Intel（英特尔）

FLAT-LLM: Fine-grained Low-rank Activation Space Transformation for Large Language Model Compression

FLAT-LLM: 细粒度低秩激活空间变换用于大语言模型压缩

Jiayi Tian, Ryan Solgi, Jinming Lu, Yifan Yang, Hai Li, Zheng Zhang

机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Intel Corporation（英特尔公司） 纠错

AI总结 FLAT-LLM通过细粒度低秩激活空间变换实现大语言模型的高效结构压缩，无需训练即可完成权重压缩和校准，提升推理效率与性能。

Is Your Paper Being Reviewed by an LLM? Benchmarking AI Text Detection in Peer Review

你的论文正在由LLM审查吗？同行评审中AI文本检测的基准测试

Sungduk Yu, Man Luo, Avinash Madasu, Vasudev Lal, Phillip Howard

机构 * Oracle AI ； Abridge ； Intel Labs（Intel实验室） ； Thoughtworks 纠错

AI总结 本文提出一个包含788,984篇AI与人类同行评审的综合数据集，评估18种AI文本检测算法的性能，并探索上下文感知的Anchor检测方法，揭示识别AI生成文本的困难。

Comments Accepted to ICLR 2026

Controlling Output Rankings in Generative Engines for LLM-based Search

在基于大语言模型的搜索生成引擎中控制输出排名

Haibo Jin, Ruoxi Chen, Peiyan Zhang, Yifeng Luo, Huimin Zeng, Man Luo, Haohan Wang

机构 * School of Information Sciences, University of Illinois at Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校信息科学学院） ； Independent Researcher, Starc Institute（Starc研究所独立研究者） ； Research Scientist, Intel Labs, Santa Clara, CA, USA（英特尔实验室研究科学家） 纠错

AI总结 CORE通过优化内容生成，提升基于LLM的搜索中小企业产品的可见性，实现高推广成功率。

Comments 23 pages

LogHD: Robust Compression of Hyperdimensional Classifiers via Logarithmic Class-Axis Reduction

通过逻辑类轴缩减实现超维分类器的鲁棒压缩

Sanggeon Yun, Hyunwoo Oh, Ryozo Masukawa, Pietro Mercati, Nathaniel D. Bastian, Mohsen Imani

机构 * Dept. of Computer Science University of California, Irvine（计算机科学系 加州大学伊维特分校） ； Intel Corporation（英特尔公司） ； Computer Science United States Military Academy（计算机科学 美国军事学院） 纠错

AI总结 LogHD通过逻辑类轴缩减实现超维分类器的鲁棒压缩，减少内存消耗并提升抗干扰能力。

Comments Accepted to DATE 2026

BenchPress: A Human-in-the-Loop Annotation System for Rapid Text-to-SQL Benchmark Curation

BenchPress：一种用于快速文本到SQL基准定制的人机协作标注系统

Fabian Wenz, Omar Bouattour, Devin Yang, Justin Choi, Cecil Gregg, Nesime Tatbul, Çağatay Demiralp

机构 * TU Munich（慕尼黑技术大学） ； MIT（麻省理工学院） ； Intel Labs（英特尔实验室） ； AWS AI Labs（亚马逊AI实验室） 纠错

AI总结 BenchPress通过人机协作系统加速特定领域文本到SQL基准的创建，结合LLM生成与人类验证提升标注准确性与基准可靠性。

Comments CIDR'26

Stronger-MAS: Multi-Agent Reinforcement Learning for Collaborative LLMs

Stronger-MAS: 多智能体强化学习用于协作大语言模型

Yujie Zhao, Lanxiang Hu, Yang Wang, Minmin Hou, Hao Zhang, Ke Ding, Jishen Zhao

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Intel Corporation（英特尔公司） 纠错

AI总结 Stronger-MAS提出了一种针对多智能体强化学习的AT-GRPO算法，通过改进的分组策略和训练系统，在多个任务中显著提升了大语言模型的性能。

One Model, Any Conjunctive Query: Graph Neural Networks for Answering Queries over Incomplete Knowledge Graphs

一个模型，任意联合查询：用于回答不完整知识图谱查询的图神经网络

Krzysztof Olejniczak, Xingyue Huang, Mikhail Galkin, İsmail İlkan Ceylan

机构 * University of Oxford（牛津大学） ； Intel AI（英特尔人工智能） ； TU Wien（维也纳技术大学） 纠错

AI总结 AnyCQ通过图神经网络和强化学习解决不完整知识图谱中任意联合查询的答案分类和检索问题，实现对复杂查询的泛化能力。

Comments Proceedings of the Fourth Learning on Graphs Conference (LoG 2025)

Dep-Search: Learning Dependency-Aware Reasoning Traces with Persistent Memory

Dep-Search: 基于持久记忆的学习依赖意识推理轨迹

Yanming Liu, Xinyue Peng, Zixuan Yan, Yanxin Shen, Wenjie Xu, Yuefeng Huang, Xinyi Wang, Jiannan Cao, Jianwei Yin, Xuhong Zhang

机构 * Zhejiang University（浙江大学） ； Intel Corporation（英特尔公司） ； Tsinghua University（清华大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 Dep-Search 通过 GRPO 集成结构化推理、检索和持久记忆，提升 LLM 处理复杂多跳推理任务的能力。

Comments Dep-Search 1st version

Pushing the Envelope of LLM Inference on AI-PC and Intel GPUs

推动AI-PC和英特尔GPU上LLM推理的边界

Evangelos Georganas, Dhiraj Kalamkar, Alexander Heinecke

机构 * Intel Corporation（英特尔公司） 纠错

AI总结 本文通过优化CPU和GPU上的低比特推理框架，实现了在AI-PC和英特尔Xe GPU上更高效的LLM推理，提升了端到端延迟和GEMM性能。

Local-to-Global Logical Explanations for Deep Vision Models

深度视觉模型的局部到全局逻辑解释

Bhavan Vasu, Giuseppe Raffa, Prasad Tadepalli

机构 * Oregon State University（俄勒冈州立大学） ； Intel Labs（英特尔实验室） 纠错

AI总结 本文提出了一种基于逻辑公式的方法，用于生成深度视觉模型的局部和全局解释，以提高模型的可解释性和透明度。

Comments 15 pages, 5 figures, 5th International Joint Conference on Learning & Reasoning 2025

Journal ref 5th International Joint Conference on Learning & Reasoning 2025

NoiseFormer -- Noise Diffused Symmetric Attention Transformer

NoiseFormer -- 噪声扩散对称注意力变换器

Phani Kumar, Nyshadham, Jyothendra Varma, Polisetty V R K, Aditya Rathore

机构 * Intel Corporation（英特尔公司） 纠错

AI总结 NoiseFormer通过引入噪声扩散对称注意力机制，在保持内存优势的同时提升模型准确性和推理效率。

Multi-User Personalisation in Human-Robot Interaction: Resolving Preference Conflicts Using Gradual Argumentation

人机交互中的多用户个性化：通过渐进论证解决偏好冲突

Aniol Civit, Antonio Andriella, Carles Sierra, Guillem Alenyà

机构 * Institut de Robòtica i Informàtica Industrial（机器人与信息技术研究所） ； CSIC-UPC（西班牙国家科研学院-巴塞罗那理工大学） ； Institut d’Investigació en Intel·ligència Artificial（人工智能研究所） ； IIIA-CSIC（人工智能研究所-西班牙国家科研学院） 纠错

AI总结 本文提出MUP-QBAF框架，通过渐进论证解决多用户人机交互中的偏好冲突，提供透明且情境敏感的冲突解决方法。

Comments Preprint submitted to a journal

KVCrush: Key value cache size-reduction using similarity in head-behaviour

KVCrush: 利用头部行为相似性进行键值缓存尺寸缩减

Gopi Krishna Jha, Sameh Gobriel, Liubov Talamanova, Nilesh Jain

机构 * Intel Corporation（英特尔公司） 纠错

AI总结 KVCrush通过利用头部行为相似性，减少KV缓存尺寸并提升模型精度，兼容多种实际部署方案。

Journal ref Proceedings of the 17th Asian Conference on Machine Learning (2025), PMLR

Mem-Rec: Memory Efficient Recommendation System using Alternative Representation

Mem-Rec: 基于替代表示的记忆高效推荐系统

Gopi Krishna Jha, Anthony Thomas, Nilesh Jain, Sameh Gobriel, Tajana Rosing, Ravi Iyer

机构 * Intel Labs（英特尔实验室） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 Mem-Rec通过替代表示方法减少推荐系统内存占用并提升嵌入效率。

Journal ref Proceedings of the 15th Asian Conference on Machine Learning (2023), PMLR 222:518-533

Hierarchy-Aware Fine-Tuning of Vision-Language Models

层级感知的视觉-语言模型微调

Jiayu Li, Rajesh Gangireddy, Samet Akcay, Wei Cheng, Juhua Hu

机构 * University of Washington（华盛顿大学） ； Intel（英特尔） 纠错

AI总结 本文提出一种高效的层级感知微调框架，通过结合树路径KL散度和层级兄弟平滑交叉熵，提升视觉-语言模型在结构化分类任务中的性能。

COBRA: Catastrophic Bit-flip Reliability Analysis of State-Space Models

COBRA：状态空间模型的灾难性位翻转可靠性分析

Sanjay Das, Swastik Bhattacharya, Shamik Kundu, Arnab Raha, Souvik Kundu, Kanad Basu

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Intel Corporation（英特尔公司） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

AI总结 COBRA研究发现基于Mamba的SSMs易受位翻转攻击影响，单个关键位翻转可导致模型性能灾难性下降。

Towards Efficient Real-Time Video Motion Transfer via Generative Time Series Modeling

通过生成时间序列建模实现高效的实时视频运动迁移

Tasmiah Haque, Md. Asif Bin Syed, Byungheon Jeong, Xue Bai, Sumit Mohan, Somdyuti Paul, Imtiaz Ahmed, Srinjoy Das

机构 * Coupa Software（Coupa软件） ； Intel Corporation（英特尔公司） 纠错

AI总结 本研究提出基于生成时间序列模型的实时视频运动迁移框架，通过关键点预测和光流模块实现高效低帧率视频传输，提升带宽效率与视频生成的可控性。

Tensor-Compressed and Fully-Quantized Training of Neural PDE Solvers

张量压缩与全量化训练的神经PDE求解器

Jinming Lu, Jiayi Tian, Yequan Zhao, Hai Li, Zheng Zhang

机构 * Intel Corporation（英特尔公司） 纠错

AI总结 本文提出了一种张量压缩与全量化训练框架，用于在边缘设备上高效求解偏微分方程，实现高精度与显著能效提升。

Comments DATE 2026

Low-Dimensional Structure in the Space of Language Representations is Reflected in Brain Responses

语言表示空间中的低维结构反映在脑响应中

Richard Antonello, Javier Turek, Vy Vo, Alexander Huth

机构 * UT Austin（德克萨斯大学） ； Intel Labs（英特尔实验室） 纠错

AI总结 研究揭示语言表示空间的低维结构，并通过fMRI验证其与大脑自然语言处理层次的关系。

Comments Accepted to the Advances in Neural Information Processing Systems 34 (2021) Revised to include voxel selection details

Harnessing Object Grounding for Time-Sensitive Video Understanding

利用物体接地提升时间敏感视频理解

Tz-Ying Wu, Sharath Nittur Sridhar, Subarna Tripathi

机构 * Intel（英特尔公司） 纠错

AI总结 本文提出 GO-Tokenizer 以提升视频大型语言模型的时间敏感视频理解能力，通过实时编码紧凑的物体信息，提高模型性能并减少噪声影响。

Comments Accepted to WACV 2026

Block Sparse Flash Attention

块稀疏Flash注意力

Daniel Ohayon, Itay Lamprecht, Itay Hubara, Israel Cohen, Daniel Soudry, Noam Elata

机构 * Technion -- Israel Institute of Technology, Haifa, Israel（技术离子-以色列理工学院, 海法, 以色列） ； Intel -- Habana Labs, Tel Aviv, Israel（英特尔 -- Habana实验室, 特拉维夫, 以色列） 纠错

AI总结 块稀疏Flash注意力通过精确计算查询-键相似性，提升长上下文推理效率并保持高准确性。

Comments 10 pages, 5 figures. Code: https://github.com/Danielohayon/Block-Sparse-Flash-Attention

The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning

MICCAI 2024 联邦肿瘤分割挑战：联邦学习中高效且稳健的权重聚合方法

Akis Linardos, Sarthak Pati, Ujjwal Baid, Brandon Edwards, Patrick Foley, Kevin Ta, Verena Chung, Micah Sheller, Muhammad Irfan Khan, Mojtaba Jafaritadi, Elina Kontio, Suleiman Khan, Leon Mächler, Ivan Ezhov, Suprosanna Shit, Johannes C. Paetzold, Gustav Grimberg, Manuel A. Nickel, David Naccache, Vasilis Siomos, Jonathan Passerat-Palmbach, Giacomo Tarroni, Daewoon Kim, Leonard L. Klausmann, Prashant Shah, Bjoern Menze, Dimitrios Makris, Spyridon Bakas

机构 * Department of Pathology and Laboratory Medicine, Indiana University School of Medicine（印第安纳大学医学院病理学与实验室医学系） ； Center for Federated Learning in Medicine, Indiana University School of Medicine（印第安纳大学医学院医学联邦学习中心） ； Medical AI Group, MLCommons（MLCommons医学人工智能小组） ； Intel Corporation（英特尔公司） ； Sage Bionetworks（Sage生物网络） ； Turku University of Applied Sciences（图尔库应用科学大学） ； Stanford University（斯坦福大学） ； Ecole Normale Supérieure（巴黎高等师范大学） ； Technical University of Munich（慕尼黑技术大学） ； Weill Cornell Medicine（韦尔医学院） ； Ezri AI Labs（Ezri AI实验室） ； City St George’s, University of London（伦敦大学城市学院） ； Imperial College London（伦敦帝国学院） ； Seoul National University（首尔国立大学） ； Ostbayerische Technische Hochschule (OTH) Regensburg（雷根斯堡应用技术大学） ； Universität Zürich（苏黎世大学） ； Kingston University London（伦敦金史密斯学院） ； Departments of Radiology and Imaging Sciences（印第安纳大学医学院放射学与影像科学系；神经外科系；生物统计学与健康数据科学系） ； Neurological Surgery（印第安纳大学计算机科学系；Luddy信息学、计算与工程学院） ； Biostatistics and Health Data Science, Indiana University School of Medicine ； Department of Computer Science, Luddy School of Informatics, Computing and Engineering, Indiana University 纠错

AI总结 MICCAI 2024挑战提出基于PID控制器的联邦学习方法，提升肿瘤分割的鲁棒性和效率，实现高DSC和低HD95的优异性能。

Comments Published at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:033

Journal ref Machine.Learning.for.Biomedical.Imaging. 3 (2025)

Autonomous Reinforcement Learning Robot Control with Intel's Loihi 2 Neuromorphic Hardware

自主强化学习机器人控制与英特尔Loihi 2神经形态硬件

Kenneth Stewart, Roxana Leontie, Samantha Chapin, Joe Hays, Sumit Bam Shrestha, Carl Glen Henshaw

机构 * U.S. Naval Research Laboratory Naval（美国海军研究实验室） ； Intel Labs（英特尔实验室） 纠错

AI总结 本文提出将强化学习策略转换为神经形态硬件的端到端流程，用于实现低功耗的机器人控制。

Comments Submitted for review at NICE 2026 (Neuro-Inspired Computational Elements) conference

Think Before You Prune: Self-Reflective Structured Pruning for Reasoning Language Models

在行动前剪枝：面向推理语言模型的自反思结构剪枝

Ziyan Wang, Enmao Diao, Qi Le, Pu Wang, Guanchu Wang, Minwoo Lee, Shu-ping Yeh, Li Yang

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

AI总结 RESP通过自反思结构化剪枝框架，在保持推理连贯性的同时显著提升稀疏度下的性能

Comments 7 pages, 3 figures

Pushing the Limits of Sparsity: A Bag of Tricks for Extreme Pruning

推动稀疏性的极限：用于极端剪枝的技巧集合

Andy Li, Aiden Durrant, Milan Markovic, Tianjin Huang, Souvik Kundu, Tianlong Chen, Lu Yin, Georgios Leontidis

机构 * Department of Computing Science University of Aberdeen, UK（计算科学系阿伯丁大学，英国） ； Department of Computing Science & Interdisciplinary Institute University of Aberdeen, UK（计算科学系与跨学科研究所阿伯丁大学，英国） ； Department of Computer Science University of Exeter, UK（计算机科学系埃克塞特大学，英国） ； Intel Labs, USA（英特尔实验室，美国） ； Department of Computer Science University of North Carolina at Chapel Hill, US（计算机科学系北卡罗来纳大学教堂山分校，美国） ； School of Computer Science and Electronic Engineering University of Surrey, UK（计算机科学与电子工程学院 Surrey大学，英国） 纠错

AI总结 本文提出EAST方法，通过动态ReLU相位、权重共享和循环稀疏性技术，在极端稀疏性下实现稳定训练和性能提升。

Comments V4: moderate revisions and overall improvements for journal camera ready submission

Journal ref TMLR 11/2025 (https://openreview.net/pdf?id=XX9JdOJD8R)

EDIT: Early Diffusion Inference Termination for dLLMs Based on Dynamics of Training Gradients

EDIT：基于训练梯度动态的早期扩散推理终止用于dLLMs

He-Yen Hsieh, Hong Wang, H. T. Kung

机构 * CISPA ； Harvard University（哈佛大学） ； Intel Corporation（英特尔公司） 纠错

AI总结 EDIT通过利用训练梯度动态，在保持准确性的同时减少dLLM推理步骤，提升效率。

Comments 22 pages, 11 figures

Tensor-Parallelism with Partially Synchronized Activations

具有部分同步激活的张量并行

Itay Lamprecht, Asaf Karnieli, Yair Hanani, Niv Giladi, Daniel Soudry

机构 * Intel, Israel（英特尔（以色列）） ； Department of Electrical and Computer Engineering - Technion, Haifa, Israel（技术学院电子与计算机工程系（海法，以色列）） ； AWS AI Labs（亚马逊AWS人工智能实验室） 纠错

AI总结 CAAT-Net通过部分同步激活减少张量并行通信，提升LLM训练和推断效率

SafeCiM: Investigating Resilience of Hybrid Floating-Point Compute-in-Memory Deep Learning Accelerators

SafeCiM: 探究混合浮点计算内存深度学习加速器的鲁棒性

Swastik Bhattacharya, Sanjay Das, Anand Menon, Shamik Kundu, Arnab Raha, Kanad Basu

机构 * Department of Electrical and Computer Engineering, University of Texas at Dallas（得克萨斯大学达拉斯分校电气与计算机工程系） ； Advanced Architecture Research Group at Intel Corporation（英特尔公司先进架构研究组） ； Department of Electrical, Computer and Systems Engineering, Rensselaer Polytechnic Institute（拉特格斯理工学院电气、计算机与系统工程系） 纠错

AI总结 SafeCiM通过引入位翻转故障分析，提升了混合浮点计算内存加速器在硬件故障下的鲁棒性，显著降低了LLM推理准确性下降的风险。

PerfMamba: Performance Analysis and Pruning of Selective State Space Models

PerfMamba：选择性状态空间模型的性能分析与剪枝

Abdullah Al Asif, Mobina Kashaniyan, Sixing Yu, Juan Pablo Muñoz, Ali Jannesari

机构 * Iowa State University（爱荷华州立大学） ； Intel Labs（英特尔实验室） 纠错

AI总结 PerfMamba通过分析选择性状态空间模型的性能，提出了一种剪枝技术，有效提升模型效率，减少内存使用并加快处理速度。

Comments Accepted in Bench 2025

OuroMamba: A Data-Free Quantization Framework for Vision Mamba

OuroMamba：一种无需数据的视觉Mamba量化框架

Akshat Ramachandran, Mingyu Lee, Huan Xu, Souvik Kundu, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Intel Labs（英特尔实验室） 纠错

AI总结 OuroMamba提出一种无需数据的视觉Mamba量化方法，通过生成语义丰富的合成数据和混合精度量化技术，实现高效的模型压缩与性能提升。

Comments Accepted to ICCV 2025