SVD-Prune:极端压缩下的谱域视觉 Token 剪枝方法
针对视觉语言模型处理大量视觉 Token 带来的计算瓶颈,本文提出 SVD-Prune,一种无需训练的框架,利用奇异值分解和统计杠杆分数保留视觉表示的主低秩结构。
针对视觉语言模型处理大量视觉 Token 带来的计算瓶颈,本文提出 SVD-Prune,一种无需训练的框架,利用奇异值分解和统计杠杆分数保留视觉表示的主低秩结构。
针对扩散驱动视觉语言动作模型(Diffusion driving VLAs)在每个去噪阶段重复执行骨干网络导致的高推理成本问题,本文提出一种场景自适应读出与解码框架。
推荐理由:提出场景自适应读出与解码框架,在 Waymo E2E 基准上推理加速最高达 6.0 倍,同时提升轨迹预测质量。
HydroReasoner 基于 Qwen2.5-VL 构建,通过引入 HydroKG 知识图谱路径奖励机制,显著提升了洪水检测的可解释性与泛化能力。在边缘端应用 4-bit 量化后,GPU 显存占用降低 57%、推理延迟减少 43%,域外准确率仅下降 0.2 个百分点。
该论文提出了 Control AI 架构,这是一种受生物智能预测 - 评估 - 修正过程启发的在线主动学习(OAL)框架。系统结合深度神经网络的层级表征能力与自适应控制的实时误差反馈机制,通过预测模型、可选的潜在模型及重建模型处理感官输入与状态映射。
论文提出 dKV Forcing 方法,旨在预训练因果视频生成器中从共享骨干网络学习专用的记忆表示。该方法利用未来读取来训练写入特定的低秩残差,将记忆写入与生成过程分离。
推荐理由:提出 dKV Forcing 方法,通过可微缓存分离生成与记忆表示,在降低显存和训练周期的同时提升长视频生成的美学质量。
该研究量化了由 GPT-6-Astra、RPent 和 pi0.5 生成的 80 个 LIBERO-PRO 任务集的工作负载,发现视觉语言大脑的长上下文 KV 缓存会挤占动作策略的执行资源。在 H800 GPU 上,静态并发上限可将吞吐量从约 2.4 提升至 5.00-5.55 任务/分钟,并满足严格的动作截止时间要求。
推荐理由:论文量化了多机器人集群中视觉语言大脑与动作策略的并发资源冲突,提出基于工作负载特征的准入控制原则。
该论文总结了 Mobile AI 2026 挑战赛,旨在解决移动端摄影中基于合成噪声训练模型计算量过大且难以在移动设备上处理全分辨率图像的问题。挑战要求参赛者在高通骁龙和联发科芯片上设计快速去噪方案。
该论文总结了 Mobile AI 2026 挑战赛的结果,旨在解决移动设备上高效将全高清图像放大至 4K 分辨率的问题。参赛团队针对高通骁龙 8 Elite Gen 5 NPU 和联发科 Dimensity 9500 NPU 分别设计了 INT8 量化与浮点解决方案。
作者报告了 MiniMax H3(20.38B 参数)完全在 Apple Silicon M5 Pro 和 64GB 统一内存上本地运行的端到端部署与测量结果。
针对有限预算下的中间推理转化难题,研究在适配多摄像头驾驶问答的 Ornith 检查点上应用可验证奖励微调。实验显示,在 256 token 限制下,GRPO 将答案提取率从 78.25% 提升至 90.25%,准确率由 55.50% 增至 63.75%;而在 512 token 条件下检查点验证重建的首次通过率增益仅为 0.75 个百分点。
针对现有基准多为车载或航拍且缺乏街道家具标注的问题,本文发布 ROD-Dataset,包含逾 2.4 万张图像和 4 万个标注障碍物,涵盖车辆、行人及台阶、井盖等 25 类物体。
针对多图像视觉语言模型处理长序列时的计算开销问题,论文提出免训练的单次遍历框架 SIEVE。该方法先将每幅图像池化为紧凑空间网格以降低早期处理成本,随后利用提示注意力在等配额下逐步选择代表并聚合未选令牌,确保每幅图像均有独立表征且保留跨图像互补证据。
针对大视觉语言模型推理中冗余视觉 Token 导致计算量大的问题,本文提出 CausalPrune 框架。该方法将推理建模为结构因果模型,引入因果 Token 重要性评分(CTIS)来估计干预每个视觉 Token 的平均处理效应,并利用后门调整缓解跨模态混淆。
推荐理由:提出基于反事实因果的视觉 Token 剪枝框架,通过结构化因果模型区分关键与虚假关联 Token,在降低计算量的同时保持多模态性能。
论文提出 SparseWAM,旨在解决基于视频生成器的世界动作模型(WAMs)推理延迟高及丢弃世界分支的问题。该方法将冻结的 DINOv2 特征压缩至每帧仅 16 个稀疏 Token 的注册空间,利用联合规划与评分预训练集中决策相关信息,并采用解耦模态的混合 Transformer 架构保留显式的“想象后行动”推理能力。
针对全球超 22 亿视障人士及分心行人的双重挑战,该研究提出基于 Kotlin 的 Android 应用,利用经剪枝、量化和早退分支优化的 YOLOv8 检测器,在中等配置手机上将推理延迟从 3.2 秒降至 0.42-0.48 秒并保持 0.81 召回率。
该论文在 Jetson AGX Thor 和 Orin 平台上对九款不同架构的视觉语言模型进行了持续感知场景下的能耗剖析(共 4508 条记录)。研究发现,每输出 token 的解码成本随模型规模单调增长,而视觉预填充(图像编码)成本主要由视觉编码器架构效率主导而非规模。
SPAR(Selective Positional Allocation and Retrieval)通过可分配的位置先验资源,在语义关键区域增强信号并抑制场景杂乱干扰。
Edge-Optimized YOLOv11n 架构在内存仅 1GB 至 4GB 的本地手机上实现了尼日利亚手语字母数字手势的实时离线识别。该研究基于包含 11,208 张图像的基准数据集,在物理 Android 硬件上测得推理延迟为 405.5ms 至 1759.4ms。系统通过 CameraX 移动应用捕获手势并即时显示文本结果,测试集精度达 0.9975、召回率达 0.9991。
论文提出 CARe 方法,通过引入由目标特征二阶矩诱导的马氏距离几何来替代传统的余弦相似度评分,解决各向异性特征分布下高方差方向主导评分的问题。理论证明在共享协方差的 Gaussian 模型下,该方法与贝叶斯最优线性判别一致,且在特征各向异性显著时增益最大。实验显示 CARe 在标准及细粒度分布偏移基准上均优于基线余弦评分,且效果随特征各向异性增强而提升。
推荐理由:针对测试时适应中各向异性特征分布的局限,提出基于协方差的几何修正方法 CARe 以替代余弦相似度评分。
TeleAI 隐私摄像头基于智传网(AI Flow)架构,在不存储、不传输原始画面前提下识别打架跌倒等异常并推送文字预警。该产品于 2026 年 2 月推出,已装进公共卫生间,老人跌倒时 5 秒内告警家人。TeleAI 智慧看护助手采用烟感报警器外观,面向养老校园医院场景实现一站式部署。
Orilo 发布语音优先个人智能体,通过前端轻量模型与后端高推理 Agent 的双层架构解决延迟难题。实测在 Full-Duplex-Bench 测评中打断重开速度达 1.08 秒,优于 GPT Realtime(1.50 秒)和 Gemini Live(2.62 秒)。该产品由百川智能联合创始人焦可团队打造,旨在以自然语音交互重塑人机关系。
2025 年初比亚迪开启智驾平权后,智能座舱因端侧模型迭代快与硬件定型导致算力固化而陷入困境。面壁智能联合梧桐科技、英特尔打造的 AI Box 作为可插拔独立模块,已在长安深蓝 L06 实现前装量产并搭载 4B VLM 模型。该方案通过 OTA 升级解决算力供给滞后问题,推动行业从比拼纸面参数转向“智能密度”竞争,让持续进化的座舱智能下探至更多车型。
宾夕法尼亚大学工程师开发出名为“快速特征场”(Fast Feature Field,简称 F3)的通用计算工具,旨在解决事件相机数据处理难的问题。该工具能将事件相机每秒产生的数千万个信号转化为各类机器人可用的数据信息,有望在自动驾驶汽车、无人机等平台上广泛应用,显著提升机器人在多种光照条件下识别物体、估算距离以及感知运动的能力。相关成果已发表在期刊《科学 - 机器人学》上。
推荐理由:宾夕法尼亚大学推出通用计算工具F3,将事件相机数据转化为机器人可用信息,有望提升多光照条件下的感知能力。
安谋科技在WTCC 2026上发布“极术社区”新成果:面向小型具身设备的开源AIOS平台JishuFriends及其原型机机器狗Puppy,以及面向Agentic AI的新一代硬件开发工具JishuBuddy。
论文提出 PixelMoE,一种利用标准 Token-Choice 路由和细粒度路由专家进行输入自适应稀疏计算的像素空间生成框架。该方法结合共享专家捕捉通用表示及基于偏置的负载均衡策略,并引入像素空间分层流匹配以在去噪轨迹中调整空间分辨率。
论文提出抛物线位置编码(PaPE),旨在解决将语言领域 1D 序列的位置编码扩展至视觉 nD 结构时未能充分考量视觉特性的问题。该方法基于平移不变性、旋转不变性等原则设计,在 ImageNet-1K 的外推实验中表现优异,绝对提升最高达 10.5;跨 8 个数据集的通用性实验显示,PaPE 在 5 个数据集中匹配最佳基线并在 2 个数据集中超越所有基线。代码已开源。
针对机器视觉应用激增,现有研究常忽视不同特征层对下游任务贡献不均的问题,IGDA-ICMH 框架基于隐式神经表示架构,通过低秩适配策略选择性调整关键网络层并探索特征非局部性。在图像分类与目标检测等代表性机器视觉任务上的广泛实验表明,该框架性能显著优于现有的基于隐式神经表示的 ICMH 方法。
CAMEL 提出一种利用非对称掩码策略进行知识蒸馏的框架,将大规模教师模型能力迁移至紧凑学生模型。在四个数据集上的实验表明,该方法在保持精度的同时大幅降低计算复杂度,适用于资源受限的临床环境。该工作为预印本(arXiv),旨在解决视网膜影像分析中高性能与临床可扩展性之间的差距。
论文介绍 FoAViS 系统,该系统采用对数极坐标进行注视采样并在二维空间记忆中累积信息,支持无需架构变更的分类或语义分割任务。研究发现,与任务协同训练的注视策略能选择更具信息量的位置,使模型在分类和分割任务上均优于随机注视基线,且扫描路径特征与人类眼动行为相似。
该系统利用 GPU 并行计算技术,构建包含多传感器数据的体素地图并实时输出高频局部距离信息以支持在线运动规划。实验表明该方法在无人机和地面车辆上实现了有限算力下的实时性能,优于现有机器人建图系统且适合未探索区域映射。论文已发表于 IEEE RA-L 2022,作者接受的手稿代码可通过链接获取。
针对闭环机器人操作中低推理延迟的关键需求,本文提出了 RTPolicy,这是一种结合视图感知特征融合与视觉压缩的多视角视觉运动策略。该策略通过流匹配动作生成器降低计算成本,在 RoboTwin~2.0 单任务清洁评估的 50 个任务中平均成功率为 52.26%,优于最强基线$ ext{\pi}_0$(46.4%)。
推荐理由:该文提出 RTPolicy,在边缘设备上实现实时多视角视觉运动策略,异步流式推理下双臂平台任务成功率达 72%。
针对视觉语言动作(VLA)模型显存占用大且传统后训练量化在超低精度下失效的问题,该研究提出 SACQ 框架。该方法结合感知结构的代码本拟合、基于动作误差增加的混合比特分配及两阶段后量化细化,在 GR00T N1.7 上实现 1.5 比特权重下的平均成功率 93.85%,显存降低 4.83 倍,同时保持推理速度提升。材料为 arXiv 预印本,未提及开源代码或商用许可状态。
论文提出 CalibSwitch 框架,解决移动机器人和智能车辆部署中传感器几何不确定性及观测质量波动问题。该方法将绝对外参恢复与状态选择性维护分离,利用跨模态生成器从图像 - 点云观测中无初始变换地恢复 SE(3) 候选解,并结合观测质量与时序历史决定何时更新冻结检测器的几何状态。
STAR-FER 提出一种尺度与任务自适应的选择性恢复框架,在 RAF-DB 测试集 x2 至 x8 七种退化尺度下实现 80.92% 平均准确率。该模型仅需 28.01% 掩码覆盖率即可将 ResNet-18 基线提升 2.25 个百分点,同时相比 SR-FER 降低 54.29% 计算量并支持非整数尺度泛化。
论文介绍了 Veloxity,这是一个用内存安全的 Rust 语言编写的开源无人机自主飞行控制固件。作者对比了与 C++ 实现的等效自动驾驶仪,通过仿真、硬件测试台和户外航点跟随飞行测试,证明了 Veloxity 在功能上对等且性能更优。该研究旨在解决航空航天领域内存安全语言采用碎片化的问题,表明现代内存安全语言是构建可靠高性能自主航空系统固件的可行选项。
奕泰智能宣布完成超2亿元A轮融资,资金将用于端侧交换芯片量产及人才建设。其第一代车规芯片ETLX610已在某头部主机厂多平台车型大规模量产,上路行驶数量突破10万辆;第一代工规芯片ETLX810则在国家重点工程部署并应用于电网、高铁等终端。公司正推动该通用以太网技术向eVTOL及具身智能领域延伸。
理想汽车公布 2026 年 10 月交付 29,025 辆新车,历史累计达 186.27 万辆。公司正式发布连山电池和连山电机,并推出搭载该技术的 2026 款理想 i6。11 月 OTA 9.2 将推送马赫 VLA 2.5 及座舱 Agent 升级,覆盖全国 481 家零售中心与 4206 座超充站。
AI 正从数据中心向边缘扩展,开发者仅需几条命令即可构建用于监控驾驶员注意力、机器人环境感知及产线机器人群控的智能体。这些物理 AI 应用依赖在严格内存、功耗和延迟预算内运行的模型,以支持实时感知、推理与行动。
10 月 30 日,百度 APP 在北京举办产品升级沟通会,宣布搜索实现递归自我进化并推出四大升级。搜索能力覆盖 170 余种工具场景,通过检索 - 反馈 - 再训练闭环使迭代效率提升 80% 以上;全新升级的搜索 AI API 限时最低价仅需 4.9 元/千次,低于 DeepSeek 搜索 API。
面壁智能开源算子生成系统ForgeKernel,其Agent在无源码、无论文参考情况下,于英伟达B200上通过42轮迭代将FlashMLA Prefill算子耗时从518微秒降至472微秒,超越人类手写巅峰9.8%。该系统在昇腾CANN三大榜单均排名第一,且已在国产芯片与英伟达平台完成MiniCPM5-1B长训测试,标志着AI研发主体正从人类转向模型。
推荐理由:面壁智能开源ForgeKernel,展示Agent在无源码情况下将FlashMLA算子提速9.8%,并已在国产芯片与英伟达平台完成真实训练测试。