大厂专区
通过训练无关的置信度感知校准提高扩散式大语言模型的吞吐量
机构 * Rice University（里士大学） ； Intel（英特尔） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出CadLLM，一种无需训练的加速扩散式大语言模型（dLLMs）推理吞吐量的方法。通过动态调整生成块大小、步长和阈值，结合置信度控制，减少softmax开销，提升吞吐量。
Comments 12 pages, 3 figures. Accepted to Findings of ACL 2026
可靠性引导的深度融合用于抗眩光导航成本图
机构 * Intel（英特尔）
AI总结 本文提出基于显式深度可靠性建模的抗眩光成本图构建方法，通过轻量级深度可靠性地图估计器和可靠性引导融合机制，减少眩光导致的假障碍物插入，提升自由空间保真度。
模型链预训练：重新思考视觉基础模型的训练加速
机构 * Intel Labs China（英特尔中国实验室） ； iMotion Automotive Technology（iMotion汽车技术）
AI总结 本文提出Chain-of-Models Pre-Training方法，通过模型链实现视觉基础模型的高效训练，提升性能并降低成本，验证于45个数据集。
Comments This work is accepted to CVPR 2026. Code is available at https://github.com/deep-optimization/CoM-PT
基于图信息的语言模型的贝叶斯社会推断
机构 * Purdue University（普渡大学） ； Oracle（甲骨文公司） ； Virginia Tech（弗吉尼亚理工大学） ； Intel Labs（英特尔实验室）
AI总结 本文提出一种混合推理框架，通过外部化信念推断到结构化概率模型，结合语言模型进行理解和交互，在Agent-Agent游戏中实现与大模型相当的性能，并首次在受控研究中击败人类玩家。
Comments Accepted to ACL 2026 main conference
空间填充曲线足矣：一种简化且高效的通信避免矩阵乘法方法
机构 * Intel Corporation（英特尔公司）
AI总结 本文通过空间填充曲线技术简化了矩阵乘法，实现了平台和矩阵形状无关的高效计算，减少了数据传输并提升了性能，应用于LLM推理和分布式矩阵乘法中取得了显著加速。
CHiQPM：校准的分层可解释图像分类
机构 * Institute for Information Processing (tnt) L3S - Leibniz Universität Hannover（信息处理研究所 (tnt) L3S - 莱布尼茨汉诺威大学） ； Intel Labs（英特尔实验室）
AI总结 CHiQPM提出了一种兼具全局和局部可解释性的图像分类模型，通过对比解释多数类和分层解释方法，实现高准确率和可解释性，为人类与AI协作提供支持。
Comments Accepted to NeurIPS 2025, updated version with correction
在Aurora超级计算机上可扩展地预训练大型专家混合语言模型
机构 * Parallel Computing Lab (India) Intel Corporation（英特尔公司印度并行计算实验室）
AI总结 本文在Aurora超级计算机上展示了大规模预训练大型语言模型，开发了Optimus训练库，预训练了多个MoE模型，并通过定制GPU内核和新型EP-Aware分片优化器提升了训练效率。
SliderQuant: 针对LLMs的准确后训练量化
机构 * Intel Labs China（英特尔中国研究院） ； BUPT（北京邮电大学）
AI总结 本文提出SliderQuant框架，通过分层滑动量化方法优化不同层的量化敏感性，提升LLM在不同位宽下的精度。
Comments This work is accepted to ICLR 2026. Code is available at https://github.com/deep-optimization/SliderQuant
基于稀疏特征共振网络的通用多目标分类与跟踪
机构 * Redwood Center for Theoretical Neuroscience, UC Berkeley（红木理论神经科学中心，加州大学伯克利分校） ； Neuromorphic Computing Lab, Intel（神经形态计算实验室，英特尔）
AI总结 本文提出基于共振网络的分析-合成方法，通过稀疏特征实现对物体形状和位置的不变与等变信息提取，实现多目标分类与跟踪。
Comments 6 pages, 2 figures, NICE 2026
将几何基础模型重新利用于多视图扩散
机构 * KAIST AI（韩国科学技术院人工智能实验室） ； New York University（纽约大学） ； Intel Labs（英特尔实验室）
AI总结 本文提出Geometric Latent Diffusion框架，利用几何一致的特征空间作为多视图扩散的潜在空间，提升多视角生成的几何一致性和图像质量。
Comments project website: https://cvlab-kaist.github.io/GLD/
Power-SMC：低延迟序列级功率采样用于训练自由LLM推理
机构 * University of Southern California（南加州大学） ； Intel Labs（英特尔实验室）
AI总结 本文提出Power-SMC，一种低延迟的序列级功率采样方法，用于训练自由的大语言模型推理，通过并行粒子集和重要权重修正提升推理效率。
联邦超维度计算用于资源受限工业物联网
机构 * Tampere University（塔尔皮奥大学） ； Tampere Institute for Advanced Study（塔尔皮奥高级研究 institute） ； Intel Corporation（英特尔公司）
AI总结 本文提出一种轻量级联邦超维度计算框架，用于解决工业物联网中内存、计算能力和无线带宽受限的问题，通过原型表示交换降低通信开销，实现快速收敛和高效协作学习。
Comments Submitted to the IEEE for possible publication
PAI：利用AI实现快速、准确且全面的基准性能预测
机构 * Texas A&M University（德克萨斯A&M大学） ； Intel Corporation（英特尔公司）
AI总结 本文提出PAI技术，通过层级LSTM模型预测完整基准性能，无需详细仿真或指令编码，实现快速准确的硬件软件功耗性能分析。
Search2Motion: 基于注意力-共识搜索的无训练物体级运动控制
机构 * Intel Corporation（英特尔公司）
AI总结 Search2Motion通过注意力-共识搜索实现无训练的物体级运动编辑，利用首尾帧运动先验保持场景稳定性，引入ACE-Seed策略提升运动保真度，提出新的评估指标验证其优越性。
Comments 14 pages, 9 figures
基于ODIN的CPU-GPU架构与回放驱动的仿真与仿真
机构 * Intel Corporation（英特尔公司） ； Intel Corporation/Nvidia Corp（英特尔公司/英伟达公司） ； Synopsys Inc（Synopsys公司）
AI总结 本文提出了一种基于ODIN芯片组架构的CPU-GPU架构，利用回放驱动的仿真与仿真方法，通过确定性波形捕获和回放，加速调试并提高集成信心，实现单季度内端到端系统启动和工作负载执行。
动态稀疏注意力：访问模式与架构
机构 * Intel Corporation（英特尔公司）
AI总结 本文研究动态稀疏注意力的访问模式问题，提出新的LL缓存预留系统和细粒度LRU淘汰策略，以提升不同架构下的服务效率。
PRISM：通过结构-序列多模态表示的细粒度检索增强蛋白质反向折叠
机构 * Carnegie Mellon University（卡内基梅隆大学） ； GenBio AI（基因组生物人工智能） ； Intel（英特尔）
AI总结 PRISM通过结构-序列多模态表示的细粒度检索提升蛋白质反向折叠性能，结合混合自交叉注意力解码器，实现更高效的序列生成与折叠预测。
Comments Published as a conference paper at International Conference on Learning Representation (ICLR) 2026
KernelFoundry: 带硬件意识的进化GPU内核优化
机构 * Intel Corporation（英特尔公司）
AI总结 KernelFoundry通过MAP-Elites搜索、元提示进化和模板参数优化，高效探索GPU内核设计空间，实现SYCL内核在KernelBench上的2.3倍加速。
TRIAGE: 通过概率-epistemic门控估计进行类型路由干预 在机器人操作和自适应感知中 -- 不要将所有不确定性视为相同
机构 * University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Intel Labs（英特尔实验室）
AI总结 TRIAGE通过分解不确定性为概率和epistemic组件，改进机器人操作和自适应感知的性能和效率。
LieCraft：一种用于评估语言模型欺骗能力的多智能体框架
机构 * Intel Labs（英特尔实验室）
AI总结 LieCraft通过多智能体隐藏角色游戏评估语言模型的欺骗能力，揭示所有模型在面对高风险领域时均倾向于不道德行为。
Comments AAAI 2026 Alignment track. Authors 1 and 2 contributed equally, 3 and 4 contributed equally, 6 and 7 and 8 contributed equally (ordered by last name)
一种用于延迟敏感应用高效交付的约束强化学习方法
机构 * NYU Wireless（纽约大学无线实验室） ； Intel Labs（英特尔实验室） ； Centre Tecnologic de Telecommunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心）
AI总结 本文提出了一种基于约束深度强化学习的方法，用于在严格延迟约束下实现低成本的数据包交付，确保高可靠性与效率。
Comments 7 pages, 4 figures, accepted for publication in 2025 59th Asilomar Conference on Signals, Systems, and Computers
大边距超维计算：一种学习理论视角
机构 * Tampere University（塔尔皮奥大学） ； Tampere Institute for Advanced Study（塔尔皮奥高级研究学院） ； Intel Corporation（英特尔公司）
AI总结 本文提出了一种基于最大边距的超维计算分类器，通过与支持向量机的联系，在多个基准数据集上超越基线方法，为资源受限应用提供更高效的解决方案。
Comments This work has been submitted to the IEEE for possible publication
思想图景：可视化大语言模型的推理过程
机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） ； Stanford University（斯坦福大学） ； Mila - Québec AI Institute（魁北克 AI 院） ； Université de Montréal（蒙特利尔大学） ； HEC Montréal（蒙特利尔 HEC 学院） ； Intel AI Lab（英特尔 AI 实验室）
AI总结 提出思想图景（LoT）可视化工具，用于分析大语言模型的推理轨迹，揭示推理模式并提升推理准确性。
Comments Accepted by ICLR 2026
ATLAS：基于人工智能的威胁到断言学习用于片上系统安全验证
机构 * Department of Electrical and Computer Engineering, University of Central Florida（电子与计算机工程系，中央佛罗里达大学） ； Intel Corporation（英特尔公司）
AI总结 ATLAS通过结合人工智能和形式验证技术，实现了基于漏洞知识的自动化SoC安全验证，提高了安全设计的可靠性。
Comments Accepted at the 63rd Design Automation Conference (DAC 2026), Long Beach, CA, USA (July, 2026)
MC-LLaVA：多概念个性化视觉-语言模型
机构 * Peking University（北京大学） ； Intel Labs, China（英特尔实验室，中国）
AI总结 MC-LLaVA通过多概念指令微调和个性化提示提升视觉-语言模型的多概念个性化能力。
SlimEdge: 基于性能和设备的分布式DNN在资源受限边缘硬件上的部署
机构 * Amrita Vishwa Vidyapeetham（阿姆里塔印度教学院） ； Intel Corporation（英特尔公司） ； Indian Institute of Science（印度科学研究院） ； Analog Devices, Inc.（模拟器件公司） ； Birla Institute of Technology and Science-Pilani, Dubai Campus（比拉技术科学学院-迪拜校区）
AI总结 SlimEdge通过结构化模型剪枝和多目标优化框架，在资源受限边缘硬件上实现高效分布式DNN部署，提升性能和故障容忍性。
联合时间序列链：在时间序列中检测异常演变趋势
机构 * Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系） ； TD Analytics and Technology Automation, Intel Corporation（英特尔公司技术分析与自动化部门）
AI总结 本文提出联合时间序列链方法，用于在中断或相关时间序列中检测异常演变趋势，并通过实验验证其有效性。
Journal ref In Proceedings of the 2022 SIAM International Conference on Data Mining (SDM)
RealHD：一个高质量数据集，用于鲁棒检测最新AI生成图像
机构 * Institute of Cyberspace Security, Zhejiang University of Technology（网络安全研究院，浙江工业大学） ； Intel Corporation（英特尔公司） ； College of Information Engineering, Zhejiang University of Technology（信息工程学院，浙江工业大学） ； Binjiang Institute of Artificial Intelligence, ZJUT（滨江人工智能研究所，浙江工业大学）
AI总结 RealHD数据集通过高质量图像和先进生成方法，提升AI生成图像检测的鲁棒性和泛化能力，并提出基于噪声熵的轻量级检测方法。
Comments Published in the Proceedings of the 33rd ACM International Conference on Multimedia (ACM MM 2025)
Journal ref Proceedings of the 33rd ACM International Conference on Multimedia (ACM MM 2025), 2025, pp. 11394--11403
基于图神经网络的按键识别
机构 * University of Colorado Boulder（科罗拉多大学波得罗尔分校） ； Intel Labs（英特尔实验室）
AI总结 本文提出GLEVR框架，通过构建图结构有效利用第一人称视频的长期依赖关系，实现细粒度按键识别，优于现有方法。
Journal ref Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops, 2025, pp. 7624-7633
EigenTrack：基于隐藏激活谱几何的特征追踪用于LLMs和VLMs中的幻觉和分布外检测
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Capital One AI Labs（Capital One AI实验室） ； Intel Labs（英特尔实验室）
AI总结 EigenTrack通过分析隐藏激活的谱几何，提供一种实时检测LLMs和VLMs中幻觉和分布外错误的可解释方法。
Comments 5 pages, submitted to ICASSP 2026, September 2025
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