Intel（英特尔）

Enhancing the settling time estimation of a class of fixed-time stable systems

增强一类固定时间稳定系统的 settling 时间估计

R. Aldana-López, D. Gómez-Gutiérrez, E. Jiménez-Rodríguez, J. D. Sánchez-Torres, M. Defoort

机构 * Multi-agent autonomous systems lab, Intel Labs, Intel Tecnología de M\'exico, Av. del Bosque 1001, Colonia El Bajío, Zapopan, 45019, Jalisco, M\'exico. ； Research Laboratory on Optimal Design, Devices ； Advanced Materials -OPTIMA-, Department of Mathematics ； LAMIH, CNRS UMR 8201, Univ. Valenciennes, Valenciennes 59313, France. 纠错

AI总结 本文研究了一类固定时间稳定系统的收敛时间分析，提出了一种新的非保守上界用于估计其 settling 时间，通过改进方法提供了更精确的上界，并展示了预定义时间控制器在第一和第二阶系统中的应用。

Journal ref International Journal of Robust and Nonlinear Control, Volume29, Issue12, Pages 4135-4148,2019

Frequency-Aware Model Predictive Control

频率感知模型预测控制

Ruben Grandia, Farbod Farshidian, Alexey Dosovitskiy, René Ranftl, Marco Hutter

机构 * Robotic Systems Lab, ETH Zurich（机器人系统实验室，苏黎世联邦理工学院） ； Intel Labs, Munich, Germany（英特尔实验室，德国慕尼黑） 纠错

AI总结 本文提出频率形状成本函数，用于在腿足机器人最优控制中实现鲁棒解决方案，通过仿真和硬件实验展示了运动计划与执行器带宽限制的兼容性，并在未建模合规性地形上实现了稳健行走。

Journal ref IEEE Robotics and Automation Letters 2019

Efficient, sparse representation of manifold distance matrices for classical scaling

高效表示经典标度中的流形距离矩阵

Javier S. Turek, Alexander Huth

机构 * Intel Labs（英特尔实验室） ； The University of Texas at Austin（得克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出一种基于双调和插值的稀疏方法，用于高效表示流形距离矩阵，相比现有方法速度快2倍，内存占用低20倍，能处理大规模点集。

Comments Conference CVPR 2018

Mixed Precision Training of Convolutional Neural Networks using Integer Operations

使用整数运算进行卷积神经网络的混合精度训练

Dipankar Das, Naveen Mellempudi, Dheevatsa Mudigere, Dhiraj Kalamkar, Sasikanth Avancha, Kunal Banerjee, Srinivas Sridharan, Karthik Vaidyanathan, Bharat Kaul, Evangelos Georganas, Alexander Heinecke, Pradeep Dubey, Jesus Corbal, Nikita Shustrov, Roma Dubtsov, Evarist Fomenko, Vadim Pirogov

机构 * Parallel Computing Lab（并行计算实验室） ； Intel Labs, India（英特尔实验室，印度） ； Product Architecture Group（产品架构组） ； Intel Labs, SC Intel, OR（英特尔实验室，SC英特尔，美国） ； Software Services Group（软件服务组） ； Intel, OR（英特尔，美国） 纠错

AI总结 本文提出了一种基于整数运算的混合精度训练方法，在ImageNet-1K数据集上训练了ResNet-50、GoogLeNet-v1等SOTA网络，实现了比FP32更高的训练吞吐量和相同精度下的最高准确率。

Comments Published as a conference paper at ICLR 2018

Flexpoint: An Adaptive Numerical Format for Efficient Training of Deep Neural Networks

Flexpoint：一种适应性数值格式，用于高效训练深度神经网络

Urs Köster, Tristan J. Webb, Xin Wang, Marcel Nassar, Arjun K. Bansal, William H. Constable, Oğuz H. Elibol, Scott Gray, Stewart Hall, Luke Hornof, Amir Khosrowshahi, Carey Kloss, Ruby J. Pai, Naveen Rao

机构 * Artificial Intelligence Products Group, Intel Corporation（英特尔人工智能产品部） 纠错

AI总结 Flexpoint是一种适应性数值格式，旨在高效训练深度神经网络，通过动态调整指数来减少溢出并最大化动态范围，实验证明其在训练AlexNet、残差网络和生成对抗网络时性能接近32位浮点数。

Comments 14 pages, 5 figures, accepted in Neural Information Processing Systems 2017

MOSAIC: Efficient Mixture-of-Agent Scheduling via Adaptive Aggregation and Inference Concurrency

MOSAIC: 通过自适应聚合和推理并发的高效混合智能体调度

Saptarshi Mitra, Yifan Zhang, Rachid Karami, Phyo Pyae Moe Aung, Nazmul Takbir, Sreetama Sarkar, Souvik Kundu, Sitao Huang

机构 * University of California, Irvine, USA（加州大学 Irvine 分校） ； University of Southern California, Los Angeles, USA（南加州大学洛杉矶分校） ； Intel, USA（英特尔公司） 纠错

AI总结 针对混合智能体系统在有限GPU资源下的负载不均衡问题，提出基于整数线性规划调度器和置信度感知自适应聚合的MOSAIC框架，实现最高2.5倍专家阶段、4.23倍聚合阶段和1.7~2.3倍端到端加速，精度损失在0.1个百分点内。

Comments 13 pages, 8 main pages

CLANE: Continual Learning of Actions on Neuromorphic Hardware from Event Cameras

CLANE: 基于事件相机在神经形态硬件上的动作持续学习

Elvin Hajizada, Michael Neumeier, Edward Paxon Frady, Yulia Sandamirskaya, Axel von Arnim, Bing Li, Eyke Hüllermeier

机构 * Institute of Informatics, University of Munich (LMU)（慕尼黑大学信息学院） ； fortiss GmbH, Neuromorphic Computing（fortiss GmbH 神经形态计算部门） ； Technical University of Munich, TUM School of CIT（慕尼黑技术大学 CIT 学院） ； Intel Labs, Intel Corporation（英特尔实验室，英特尔公司） ； Institute of Computational Life Sciences (ICLS), Zurich University of Applied Sciences (ZHAW)（应用科学大学（ZHAW）计算生命科学研究所） ； Technische Universität Ilmenau, Resource-Efficient Artificial Intelligence Group（伊门豪大学资源高效人工智能小组） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； German Research Centre for Artificial Intelligence (DFKI)（德国人工智能研究中心） 纠错

AI总结 提出CLANE系统，在Intel Loihi 2神经形态芯片上实现端到端的持续学习，用于事件相机动作识别，通过尖峰CNN和新型Loihi 2模块实现高能效和低延迟。

How Far Can Disaggregation Go? A Design-Space Exploration of Attention-FFN Disaggregation for Efficient MoE LLM Serving

解聚能走多远？面向高效 MoE LLM 服务的 Attention-FFN 解聚设计空间探索

Hanjiang Wu, Abhimanyu Rajeshkumar Bambhaniya, Sarbartha Banerjee, Tuhin Khare, Sudarshan Srinivasan, Suvinay Subramanian, Souvik Kundu, Madhu Kumar, Midhilesh Elavazhagan, William Won, Amir Yazdanbakhsh, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Intel（英特尔） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； Infravana 纠错

AI总结 本文系统探索了从分块预填充、预填充-解码解聚到算子级 Attention-FFN 解聚 (AFD) 的不同解聚层次在 MoE 模型推理中的收益与局限，通过融合设备内核测量与高保真网络仿真的框架，在严格 TTFT/TPOT SLO 下 AFD 可在 DeepSeek-V3.2 上维持约 4k tokens/s 的系统吞吐量，并给出了联合优化吞吐与交互性的具体设计原则。

Xe-Forge: Multi-Stage LLM-Powered Kernel Optimization for Intel GPU

Xe-Forge：面向Intel GPU的多阶段LLM驱动的内核优化

Marcin Spoczynski, Daniel Fleischer, Moshe Berchansky, Gabriela Ben-Melech Stan, Shira Guskin, Weilin Xu, Adam Siemieniuk, Alexander Heinecke

机构 * Intel Corporation（英特尔公司） 纠错

AI总结 提出Xe-Forge，一个多阶段LLM流水线，通过Chain-of-Verification-and-Refinement（CoVeR）代理和硬件验证，自动将Triton内核优化为Intel GPU，实现几何平均1.17倍加速，Flash Attention加速2-13.3倍。

CacheClip: Accelerating RAG with Effective KV Cache Reuse

CacheClip: 通过有效的KV缓存重用加速RAG

Bin Yang, Qiuyu Leng, Jun Zeng, Zhenhua Wu

机构 * Intel Corporation（英特尔公司） 纠错

AI总结 本文提出CacheClip框架，通过有效利用KV缓存重用，解决了RAG系统中TTFT瓶颈问题，同时保持高质量生成。

Diverse LLMs or Diverse Question Interpretations? That is the Ensembling Question

多样化的大语言模型还是多样化的问题解释？那是集成的问题

Rafael Rosales, Santiago Miret

机构 * Intel Labs（英特尔实验室） 纠错

AI总结 本文比较了使用大语言模型回答二元问题的两种多样性方法：模型多样性和问题解释多样性，并发现问题解释多样性在集成准确性上表现更优。

Journal ref Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026), pages 5116-5128

VGGT-Edit: Feed-forward Native 3D Scene Editing with Residual Field Prediction

VGGT-Edit：基于残差场预测的前馈原生3D场景编辑

Kaixin Zhu, Yiwen Tang, Yifan Yang, Renrui Zhang, Bohan Zeng, Ziyu Guo, Ruichuan An, Zhou Liu, Qizhi Chen, Delin Qu, Jaehong Yoon, Wentao Zhang

机构 * Peking University（北京大学） ； Tencent（腾讯） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai AI Lab（上海人工智能实验室） ； NTU Singapore（新加坡国立大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Lab of Data Intel. & Security (PKU)（北京数据智能与安全实验室（北京大学）） 纠错

AI总结 本文提出VGGT-Edit，一种基于文本条件的前馈原生3D场景编辑框架，通过引入深度同步文本注入和残差变换头，实现高质量的3D场景编辑，同时构建DeltaScene数据集以提升编辑效果和推理速度。

BERTO: Intent-Driven Network Time Series Forecasting via Natural Language Operator Preferences

BERTO：通过自然语言运算偏好进行意图驱动的网络时间序列预测

Nitin Priyadarshini Shankar, Vaibhav Singh, Sheetal Kalyani, Christian Maciocco

机构 * Intel Labs（英特尔实验室） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） 纠错

AI总结 BERTO通过自然语言运算偏好进行意图驱动的网络时间序列预测，利用BERT框架实现交通预测和能耗优化，结合平衡损失函数和提示条件，使模型能够根据运营商需求动态调整预测偏差，实现灵活的决策感知预测。

Comments 7 pages, 3 figures, 2 tables

StatQAT: Statistical Quantizer Optimization for Deep Networks

StatQAT: 深度网络的统计量化优化

Mehmet Aktukmak, Daniel Huang, Ke Ding

机构 * Intel（英特尔） 纠错

AI总结 本文提出了一种新的统计误差分析框架，用于统一和浮点量化，以提供理论洞察，针对不同数据分布的量化配置误差行为。基于此分析，作者提出了适用于任意数据分布的迭代量化器和适用于高斯似分布权重的分析量化器，从而实现了高效的低误差量化，适用于激活和权重。将这些量化器整合到量化感知训练中，并在整数和浮点格式上进行了评估，实验表明提高了准确性和稳定性，展示了该方法在训练低精度神经网络中的有效性。

SignRoundV2: Toward Closing the Performance Gap in Extremely Low-Bit Post-Training Quantization for LLMs

SignRoundV2：朝着关闭LLMs极低比特后训练量化性能差距的目标

Wenhua Cheng, Weiwei Zhang, Heng Guo, Haihao Shen, Zaner Ma

机构 * Intel（英特尔公司） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 本文提出SignRoundV2框架，通过自适应混合精度策略和轻量稳定技术，在极低比特量化下保持高性能，实验表明在混合MXFP设置中实现接近无损性能，将性能差距缩小到约1%。

TokenButler: Token Importance is Predictable

TokenButler：令牌重要性是可预测的

Yash Akhauri, Ahmed F AbouElhamayed, Yifei Gao, Chi-Chih Chang, Sameh Gobriel, Nilesh Jain, Mohamed S. Abdelfattah

机构 * Cornell University（康奈尔大学） ； Intel Labs（英特尔实验室） 纠错

AI总结 TokenButler通过高粒度查询感知预测器识别关键令牌，减少KV缓存瓶颈，提升解码效率与准确性。

QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space

QT-Net：重新思考原子化学空间中AI模型的评估

Pablo Martínez Crespo, Stefano Ribes, Martin Rahm, Richard Beckmann, Robert S. Jordan, Marisa Gliege, Santiago Miret, Vijay Kris Narasimhan, Rocío Mercado

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Chalmers University of Technology（楚姆勒技术大学） ； University of Gothenburg（哥德堡大学） ； Department of Chemistry and Chemical Engineering（化学与化工系） ； Technology Research（技术研究部） ； Intel Corporation（英特尔公司） ； Chief Technology Office（首席技术办公室） ； EMD Electronics（EMD电子公司） ； Lila Sciences（Lila科学） ； M Ventures（M资本） 纠错

AI总结 本文提出了一种基于SOAP描述符的原子环境聚类评估协议，通过5×5交叉验证和Tukey's HSD方法，比较了E(3)-等价和非等价模型在预测原子电荷和多极矩中的表现，并引入了QT-Net模型以提升分子机器学习的原子级性能。

MVB-Grasp: Minimum-Volume-Box Filtering of Diffusion-based Grasps for Frontal Manipulation

MVB-Grasp：基于扩散模型的抓取生成中最小体积盒过滤用于正前方操作

Bibek Poudel, Abdul Basit, Muhammad Shafique

机构 * Unitree（单位树） ； Intel（英特尔） 纠错

AI总结 本文提出MVB-Grasp方法，通过引入最小体积包围盒几何先验，提升低成本机械臂在受限工作空间中的正前方抓取成功率，结合几何过滤与重评分函数，验证了其在Z1机械臂上的有效性。

Comments 8 pages, 12 figures, accepted to IJCNN 2026

Top-H Decoding: Adapting the Creativity and Coherence with Bounded Entropy in Text Generation

顶部H解码：在受限制的熵下适应创造力和连贯性

Erfan Baghaei Potraghloo, Seyedarmin Azizi, Souvik Kundu, Massoud Pedram

机构 * University of Southern California（南加州大学） ； Intel AI（英特尔人工智能） 纠错

AI总结 本文提出top-H解码，通过熵约束最小散度问题提升文本生成的创造力与连贯性，实验证明其在创意写作任务中优于现有方法，且在问答数据集上表现稳健。

Junk DNA Hypothesis: Pruning Small Pre-Trained Weights Irreversibly and Monotonically Impairs "Difficult" Downstream Tasks in LLMs

垃圾DNA假说：修剪小的预训练权重不可逆且单调地损害LLM中的“困难”下游任务

Lu Yin, Ajay Jaiswal, Shiwei Liu, Souvik Kundu, Zhangyang Wang

机构 * University of Surrey ； Eindhoven University of Technology ； University of Texas at Austin ； Intel Labs ； University of Oxford 纠错

AI总结 该研究提出垃圾DNA假说，指出LLM预训练权重中存在关键知识，修剪小权重会单调损害困难下游任务性能，且即使允许持续训练也无法弥补损失。

Comments Published at ICML 2024

Online semi-supervised perception: Real-time learning without explicit feedback

在线半监督感知：无需显式反馈的实时学习

Branislav Kveton, Michal Valko, Matthai Phillipose, Ling Huang

机构 * Intel Labs（英特尔实验室） ； Department of Computer Science（计算机科学系） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 本文提出一种无需显式反馈的实时学习算法，结合图上半监督学习和在线学习，通过迭代构建世界图表示并更新，利用离线标注数据和在线未标注数据提升性能，在实时人脸识别中取得优越精度和召回率。

Comments IEEE Computer Vision and Pattern Recognition Workshop on Online Learning for Computer Vision (CVPR 2010 OLCV)

Semi-supervised learning with max-margin graph cuts

基于最大边际图割的半监督学习

Branislav Kveton, Michal Valko, Ali Rahimi, Ling Huang

机构 * Intel Labs（英特尔实验室） ； Santa Clara University（圣克拉拉大学） ； University of Pittsburgh（匹兹堡大学） ； Berkeley（伯克利） 纠错

AI总结 本文提出了一种新的半监督学习算法，通过最大化谐波函数解诱导标签的边际来学习图割。在合成数据和UCI ML数据集上验证了方法的有效性，并证明了其泛化误差界。

Comments Published at AISTATS 2010 (13th International Conference on Artificial Intelligence and Statistics)

From Local to Global: Revisiting Structured Pruning Paradigms for Large Language Models

从局部到全局：重新审视大型语言模型的结构剪枝范式

Ziyan Wang, Enmao Diao, Qi Le, Pu Wang, Minwoo Lee, Shu-ping Yeh, Evgeny Stupachenko, Hao Feng, Li Yang

机构 * University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； DreamSoul ； University of Minnesota（明尼苏达大学） ； Intel Corporation（英特尔公司） 纠错

AI总结 本文提出GISP，一种基于全局重要性度量的迭代结构剪枝方法，通过去除注意力头和MLP通道提升模型效率和下游任务性能。

Comments 20 pages, 6 figures. Accepted by ACL2026 Main Conference

One Token Away from Collapse: The Fragility of Instruction-Tuned Helpfulness

距离崩溃仅一步之遥：指令调制帮助性的脆弱性

Erfan Baghaei Potraghloo, Seyedarmin Azizi, Souvik Kundu, Massoud Pedram

机构 * University of Southern California（南加州大学） ； Intel AI（英特尔人工智能） 纠错

AI总结 研究探讨了指令调制大语言模型在简单约束下的帮助性稳定性，发现其在词汇约束下响应质量显著下降，揭示了指令调制对表面模板的依赖性。

Human Presence Detection via Wi-Fi Range-Filtered Doppler Spectrum on Commodity Laptops

通过Wi-Fi范围过滤多普勒频谱进行人类存在检测

Jessica Sanson, Rahul C. Shah, Valerio Frascolla

机构 * Intel Deutschland GmbH（德国英特尔公司） ； Intel Corp.（英特尔公司） 纠错

AI总结 本文提出了一种基于单站Wi-Fi传感的人类存在检测方法，利用设备内置Wi-Fi硬件实现用户位置检测，无需外部设备或传感器，具有低复杂度和高稳定性。

Comments 6 pages, Conference

Journal ref Percom 2026

LiveSense: A Real-Time Wi-Fi Sensing Platform for Range-Doppler on COTS Laptop

LiveSense: 一种实时Wi-Fi传感平台，用于在商用笔记本电脑上实现厘米级范围-多普勒

Jessica Sanson, Rahul C. Shah, Maximilian Pinaroc, Cagri Tanriover, Valerio Frascolla

机构 * Intel Deutschland GmbH, Munich, Germany（德国英特尔公司，慕尼黑） ； Intel Labs, Santa Clara, CA, USA（美国英特尔实验室，圣克拉拉） 纠错

AI总结 LiveSense利用商用笔记本电脑的Wi-Fi网卡实现厘米级范围-多普勒传感，同时保持通信能力，支持实时数据流和手势识别。

Journal ref Percom 2026

MIST: A Co-Design Framework for Heterogeneous, Multi-Stage LLM Inference

MIST：一种用于异构、多阶段LLM推理的联合设计框架

Abhimanyu Rajeshkumar Bambhaniya, Hanjiang Wu, Suvinay Subramanian, Sudarshan Srinivasan, Souvik Kundu, Amir Yazdanbakhsh, Midhilesh Elavazhagan, Madhu Kumar, Minlan Yu, Arijit Raychowdhury, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Google（谷歌） ； Intel（英特尔） ； Intel Labs（英特尔实验室） ； Google DeepMind（谷歌DeepMind） ； Harvard University（哈佛大学） ； Infravana 纠错

AI总结 MIST是一种用于异构、多阶段LLM推理的联合设计框架，通过模拟不同请求阶段和复杂硬件层次，优化硬件-软件协同设计，解决LLM推理中的配置空间导航和跨厂商PD配置问题。

Comments Inference System Design for Multi-Stage AI Inference Pipelines. 11 Pages, 10 Figues, 5 Tables

VC-Inspector: Advancing Reference-free Evaluation of Video Captions with Factual Analysis

VC-Inspector：通过事实分析推进无参考视频字幕评估

Shubhashis Roy Dipta, Tz-Ying Wu, Subarna Tripathi

机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） ； Intel（英特尔） 纠错

AI总结 VC-Inspector提出了一种轻量级开源大多模态模型，用于无参考视频字幕评估，专注于事实准确性。通过生成可控制事实错误的字幕及评分注释，实现了可重复和事实感知的评估，实验显示其与人类判断的高相关性。

Comments Accepted at ACL 2026 (Main)

Enhancing Trust in Large Language Models via Uncertainty-Calibrated Fine-Tuning

通过不确定性校准微调增强大语言模型的信任

Ranganath Krishnan, Piyush Khanna, Omesh Tickoo

机构 * Capital One, AI Labs（Capital One人工智能实验室） ； Wayve Technologies（Wayve技术公司） ； Intel Corporation（英特尔公司） 纠错

AI总结 本文提出一种不确定性感知微调方法，用于提升大语言模型在自然语言生成任务中的不确定性估计能力，从而提高生成响应的可信度并减少幻觉现象。

Comments ICLR 2026 Trustworthy AI workshop

Forge-UGC: FX optimization and register-graph engine for universal graph compiler

Forge-UGC：面向通用图编译器的FX优化与寄存器图引擎

Satyam Kumar, Saurabh Jha

机构 * Intel（英特尔） ； Qualcomm（高通） ； AMD ； Apple（苹果） 纠错

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。