大厂专区
Avatar-Forever：用于高质量实时无限虚拟形象的解耦并行训练
机构 * The Hong Kong Polytechnic University（香港理工大学） ； ByteDance（字节跳动） ； AMD（超威半导体公司）
AI总结 Avatar-Forever是一种解耦并行训练框架，通过双分支设计与ForeverCache机制，在单张H100 GPU上实现27.2 FPS的768x512音频驱动无限虚拟形象生成，保障质量与效率，推进稳定数字人研究。
使用MXFP4在原生FP4硬件上预训练大型语言模型
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Advanced Micro Devices, Inc.（先进微器件公司）
AI总结 研究发现FP4训练不稳定主要由梯度路径的结构微缩放误差引起，通过MXFP4量化在Transformer训练中的受控研究，揭示了FP4在Fprop和Dgrad中对收敛影响较小，而Wgrad量化导致收敛退化。
形状变异专家压缩：LorExperts与BTExperts
机构 * Advanced Micro Devices（超威半导体公司）
AI总结 本文针对混合专家（MoE）语言模型的专家权重压缩问题，提出LorExperts与BTExperts方法，在保留所有专家与原始路由的前提下实现约50%专家压缩，性能优于基线且随专家数量增长优势更显著。
FlashRT：用于引导智能体部署实时多模态应用的智能体框架
机构 * Carnegie Mellon University（卡内基梅隆大学） ； AMD（超威半导体公司） ； University at Buffalo（纽约州立大学水牛城分校）
AI总结 研究实时多模态应用部署难题，提出FlashRT智能体框架。通过新范式引导编码智能体多阶段转换，将参考实现转为高效部署，在不同GPU上显著提升性能，尤其在专家优化不成熟平台更具扩展性。
用于视觉-语言-动作操纵的Real2Sim2Real：基于AMD ROCm的管道
机构 * AMD AIG Team（AMD人工智能团队） ； Beijing Institute of Technology（北京理工大学）
AI总结 本文针对视觉-语言-动作操纵提出基于AMD ROCm的Real2Sim2Real技术栈，涵盖多硬件计算，由开放软件栈统一。通过四个演示表明无需CUDA锁定生态系统，展示了在多硬件平台上的相关成果，且管道可在特定硬件和平台上原生运行并重现。
TRaM-VSR：用于一步扩散视频超分辨率的重要性感知令牌路由与合并
机构 * Advanced Micro Devices Inc.（超威半导体公司） ； Computer Vision Lab, CAIDAS & IFI, University of Würzburg（维尔茨堡大学CAIDAS与IFI计算机视觉实验室）
AI总结 研究针对视频超分辨率中扩散模型计算成本高及现有方法存在问题，提出TRaM-VSR框架，通过融合线索估计令牌重要性，经离线规划器校准调整，在路由组内分处理关键与非关键令牌，实现加速推理且保持质量和一致性。
Comments 18 pages, 7 figures
KroQuant：用于扩散Transformer高效训练后量化的克罗内克结构块变换
机构 * EPFL（洛桑联邦理工学院） ； Advanced Micro Devices, Inc.（超威半导体公司）
AI总结 研究针对扩散Transformer训练后量化到W4A4质量严重下降问题，提出KroQuant方法，对激活值3个2元素块应用克罗内克结构可逆变换，存储参数少，运行快，结合离线LoRaQ权重校准，输出更接近FP参考且保持或提高图像质量。
从位位置敏感性到深度神经网络推理内存的不等错误保护
机构 * Advanced Micro Devices, Inc.（Advanced Micro Devices 公司）
AI总结 研究在多种工作负载和浮点格式中表征DNN推理内存的位位置故障敏感性，发现位敏感性转变，提出不等错误保护方法，得出数据类型下限和工作负载感知层级，驱动UEP编解码器及双分区架构，减少ECC面积、降低读取能量。
Comments Accepted to appear at the 59th IEEE/ACM International Symposium on Microarchitecture (MICRO 2026). 14 pages
ORBIT-2：为天气和气候降尺度扩展百亿亿次视觉基础模型
机构 * Oak Ridge National Laboratory（奥克岭国家实验室） ； AMD Research and Advanced Development（AMD研究与高级开发） ； RIKEN Center for Computational Science（理化学研究所计算科学中心） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
AI总结 ORBIT-2通过残差Slim ViT和TILES算法，实现了百亿亿次视觉基础模型在天气和气候降尺度中的高效扩展。
dMX: 低精度浮点格式的可微分混合精度分配
机构 * AMD
AI总结 提出可微分混合精度量化框架 dMX，通过连续优化每层浮点格式参数并配合退火调度和正则化项，实现硬件兼容的 MXFP 格式分配，在 LLM 上取得帕累托最优效果。
KV缓存压缩的消融、统计推断与验证
机构 * Advanced Micro Devices, Inc.（超威半导体公司）
AI总结 研究对Turbo-Quant和SpectralQuant KV缓存压缩进行系统比较，用统计验证方法评估非支配方案，发现基于特征基的方法在重尾数据上因协方差不稳定失败，在结构化模式下表现出色，有效语义维度适应校准预算。
Comments 15 pages, 8 figures, minimum number of citations
STEEL：用于在AMD的XDNA NPU上进行节能长序列推理的稀疏感知融合注意力
机构 * AMD Research and Advanced Development (RAD)（AMD研究与先进开发） ； Integrated Systems Laboratory (IIS)（集成系统实验室） ； ETH Zürich（苏黎世联邦理工学院） ； Department of Electrical, Electronic and Information Engineering (DEI)（电气电子信息工程系） ； University of Bologna（博洛尼亚大学）
AI总结 研究针对笔记本级SoC上节能推理，提出STEEL这一针对类似XDNA的NPU的FlashAttention开源实现，通过引入预填充注意力数据流公式化及稀疏感知流水线布局，降低能耗与延迟，相比CPU和GPU有显著性能提升。
Comments Accepted at IEEE COINS 2026
用于少比特整数的带符号对称量化
机构 * AMD（超威半导体公司）
AI总结 研究少比特整数量化问题，提出带符号对称量化方法，通过有原则的符号选择规则放置额外可表示值，保持对称量化运行时特征，理论分析其在量化误差上有条件最优，实证验证在模型上有效果提升。
VEGAS：通过注视进行与人类对齐的视频字幕评估
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； AMD（超威半导体公司）
AI总结 研究针对视觉语言模型视频字幕忽视观众注意力问题，提出VEGAS无需训练的度量标准，利用注视采样个性化文本，通过拒绝采样选字幕，实验表明其能使字幕更好对齐人类焦点，提升下游检索。
具有原生不确定性和自适应复杂度控制的渲染感知贝叶斯3D高斯点云渲染
机构 * Advanced Micro Devices, Inc.（超威半导体公司） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校）
AI总结 研究针对3D高斯点云渲染标准训练管道的不足，引入渲染感知贝叶斯3DGS框架，通过特定后验跟踪高斯几何，有可选扩展及明确训练计划。实验表明该框架在主动视图选择等任务中表现出色，能提供原生预测不确定性，提升相关指标。
Comments 26 pages, 4 figures, 24 tables including appendix. Preprint
通过结构化掩码的布局条件自回归文本到图像生成
机构 * Advanced Micro Devices Inc.（超威半导体公司） ； Dalian University of Technology（大连理工大学） ； S-Lab, Nanyang Technological University（南洋理工大学S-Lab）
AI总结 提出SMARLI框架，通过结构化掩码策略将布局约束注入自回归生成过程，并采用GRPO后训练缓解曝光偏差，实现高质量布局控制图像生成。
Comments ECCV 2026
注意差距：标准 3DGS 评估主要衡量近轨迹插值
机构 * Advanced Micro Devices, Inc.（超威半导体公司）
AI总结 标准 3DGS 评估采用隔帧留出法，实际衡量近轨迹插值而非空间泛化。本文提出匹配计数协议，发现插值与外推之间存在 3~12dB 的稳定差距，该差距跨表示族存在，主要由几何代理分量主导，并建议采用空间留出基准。
SemEval-2026任务9：多语言、多文化、多事件在线极化检测
机构 * Macquarie University（麦考瑞大学） ； University of Hamburg（汉堡大学） ； Zayed University（扎耶德大学） ； HKBK College of Engineering（HKBK工程学院） ； University of Turin（都灵大学） ； aequa-tech ； University of Pretoria（比勒陀利亚大学） ； Bielefeld University（比勒费尔德大学） ； Jagiellonian University（雅盖隆大学） ； Bahir Dar University（巴赫达尔大学） ； AIRI ； KFU（喀山联邦大学） ； HSE University（高等经济大学） ； Virginia Tech（弗吉尼亚理工大学） ； IIT Delhi（印度理工学院德里分校） ； ABV-IIITM（ABV-印度信息技术与管理学院） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； Language Understanding Lab., Myanmar（缅甸语言理解实验室） ； AMD Silo AI ； Lahore University of Management Sciences（拉合尔管理科学大学） ； Maseno University（马塞诺大学） ； Centrum Wiskunde & Informatica（数学与计算机科学中心） ； Bayero University Kano（卡诺巴耶罗大学） ； Northeastern University（东北大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文介绍了SemEval-2026任务9，旨在检测在线极化，涵盖22种语言，包含超过11万标注实例。任务包含三个子任务，吸引全球1000多参与者和10000多提交，最终有67支队伍提交了系统描述论文。
暂停与思考：面向视频基础辅助动作建议的数据集与基准
机构 * Advanced Micro Devices, Inc.（先进微器件公司）
AI总结 提出 pause-and-think-T 数据集和 pause-and-think-B 基准，通过推理监督训练紧凑模型，在视频场景理解与目标规划任务中达到与大型模型相当的性能。
Comments Accepted in IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems)
注意头：多模态大语言模型的拓扑表示对齐
机构 * University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学） ； University of Pisa（比萨大学） ； AMD Silo AI
AI总结 提出头级表示对齐（HeRA）方法，在注意力头级别强制跨模态对齐，通过对比目标匹配局部拓扑结构，选择对齐最差的头进行训练，有效提升视觉任务性能并减少幻觉。
MINCE：通过少模型蒙特卡洛校准缩小LLM评估数据集
机构 * Advanced Micro Devices (AMD)（超威半导体（AMD））
AI总结 提出MINCE方法，利用少量校准模型的蒙特卡洛模拟确定最小子集大小，无需预测层，显著减少评估数据集规模，在保持精度漂移极小的同时实现数倍加速。
HPP：通过解耦感知与推理的分层程序化探测用于长视频理解
机构 * Queen’s University Belfast（贝尔法斯特女王大学） ； AMD（AMD公司） ； Queen Mary University of London（伦敦玛丽女王大学）
AI总结 提出HPP框架，通过将长视频理解重构为分层视频的迭代程序化探索，解耦语义感知与高阶时序推理，在LongVideoBench等基准上取得显著提升。
Comments Project page: https://awaisrauf.com/HPP
UltraQuant: 面向上下文密集型智能体的4位KV缓存
机构 * Advanced Micro Devices（超威半导体） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Purdue University（普渡大学）
AI总结 针对上下文密集型智能体场景，提出UltraQuant方法，通过4位KV缓存压缩、旋转量化和代码本量化，结合AMD GPU优化，在长上下文多轮任务中延迟降低3.47倍，吞吐量提升1.63倍。
Comments 11 pages, 9 figures
面向OpenSIL固件中大语言模型生成的单元测试的库感知双打与迭代修复
机构 * School of Software Design and Data Science（软件设计与数据科学学院） ； Seneca Polytechnic（森纳学院） ； Advanced Micro Devices Canada（加拿大先进微器件公司）
AI总结 针对OpenSIL固件单元测试因构建约束易失败的问题，提出LLM引导的多智能体自动化测试生成与迭代修复流程，在76个函数中73个生成可编译测试，行覆盖率达98.8%。
Comments 20 pages, 10 figures, 1 Table. This work has been submitted to the IEEE for possible publication
Pareto LoRA：通过帕累托最优梯度集成缓解统一多模态模型中的模态不平衡
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Advanced Micro Devices, Inc.（超威半导体公司）
AI总结 针对统一多模态模型在LoRA微调中语言梯度主导优化导致图像生成质量下降的问题，提出帕累托最优梯度集成策略Pareto LoRA，通过调节梯度方向和强度平衡文本与图像目标，在CoMM基准上显著提升图像感知质量达44.9%。
RHO：你的编码代理其实是个机器人专家
机构 * University of California, Berkeley（加州大学伯克利分校） ； AMD
AI总结 提出RHO范式，通过训练时搜索神经符号化多文件策略库，实现机器人任务的高效零样本泛化，在LIBERO-PRO和Robosuite上分别达到45%和70%的成功率，显著优于现有方法。
Comments 46 pages, 9 figures, 15 tables. Project page: https://rho-robotics.github.io
VL2Spike：面向具身AI低功耗视觉感知的VLM脉冲驱动蒸馏
机构 * School of EEE, Nanyang Technological University (NTU)（南洋理工大学电气与电子工程学院） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Advanced Micro Devices, Inc.（超威半导体公司） ； State Key Laboratory of Extreme Photonics and Instrumentation, Zhejiang University（浙江大学极端光子学与仪器国家重点实验室） ； Faculty of Information Science and Technology, Hokkaido University（北海道大学信息科学与技术学院）
AI总结 提出VL2Spike框架，通过时空视觉脉冲蒸馏和脉冲原型引导语言蒸馏，将VLM多模态知识迁移至Spikformer，在静态数据集上提升6.81%性能且能耗仅15.7%，并显著增强机器人视觉地点识别能力。
Comments 9 pages, 4 figures, 8 tables
Arbor：作为自主智能体认知层的树搜索
机构 * AMD
AI总结 提出Arbor多智能体框架，通过结构化树搜索作为认知层，在大型有状态动作空间中实现自主优化，在LLM推理优化中实现高达193%的吞吐量-延迟帕累托改进。
最优后训练量化尺度及其寻找方法
机构 * AMD
AI总结 提出PiSO算法，利用校准数据精确高效地计算逐通道最优量化尺度，并扩展到分组量化，在Llama和Qwen模型上显著提升困惑度和零样本准确率。
ASTRA-sim 3.0：通过高保真GPU和基础设施建模实现下一代分布式机器学习模拟
机构 * AMD Research and Advanced Development（AMD研究与高级开发） ； Georgia Institute of Technology（佐治亚理工学院） ； Keysight ； Purdue University（普渡大学）
AI总结 针对分布式机器学习中延迟敏感通信建模的不足，提出ASTRA-sim 3.0，通过细粒度缓存行级负载存储模拟和标准化基础设施表示InfraGraph，实现高保真模拟，支持优化集合算法、网络需求和GPU架构的设计空间探索。
Comments 10 pages, 15 figures, one table
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈