.github.io/wan-animate-2/

Conditional variational autoencoders for cosmological model discrimination and anomaly detection in cosmic microwave background power spectra

用于宇宙学模型区分和宇宙微波背景功率谱异常检测的条件变分自编码器

Tian-Yang Sun, Tian-Nuo Li, He Wang, Jing-Fei Zhang, Xin Zhang

专题命中 效率与部署 ：post-training(abstract)

AI总结 该研究提出参数条件变分自编码器（CVAE），可实现宇宙微波背景功率谱的可解释压缩、快速诊断及异常检测，将MCMC运行时间从约40小时缩短至约2分钟，支持超出$\u039b$CDM的宇宙学模型区分。

Comments 22 pages, 18 figures; accepted for publication in Physical Review D

One Future, Every Robot: Label-Efficient Collective-State Prediction with Decentralized JEPA

单未来，每机器人：采用去中心化JEPA的标签高效集体状态预测

Alan-Barsag Gazzaev, Alexey Gavrilov, Sergey Muravyov

机构 * ITMO University（ITMO大学） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 该研究提出CS-JEPA架构，解决群体机器人去中心化共享状态预测问题，在多类场景下提升预测误差、一致性及相关指标，为去中心化群体预测提供标签高效基元。

Comments Submitted to IEEE ICRA 2027

nnMIL: A generalizable multiple instance learning framework for computational pathology

nnMIL：一种可泛化的计算病理学多实例学习框架

Xiangde Luo, Jinxi Xiang, Yuanfeng Ji, Ruijiang Li

机构 * Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA（放射肿瘤科，斯坦福大学医学院，斯坦福，CA，USA） ； Stanford Institute for Human-Centered Artificial Intelligence, Stanford, CA, USA（斯坦福大学人本人工智能研究所，斯坦福，CA，USA） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 nnMIL是一种可泛化的计算病理学多实例学习框架，通过斑块与特征级随机采样等技术，在4万张全切片图像的35项临床任务中优于现有方法，实现了病理学基础模型向临床预测的转化。

Comments In this version, we fixed some issues and updated some results

RoboReact: Agentic Skill Distillation from Generated Egocentric Videos for Generalizable Whole-Body Manipulation

RoboReact：基于生成的自我中心视频的智能体技能蒸馏，实现通用全身操控

Shuliang He, Shuai Wang, Bo Yue, Junchi Teng, Changyu Wang, Guiliang Liu

专题命中 效率与部署 ：language model(abstract)

AI总结 本研究提出RoboReact框架，通过生成自我中心视频并结合视觉语言引导的闭环控制，实现人形机器人全身操控技能的通用获取，可在多样场景中稳健执行。

Label-Free Target-Domain Adaptation for Unconstrained Event-Image Feature Matching via Dual-Stage Distillation

通过双阶段蒸馏实现无约束事件-图像特征匹配的无标签目标域适应

Zhonghua Yi, Hao Shi, Qi Jiang, Yufan Zhang, Kailun Yang, Kaiwei Wang

机构 * Zhejiang University（浙江大学） ； Hunan University（湖南大学） ； National University of Defense Technology（国防科技大学） ； Ant Group（蚂蚁集团） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 研究针对无约束事件-图像特征匹配问题，提出双阶段训练范式，先进行无标签蒸馏预训练，再引入极线引导自蒸馏框架，在新的跨模态评估基准上实验，取得领先的姿态估计性能。

Comments Accepted to ACM MM 2026. The source code and benchmark will be made publicly available at https://github.com/ZhonghuaYi/nexus2-official

Determinism-Preserving GPU Spatial Sharing with Vitamin-E

高效GPU空间共享中的性能隔离与语义确定性

Zhenyuan Yang, Wenxin Zheng, Mingyu Li, Haibo Chen

专题命中 效率与部署 ：LLM(abstract)

AI总结 本文提出CoGPU系统，通过引入GPU协程实现逻辑到物理资源的解耦，解决GPU空间共享中的资源利用率、性能隔离与语义确定性三重矛盾，提升多租户环境下的训练吞吐量和推理延迟。