大厂专区
ProTrain: 通过内存感知技术实现高效的LLM训练
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Advanced Micro Devices, Inc.（先进微器件公司）
AI总结 本文提出ProTrain系统，通过自动调整内存管理策略提升LLM训练效率，无需人工干预，实验显示训练吞吐量提升1.43至2.71倍。
Comments Accepted to MLSys 2026
Ego-InBetween: 生成以自我为中心视频中的物体状态转换
机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Dalian University of Technology（大连理工大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文提出EgoIn框架，通过TransitionVLM和Object-aware Auxiliary Supervision生成物体状态转换序列，实现以自我为中心视角下的视觉状态迁移。
Comments CVPR2026
Privatar: 通过安全卸载实现可扩展的隐私保护多用户VR
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； Purdue University/NVIDIA（普渡大学/NVIDIA） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD
AI总结 Privatar通过安全卸载实现多用户VR的可扩展隐私保护，利用领域知识在本地设备保留高能量频率组件，减少信息泄露，同时采用分布感知最小扰动技术提升隐私保障与效用。
Comments Proceedings of the 7th Machine Learning and System Conference (MLSys)
全球线性复杂度注意力用于地球系统预测的Exascale生成数据同化
机构 * Auburn University（阿伯杜大学） ； AMD Research（AMD研究） ； Colorado State University（科罗拉多州立大学） ； Oak Ridge National Laboratory（橡树岭国家实验室）
AI总结 本文提出一种统一的一阶段生成数据同化框架，通过将同化过程重新表述为贝叶斯后验采样，实现高效率的地球系统状态推断，利用STORM模型实现全球注意力线性复杂度，提升预测精度和极端事件预测能力。
Forge-UGC：面向通用图编译器的FX优化与寄存器图引擎
机构 * Intel（英特尔） ； Qualcomm（高通） ； AMD ； Apple（苹果）
AI总结 Forge-UGC通过四阶段编译器提升Transformer在异构加速器上的部署效率，采用硬件无关设计，优化图捕获、优化、中间表示降低及后端调度，显著降低编译时间和推理延迟。
边缘保留噪声用于扩散模型
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Advanced Micro Devices（先进微器件）
AI总结 本文提出一种边缘保留的扩散过程，通过混合噪声方案在边缘感知调度器中平滑过渡，提升结构细节捕捉能力，同时保持全局性能，并在图像生成和结构引导任务中取得改进。
CaptionQA: 你的描述是否和它所代表的图像一样有用？
机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Stanford University（斯坦福大学） ； Independent Researcher（独立研究者） ； Northwestern University（西北大学） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 CaptionQA通过评估生成描述在下游任务中的实用性，揭示了图像与描述之间的效用差距，涵盖四个领域，包含25个顶级和69个子类别，提供33,027个密集标注的多选问题。
GPU矩阵乘法-累加单元的位精确建模：解开数值差异和精度的谜团
机构 * NVIDIA（英伟达） ； AMD（超微半导体）
AI总结 本文提出CLFP框架，构建了十种GPU架构的MMA操作位精确算术模型，揭示了四个精度瓶颈和一个数值不对称设计，为未来MMA单元设计提供指导。
GPU加速稀疏全同态加密DNN
机构 * University of Glasgow（格拉斯哥大学） ； University of Murcia（穆尔西亚大学） ； Northeastern University（东北大学） ； AMD（超威半导体公司）
AI总结 本文提出在AMD GPU上加速深度神经网络中矩阵乘法的方法，利用FIDESlib库优化稀疏矩阵运算，提升运行效率并降低时间复杂度。
Comments Accepted to the 6th Workshop on Machine Learning and Systems (EuroMLSys) co-located with EuroSys '26
OASIS：面向内存高效训练的在线激活子空间学习
机构 * Purdue University（普渡大学） ； Advanced Micro Devices, Inc. (AMD)（超威半导体公司（AMD））
AI总结 OASIS通过在线学习动态激活子空间，减少内存消耗，无需修改前向计算，实现比全微调低2倍的峰值内存使用，同时保持性能并优于现有低秩方法。
TopoFlow：面向高分辨率空气质量预测的地形感知污染物流动学习
机构 * Department of Computational Engineering, Lappeenranta–Lahti University of Technology LUT（拉彭兰塔-拉赫蒂理工大学计算工程系） ； Atmospheric Modelling Centre Lahti, Lahti University Campus（拉赫蒂大学园区大气模拟中心） ； Institute for Atmospheric and Earth System Research, University of Helsinki（赫尔辛基大学大气与地球系统研究所） ； Advanced Micro Devices (AMD)（超威半导体公司） ； Technical University of Munich（慕尼黑工业大学）
AI总结 TopoFlow通过整合地形和风向等物理因素，利用视觉Transformer架构提升空气质量预测精度，实现PM2.5 RMSE降低71-80%。
Comments Accepted in npj Climate and Atmospheric Science
Journal ref npj Climate and Atmospheric Science (2026)
可证明的训练后量化：OPTQ和Qronos的理论分析
机构 * UC San Diego（加州大学圣地亚哥分校） ； AMD
AI总结 本文首次为OPTQ及Qronos提供了定量误差界，分析了训练后量化的迭代过程对量化误差的影响，并为参数选择和特征排序提供了理论依据。
双池令牌预算路由：用于高效可靠LLM服务的低成本方案
机构 * vLLM Semantic Router Project（vLLM语义路由项目） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） ； Mila（米拉研究所） ； AMD（超威半导体公司）
AI总结 本文提出双池令牌预算路由机制，通过区分短上下文和长上下文请求，提高LLM服务的效率和可靠性，减少GPU小时和预emption率，提升响应速度。
DiffSparse: 通过学习的令牌稀疏性加速扩散变换器
机构 * Advanced Micro Devices, Inc.（超威半导体公司） ； Tsinghua University（清华大学） ； BNRist（北京信息科学与技术国家研究中心）
AI总结 本文提出DiffSparse框架，通过学习令牌稀疏性优化扩散变换器的推理效率，减少计算成本并提升生成质量。
Comments Accepted by ICLR 2026
通过偏好遗憾优化有限示范数据下的神经机器人策略
机构 * Rochester Institute of Technology（罗切斯特理工学院） ； Advanced Micro Devices, Inc.（超威半导体公司） ； University of Liverpool（利物浦大学）
AI总结 本文提出MYOE框架，通过可查询的偏好混合状态空间模型估计每一步的目标，利用偏好遗憾优化机器人控制策略，实验显示其鲁棒性、适应性和泛化能力优于其他RLfD方法。
Comments 10 pages, 4 figures, 4 tables
XModBench：多模态能力与一致性在多语言模型中的基准测试
机构 * Advanced Micro Devices（超威半导体） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Rochester（罗彻斯特大学）
AI总结 XModBench通过大规模三模态基准测试，评估多语言模型在跨模态一致性中的能力，揭示模型在不同模态下的推理偏差和不平衡问题。
Journal ref Published as a conference paper at ICLR 2026
DUET-VLM：双阶段统一高效令牌减少用于VLM训练和推理
机构 * Advanced Micro Devices, Inc. (AMD)（超威半导体公司（AMD））
AI总结 DUET-VLM通过双阶段令牌压缩框架，在保持语义的同时显著减少视觉令牌数量，实现高效训练和推理。
Comments 15 Pages, 8 figures, 15 tables, CVPR 2026; Code: AGI/DUET-VLM" target="_blank" rel="noopener">https://github.com/AMD-AGI/DUET-VLM
验证阈值：一种高效的测试时间扩展方法用于图像生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD（超威半导体公司） ； Stony Brook University（石溪大学）
AI总结 本文提出Verifier-Threshold方法，通过自动重新分配测试时间计算，提升图像生成模型的效率，在GenEval基准上实现2-4倍的计算时间减少。
Comments ICLR 2026 ReALM-Gen and DeLTa
知识访问胜过模型规模：基于对话记忆的持久AI代理路由
机构 * vLLM Semantic Router Project（vLLM语义路由器项目） ； MBZUAI ； McGill University（麦吉尔大学） ； Mila ； AMD ； Red Hat（红帽）
AI总结 本文提出利用对话记忆提升AI代理效率，通过轻量模型结合检索信息，使小模型在用户特定查询中表现优于大模型，证明知识访问比模型规模更重要。
VideoSeek: 长时程视频代理与工具引导的搜索
机构 * AMD（AMD公司） ； University of Rochester（罗切斯特大学）
AI总结 VideoSeek通过视频逻辑流程主动寻找关键证据，减少帧数使用，提升视频理解能力，实验显示其在视频理解和推理任务中表现优异。
Comments Accepted at CVPR 2026
自适应视觉-语言模型路由用于计算机使用代理
机构 * vLLM Semantic Router Project（vLLM语义路由项目） ； MBZUAI ； McGill University（麦吉尔大学） ； AMD ； Red Hat（红帽公司）
AI总结 本文提出自适应VLM路由框架，通过动态选择模型降低推理成本，同时保持可靠性。在ScreenSpot-Pro数据集和OpenClaw基准测试中，AVR实现了高达78%的推理成本降低，并结合视觉困惑代理机制提升安全性。
98倍更快的LLM路由无需专用GPU：Flash注意力、提示压缩与近流式处理用于vLLM语义路由
机构 * vLLM Semantic Router Project（vLLM语义路由器项目） ； MBZUAI ； McGill University（麦吉尔大学） ； AMD ； Red Hat（红帽公司）
AI总结 本文提出三种优化方法，解决LLM路由的延迟和内存问题，实现98倍速度提升，使路由在共享GPU上成为可能。
跨分辨率注意力网络用于高分辨率PM2.5预测
机构 * Institute for Atmospheric and Earth System Research（大气与地球系统研究所） ； University of Helsinki（赫尔辛基大学） ； Department of Computational Engineering（计算工程系） ； LUT University（卢托纳大学） ； Atmospheric Modelling Centre Lahti (AMC-Lahti)（拉赫蒂大气建模中心（AMC-Lahti）） ； Advanced Micro Devices (AMD)（先进微器件（AMD））
AI总结 CRAN-PM通过跨分辨率注意力机制，融合全球气象数据与局部高分辨率PM2.5数据，实现高效、准确的PM2.5预测，显著降低预测误差和复杂地形中的偏倚。
Qronos：通过塑造未来修正过去……在训练后量化中
机构 * Department of Mathematics University of California, San Diego（数学系加州大学圣地亚哥分校） ； Software Architecture Advanced Micro Devices, Inc.（软件架构先进微器件公司） ； Department of Mathematics & HDSI University of California, San Diego（数学系及HDSI加州大学圣地亚哥分校）
AI总结 Qronos通过迭代优化框架在训练后量化中显式纠正误差并超越现有方法，提升模型精度。
ZeroTuning: 解锁初始标记的潜力以无需训练的方式提升大语言模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； AMD（AMD公司） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ZeroTuning通过仅调整初始标记的注意力实现无需训练的大语言模型性能提升，适用于多种任务和场景。
Comments ICLR 2026 Accepted Version: proofread, introduction rewritten, additional experiments and appendix material added
SDFP：基于FIT剪枝模型的投机解码用于无训练和即插即用的大语言模型加速
机构 * Tsinghua University（清华大学） ； Advanced Micro Devices, Inc.（先进微器件公司）
AI总结 SDFP通过FIT剪枝技术实现无训练、即插即用的大语言模型加速，提升解码速度而不影响输出分布。
AI模型在不同模态下是否能进行类人抽象推理？
机构 * Santa Fe Institute, New Mexico, USA（圣菲研究所） ； Sandia National Laboratories, New Mexico, USA（桑迪亚国家实验室） ； Advanced Micro Devices Inc., Texas, USA（先进微器件公司）
AI总结 本文研究了AI模型在不同模态下进行抽象推理的能力，发现其在文本和视觉模态中的表现存在显著差异，表明仅依赖准确率评估抽象推理能力存在偏差。
Comments 9 pages, 3 figures
通过资格推理和面向节段的强化学习可靠地使用引理
机构 * Arizona State University（亚利桑那州立大学） ； Advanced Micro Devices, Inc.（先进微器件公司）
AI总结 通过资格推理和面向节段的强化学习提升LLM在数学引理应用的可靠性与鲁棒性
BlindSight: 利用稀疏性提升视觉-语言模型的效率
机构 * Advanced Micro Devices, Inc. (AMD)（先进微器件公司（AMD））
AI总结 BlindSight通过引入输入模板感知的注意力稀疏性掩码，显著提升了视觉-语言模型的推理效率，同时保持较高的准确率。
网络内集体操作：人工智能工作负载中的变革者还是挑战？
机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软） ； AMD（超威半导体） ； Broadcom Inc.（博通公司） ； Hewlett Packard Enterprise（惠普企业）
AI总结 本文探讨了网络内集体操作在人工智能工作负载中的潜力与挑战，分析了边缘和核心INC的性能优势及阻碍其应用的关键障碍，并预测其未来发展方向。
Journal ref IEEE Computer Jan. 2026
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