在今年的國際學習表征大會（ICLR）上，NVIDIA 發表了 70 余篇論文，其內容涵蓋醫療、機器人、自動駕駛汽車以及大語言模型等領域。

推動 AI 進步需要采用全棧式方法，這依賴于包括加速處理器和網絡技術在內的強大計算基礎設施，并將其與優化的編譯器、算法及應用程序相連接。

NVIDIA Research 正在該領域進行全方位的創新，并在此過程中為幾乎所有行業提供支持。在近日舉行的國際學習表征大會（ICLR）上，NVIDIA 提交了 70 余篇論文，展示了 AI 在自動駕駛汽車、醫療、多模態內容創作、機器人等領域的應用進展。

NVIDIA 應用深度學習研究副總裁 Bryan Catanzaro 表示：“ICLR 是全球最具影響力的 AI 會議之一，研究人員在此發布推動各行各業進步的關鍵技術創新。NVIDIA 今年提交的研究成果旨在加速計算堆棧的各個層級，從而增強 AI 在各行業的影響力和實用性。”

解決現實世界挑戰的研究工作

NVIDIA 在 ICLR 上提交的多篇論文聚焦多模態生成式 AI 領域的突破性進展，以及 AI 訓練和合成數據生成的新方法，具體包括：

Fugatto：Fugatto 是世界上最靈活的音頻生成式 AI 模型。根據輸入的文本提示和音頻文件，它能夠生成或修改包含任意的音樂、人聲和聲音組合的作品。在 ICLR 上展示的其他 NVIDIA 模型對音頻大語言模型（LLM）進行了改進，以使其更好地理解語音。

HAMSTER：這篇論文提出了一種視覺-語言-動作模型的分層設計方案，它可以更好地從域外微調數據（即無需在真實機器人硬件上收集的低成本數據）中遷移知識，進而提升機器人在測試場景中的技能水平。

Hymba：這個小語言模型家族采用混合模型架構，由此創造的 LLM 融合了 Transformer 模型和狀態空間模型的優勢，實現了高分辨率記憶檢索、高效的上下文總結以及常識推理任務。借助這種混合模型架構，Hymba 在保持性能的前提下將吞吐量提升了 3 倍，緩存減少至約1/4。

LongVILA：該訓練流程實現了高效的視覺語言模型訓練與推理，以支持長視頻理解。使用長視頻訓練 AI 模型時，需要大量算力和密集內存，而這篇論文提出的系統可以高效地并行處理長視頻的訓練和推理，在 256 塊 GPU 上進行訓練時可擴展到多達 200 萬個 token。LongVILA 在 9 個主流視頻基準測試中均達到當前最優性能。

LLaMaFlex：這篇論文提出了一種全新的零樣本生成技術，可從單個大型模型來構建一系列壓縮 LLM 家族。研究人員發現，LLaMaFlex 生成的壓縮模型在精度上媲美或優于現有剪枝、彈性架構及從頭訓練的模型。相比剪枝和知識蒸餾等技術，這種能力能夠顯著降低訓練模型家族的成本。

Proteina：該模型可以生成多樣且可設計的蛋白質骨架，即維持蛋白質結構的框架。它采用 Transformer 模型架構，參數數量是此前模型的 5 倍。

SRSA：這個框架解決了使用現有技能庫教會機器人執行新任務的難題。這意味著機器人無需從頭學習，而是能夠將現有技能應用并適配到新任務中。研究人員開發了預測最相關預置技能的框架，使機器人在執行未知任務時的零樣本成功率提高了 19%。

STORM：通過僅需少量快照即可推斷出精確的 3D 表示，該模型能夠重建動態戶外場景，比如行駛的汽車或隨風搖曳的樹木。該模型能夠在 200 毫秒內重建大規模戶外場景，在自動駕駛開發中具有應用潛力。