图像生成

FlashMol: High-Quality Molecule Generation in as Few as Four Steps

FlashMol：在四步内生成高质量分子构象

Xinyuan Wei, Zian Li, Shaoheng Yan, Cai Zhou, Muhan Zhang

机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Yuanpei College, Peking University（北京大学元培学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 FlashMol通过改进分布匹配蒸馏方法，在四步内生成高质量分子构象，实验表明其在速度和质量上优于传统模型。

Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting

Tyche：一步流用于高效的概率天气预报

Fan Xu, Yuan Gao, Kun Wang, Rui Su, Fenghua Ling, Hao Wu, Wanli Ouyang

机构 * Shanghai AI Lab（上海人工智能实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 Tyche提出一种一步条件流模型，通过JVP正则化目标和Swin式变换器，在高维地理场中实现高效概率天气预报，实验显示其性能优于多步生成基线和ECMWF IFS集合预报。

Photonic-Implemented Efficient Deep Quantum Neural Network via Virtual-Driven Hilbert Space Expansion

光子实现的高效深度量子神经网络通过虚拟驱动的希尔伯特空间扩展

Haoran Ma, Huihui Zhu, Zichao Zhao, Qishen Liang, Liao Ye, Baojie Hou, Jia Guo, Leong Chuan Kwek, Mile Gu, Jayne Thompson, Wei Luo, Yuehai Wang, Jianyi Yang

专题命中 效率与蒸馏 ：image generation(abstract)

AI总结 本文提出一种基于光子的深度量子神经网络，通过输入复制和模式扩展实现希尔伯特空间扩展，有效实现非单位ary和非线性激活功能，降低资源消耗，适用于多种任务。

Comments 14 pages, 5 figures

Variational Smoothing and Inference for SDEs from Sparse Data with Dynamic Neural Flows

变分平滑与SDEs从稀疏数据中推断的动态神经流

Yu Wang, Arnab Ganguly

机构 * Department of Mathematics（数学系） ； Louisiana State University（路易斯安那州立大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于动态神经流的变分平滑方法，通过条件后向时间分数建模SDEs，实现高效轨迹采样和参数估计，实验表明在非线性系统中具有更高的可扩展性。

Comments Yu Wang and Arnab Ganguly contributed equally to this work. Corresponding to Arnab Ganguly

Quant VideoGen: Auto-Regressive Long Video Generation via 2-Bit KV-Cache Quantization

Quant VideoGen：通过2位KV缓存量化实现自回归长视频生成

Haocheng Xi, Shuo Yang, Yilong Zhao, Muyang Li, Han Cai, Xingyang Li, Yujun Lin, Zhuoyang Zhang, Jintao Zhang, Xiuyu Li, Zhiying Xu, Jun Wu, Chenfeng Xu, Ion Stoica, Song Han, Kurt Keutzer

机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon（亚马逊） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出Quant VideoGen，通过语义感知平滑和渐进残差量化技术，有效降低KV缓存内存消耗，提升长视频生成质量与效率。

Comments Accepted by ICML 2026. 11 pages, 7 figures

Fast Text-to-Audio Generation with One-Step Sampling via Energy-Scoring and Auxiliary Contextual Representation Distillation

通过能量评分与辅助上下文表示蒸馏实现一步文本到音频生成

Kuan-Po Huang, Bo-Ru Lu, Byeonggeun Kim, Mihee Lee, Zalan Fabian, Renard Korzeniowski, Qingming Tang, Greg Ver Steeg, Hung-yi Lee, Chieh-Chi Kao, Chao Wang

机构 * National Taiwan University（国立台湾大学） ； Amazon AGI（亚马逊人工智能实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出了一种结合能量距离训练和表示层蒸馏的一步采样框架，有效提升了文本到音频生成的速度与质量，在AudioCaps基准上优于现有方法，达到与多步采样扩散模型相当的性能。

Riemannian MeanFlow

Riemannian MeanFlow：在流形上直接学习流映射的高效生成框架

Dongyeop Woo, Marta Skreta, Seonghyun Park, Kirill Neklyudov, Sungsoo Ahn

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 Riemannian MeanFlow在流形上直接学习流映射，通过单次前向传递实现高质量生成，相比传统方法减少10倍的函数评估次数，并通过奖励预览实现高效奖励引导设计。

A Randomized PDE Energy driven Iterative Framework for Efficient and Stable PDE Solutions

一种基于随机PDE能量的迭代框架，用于高效稳定的PDE求解

Yi Bing, Zheng Ran, Fu Jinyang, Liu Long, Peng Xiang

机构 * School of Traffic and Transportation Engineering, Central South University（中南大学交通与运输工程学院） ； School of Civil Engineering, Central South University（中南大学土木工程学院） ； National Engineering Research Center of High-speed Railway Construction Technology（高速铁路建设技术国家工程研究中心） ； School of Urban Construction and Transportation, Hefei University（合肥大学城市建设与交通学院） ； College of Mechanical Engineering, Zhejiang University of Technology（浙江工业大学机械工程学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出了一种基于PDE能量驱动的迭代框架，通过物理约束的扩散迭代和高斯平滑解决PDE问题，无需传统矩阵有限元组装或数据驱动神经网络训练，实现了高效稳定的求解。

Suiren-1.0 Technical Report: A Family of Molecular Foundation Models

苏iren-1.0技术报告：分子基础模型家族

Junyi An, Xinyu Lu, Yun-Fei Shi, Li-Cheng Xu, Nannan Zhang, Chao Qu, Yuan Qi, Fenglei Cao

机构 * Shanghai Academy of AI for Science (SAIS)（上海人工智能科学研究院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 苏iren-1.0通过结合3D构象几何与2D统计集合空间，提出分子基础模型家族，包含Suiren-Base、Suiren-Dimer和Suiren-ConfAvg三种变体，实现量子属性预测和分子表示学习的先进方法。

Comments 24 pages,5 figures

Characterizing Vision-Language-Action Models across XPUs: Constraints and Acceleration for On-Robot Deployment

跨XPUs的视觉-语言-动作模型特性分析：约束与加速以实现机器人部署

Kaijun Zhou, Qiwei Chen, Da Peng, Zhiyang Li, Xijun Li, Jinyu Gu

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了视觉-语言-动作模型在机器人上的部署问题，通过模型与硬件的协同分析，揭示了边缘加速器在成本、能耗和时间上的优化潜力，并提出DP-Cache和V-AEFusion方法提升性能。

Comments 13 pages

FASTER: Value-Guided Sampling for Fast RL

FASTER：基于价值引导的快速强化学习采样

Perry Dong, Alexander Swerdlow, Dorsa Sadigh, Chelsea Finn

机构 * Stanford University（斯坦福大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 FASTER通过建模去噪过程中的动作候选过滤作为马尔可夫决策过程，提升采样测试时间缩放的效率，减少计算成本并提高性能。

LoRaQ: Optimized Low Rank Approximation for 4-bit Quantization

LoRaQ：面向4位量化优化的低秩近似

Yann Bouquet, Alireza Khodamoradi, Sophie Yáng Shen, Kristof Denolf, Mathieu Salzmann

机构 * Computer Vision Laboratory, Ecole Polytechnique Fédérale de Lausanne, Lausanne, Switzerland（瑞士洛桑联邦理工学院计算机视觉实验室） ； Research and Advancement Development Team, Advanced Micro Devices, Inc, USA（美国高级微器件公司研发与进步发展团队） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 LoRaQ通过简化校准方法，实现了无需高精度分支的4位量化优化，首次提出全子16位流水线，提升Pixart-$Σ$和SANA模型性能。

Efficient and well-conditioned ghost-point discretization of boundary operators on unfitted domains

高效且条件良好的边界算子鬼点离散化方法用于不匹配领域

Armando Coco, Alessandro Coclite, Stéphane Clain, Rui Miguel Pereira

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于紧凑 stencil 的鬼点离散化方法，通过边界算子局部近似边界条件，提升计算效率和线性系统条件数。

Mixed-Density Diffuser: Efficient Planning with Non-Uniform Temporal Resolution

混合密度扩散器：非均匀时间分辨率下的高效规划

Crimson Stambaugh, Rajesh P. N. Rao

机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, USA（保罗·G·艾伦计算机科学与工程学院，华盛顿大学，西雅图，美国） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出混合密度扩散器，通过可调超参数实现规划时间分辨率的非均匀分布，提升在D4RL任务中的规划效率与性能。

Comments European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN, 2026)

A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations

一种基于知识蒸馏的轻量级通用机器学习互作用势用于可扩展的原子模拟

Sangmin Oh, Jinmu You, Jaesun Kim, Jiho Lee, Hyungmin An, Seungwu Han, Youngho Kang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出SevenNet-Nano，一种基于图神经网络的轻量级通用机器学习互作用势，通过知识蒸馏框架实现高精度和强泛化能力，显著降低计算成本，适用于大规模原子模拟。

BézierFlow: Learning Bézier Stochastic Interpolant Schedulers for Few-Step Generation

BézierFlow：学习Bézier随机插值调度器用于少步生成

Yunhong Min, Juil Koo, Seungwoo Yoo, Minhyuk Sung

机构 * KAIST（韩国科学技术院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 BézierFlow通过学习Bézier随机插值调度器，实现少步生成的性能提升，采用轻量训练方法，在10次NFE内提升2-3倍性能，且训练时间仅需15分钟。

Comments ICLR 2026, Project page: https://bezierflow.github.io

Truncated Rectified Flow Policy for Reinforcement Learning with One-Step Sampling

截断修正流策略用于具有一步采样的强化学习

Xubin Zhou, Yipeng Yang, Zhan Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出TRFP框架，通过混合确定性-随机性架构解决MaxEnt RL中连续时间生成策略的可微性问题，实现稳定训练和有效一步采样，实验表明其在多目标环境和MuJoCo基准中表现优异。

Equivariant Efficient Joint Discrete and Continuous MeanFlow for Molecular Graph Generation

等变高效联合离散和连续均值流用于分子图生成

Rongjian Xu, Teng Pang, Zhiqiang Dong, Guoqiang Wu

机构 * School of Software, Shandong University（山东大学软件学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出EQUIMF框架，通过同步MeanFlow动态联合建模离散和连续成分，实现高效生成并保持物理一致性，优于现有扩散和流匹配方法。

Value-Guidance MeanFlow for Offline Multi-Agent Reinforcement Learning

基于价值引导的MeanFlow多智能体强化学习

Teng Pang, Zhiqiang Dong, Yan Zhang, Rongjian Xu, Guoqiang Wu, Yilong Yin

机构 * School of Software, Shandong University（山东大学软件学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出VGM$^2$P框架，通过全局优势值引导智能体协作，利用分类器自由引导MeanFlow提升策略表达与推理效率，实验证明其在离线多智能体强化学习中性能优异。

Near 13% efficient semitransparent Cu(In,Ga)S2 solar cells with band gap of 1.6 eV on transparent back contact

近13%效率的半透明Cu(In,Ga)S2太阳能电池，带隙为1.6 eV，采用透明背接触

Kulwinder Kaur, Arivazhagan Valluvar Oli, Michele Melchiorre, Wolfram Hempel, Wolfram Witte, Jan Keller, Susanne Siebentritt

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究了采用In2O3:Sn（ITO）作为透明背接触的宽带隙Cu(In,Ga)S2太阳能电池，探讨了Na对性能的影响，并实现了12.7%效率的半透明太阳能电池，带隙为1.6 eV。

QuantVLA: Scale-Calibrated Post-Training Quantization for Vision-Language-Action Models

QuantVLA: 用于视觉-语言-动作模型的可扩展后训练量化

Jingxuan Zhang, Yunta Hsieh, Zhongwei Wan, Haokun Lin, Xin Wang, Ziqi Wang, Yingtie Lei, Mi Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； University of Michigan（密歇根大学） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 QuantVLA是一种无需训练的后训练量化框架，首次应用于视觉-语言-动作系统，并成功量化了扩散变换器（DiT）动作头，通过三种可扩展组件实现了高效的低比特量化，显著提升任务成功率并降低内存消耗。

Comments CVPR2026

DreamerAD: Efficient Reinforcement Learning via Latent World Model for Autonomous Driving

DreamerAD：通过潜在世界模型实现高效的强化学习用于自动驾驶

Pengxuan Yang, Yupeng Zheng, Deheng Qian, Zebin Xing, Qichao Zhang, Linbo Wang, Yichen Zhang, Shaoyu Guo, Zhongpu Xia, Qiang Chen, Junyu Han, Lingyun Xu, Yifeng Pan, Dongbin Zhao

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd（重庆长安科技有限公司） ； School of Advanced Interdisciplinary Sciences, UCAS（中国科学院大学先进交叉科学学院） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 DreamerAD通过压缩扩散采样将步骤从100步减少到1步，实现80倍加速并保持视觉可解释性，解决了自动驾驶中真实世界数据训练成本高和安全风险大的问题。

Comments authors update

SetONet: A Set-Based Operator Network for Solving PDEs with Variable-Input Sampling

SetONet：一种基于集合的运算网络，用于通过变量输入采样求解偏微分方程

Stepan Tretiakov, Xingjian Li, Krishna Kumar

机构 * organization= Maseeh Department of Civil, Architectural ； Environmental Engineering , addressline= University of Texas at Austin , city= Austin , postcode= 78712 , state= TX , country= USA ； organization= Oden Institute for Computational Engineering ； Sciences , addressline= University of Texas at Austin , city= Austin , postcode= 78712 , state= TX , country= USA 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 SetONet通过将运算输入重构为无序坐标-值观测集，解决了传统神经运算代理对固定传感器布局的依赖问题，提出SetONet-Key通过可学习查询令牌和位置-only键路径解耦采样几何与传感器值，适用于固定和变量布局及传感器丢失场景。

Total Variation Guarantees for Sampling with Stochastic Localization

总变分保证的随机定位采样

Jakob Kellermann

机构 * Weierstrass Institute Berlin（柏林魏尔斯特拉斯研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出通过总变分距离保证SLIPS算法的收敛性，证明其在最小假设下所需步骤数与维度线性相关，揭示了离散化点选择的理论依据。

Comments 12 pages main body, 13 pages Appendix

Derivation of the injection spectrum of positrons and electrons from Geminga and Monogem

从Geminga和Monogem推导出正电子和电子的注入光谱

Qian Zhong

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文通过分析Geminga和Monogem脉冲星的晕区域，结合GeV-TeVγ射线观测，推导出正电子和电子的注入光谱，发现硬谱和截止能量在10^5-10^6 GeV范围内，对AMS-02测量的宇宙射线正电子通量有抑制作用。

Comments 16 pages, 3 figures, 1 table

Shifted Composition IV: Toward Ballistic Acceleration for Log-Concave Sampling

移位组合 IV：迈向log-凹采样中的弹道加速

Jason M. Altschuler, Sinho Chewi, Matthew S. Zhang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于耦合的局部误差框架，分析Underdamped Langevin动力学及其数值离散化在KL散度中的表现，实现了log-凹采样中的弹道加速，首次获得与条件数子线性相关的采样复杂度。

Comments v3: amending minor typos

Liquid Networks with Mixture Density Heads for Efficient Imitation Learning

具有混合密度头的液体网络用于高效模仿学习

Nikolaus Correll

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文比较了具有混合密度头的液体网络与扩散策略在多个任务中的性能，发现液体网络参数更少、预测误差更低且推理更快，且在样本效率实验中表现更稳健。

Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning

自适应T-PaiNN：通过经典到量子迁移学习实现数据高效的GNN互原子势开发

Vivienne Pelletier, Vedant Bhat, Daniel J. Rivera, Steven A. Wilson, Christopher L. Muhich

机构 * Materials Science & Engineering, School for the Engineering of Matter, Transport, & Energy, Arizona State University（材料科学与工程系，物质、传输与能源工程学院，亚利桑那州立大学） ； Chemical Engineering, School for the Engineering of Matter, Transport, & Energy, Arizona State University（化学工程系，物质、传输与能源工程学院，亚利桑那州立大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出T-PaiNN框架，利用经典力场数据提升GNN-MLIP的数据效率，通过预训练和微调实现量子精度，显著降低误差并加速训练。

Comments 19 pages, 7 figures

Accelerated Parallel Tempering via Neural Transports

加速的神经传输并行退火

Leo Zhang, Peter Potaptchik, Jiajun He, Yuanqi Du, Arnaud Doucet, Francisco Vargas, Hai-Dang Dau, Saifuddin Syed

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； National University of Singapore（新加坡国立大学） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出利用神经采样器加速并行退火，通过减少相邻分布间的重叠需求，提升多模态采样效率并降低计算成本。

Comments Camera-ready version for ICLR 2026

Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation

基于球面谐波的高效混合SE(3)-等变视觉运动流策略用于机器人操作

Qinglun Zhang, Shen Cheng, Tian Dan, Haoqiang Fan, Guanghui Liu, Shuaicheng Liu

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Dexmal 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出E3Flow框架，通过球面谐波表示实现高效且稳定的多模态等变学习，提升机器人操作的性能、效率和数据效率。

Comments Accepted by CVPR 2026