btt博天堂

EN
首页 干货文章 AAAI 2026 Oral | 明略科技开创希罕数据「信息瓶颈动态压缩」 ，，，，，，精度+速率双SOTA

AAAI 2026 Oral | 明略科技开创希罕数据「信息瓶颈动态压缩」 ，，，，，，精度+速率双SOTA

2025-12-08

在AI模子越来越“重”的今天 ，，，，，，怎样让它们在智能装备上“轻装上阵”？？？？？

克日 ，，，，，，明略科技（2718.HK）与东南大学、中南大学配合提出了一个立异的端到端框架——CompTrack。。。。。通过给AI装上“智能过滤器” ，，，，，，只处置惩罚有价值信息 ，，，，，，扬弃无用数据 ，，，，，，不但让点云跟踪速率提升至80帧/秒 ，，，，，，精度再立异高 ，，，，，，更付与自主智能体实时决议能力 ，，，，，，让机械人在重大情形中越发“眼疾手快”。。。。。该研究已被人工智能领域顶级聚会 AAAI 2026 吸收为 Oral 。。。。。

在机械人和具身智能领域 ，，，，，，transformer 模子正变大越来越通用 ，，，，，，同时也越来越 「重」。。。。。我们在盼愿 SOTA 精度 ，，，，，，但现实天下的边沿装备 (如机械人端场景) 却无法遭受其高昂的盘算和延迟。。。。。

AAAI 2026 Oral | 明略科技开创希罕数据「信息瓶颈动态压缩」 ，，，，，，精度+速率双SOTA
论文地点：https://arxiv.org/pdf/2511.15580v3

「Efficient AI」的焦点挑战之一是：模子是否真的需要处置惩罚所有输入数据？？？？？

由东南大学、中南大学、明略科技（2718.HK）团结提出的一篇被 AAAI 2026 吸收为 Oral 的论文 CompTrack 给出了一个深刻的谜底。。。。。这项事情展示了压缩手艺怎样大幅降低盘算开销 ，，，，，，同时坚持或甚至提升模子性能 ，，，，，，以 3D 点云跟踪作为一个引人注目的应用案例。。。。。

详细而言 ，，，，，，该事情一针见血地指出 ，，，，，，目今 AI 模子（尤其在处置惩罚希罕数据如点云时）普遍面临「双重冗余」（Dual-Redundancy）挑战：

AAAI 2026 Oral | 明略科技开创希罕数据「信息瓶颈动态压缩」 ，，，，，，精度+速率双SOTA

1. 空间冗余 (Spatial Redundancy)：海量的、无关的配景点和空缺区域（如天空、远处的修建物）被送入网络 ，，，，，，这不但铺张算力 ，，，，，，更污染了特征 ，，，，，，导致精度下降。。。。。

2. 信息冗余 (Informational Redundancy)：这一点更为致命且常被忽视。。。。。即即是在我们真正体贴的「远景目的」上 ，，，，，，也充满着大宗重复和低价值的信息。。。。。例如 ，，，，，，在识别一辆车时 ，，，，，，车辆引擎盖上的 100 个点和 500 个点提供的有用几何信息险些是等价的；；；；；；而车轮、边角等要害点的价值则远高于这些平展外貌。。。。。

AAAI 2026 Oral | 明略科技开创希罕数据「信息瓶颈动态压缩」 ，，，，，，精度+速率双SOTA

现有要领大多只处置惩罚了问题 1（过滤配景） ，，，，，，却对问题 2（压缩远景）一筹莫展。。。。。CompTrack 立异性地提出了一个端到端框架 ，，，，，，从基础上同时解决这两种冗余。。。。。

焦点洞察（一）：用「信息熵」过滤空间冗余

针对空间冗余 ，，，，，，CompTrack 接纳了一个空间远景展望器 (SFP)?。。。。。SFP 是一个轻量级�？？？？？� ，，，，，，它基于信息熵理论 ，，，，，，通过一个高斯热图监视学习 ，，，，，，精准地「筛除」那些信息含量极低、对使命无益的配景噪声。。。。。这一步为后续的精准压缩涤讪了坚实基础。。。。。

AAAI 2026 Oral | 明略科技开创希罕数据「信息瓶颈动态压缩」 ，，，，，，精度+速率双SOTA

焦点洞察（二）：用「信息瓶颈」动态压缩信息冗余

这篇事情最焦点的孝顺 ，，，，，，是其信息瓶颈指导的动态令牌压缩 (IB-DTC)?�？？？？？� ，，，，，，它专为解决「远景信息冗余」而设计。。。。。

AAAI 2026 Oral | 明略科技开创希罕数据「信息瓶颈动态压缩」 ，，，，，，精度+速率双SOTA

为什么这个�？？？？？槭� Efficient AI 的一次主要探索？？？？？

1. 理论完整 ，，，，，，离别盲目压缩：该�？？？？？榈墓菇ɑ诩崾档�「信息瓶颈 (IB)」原理。。。。。其目的很是明确：只保存那些对最终展望（如目的运动）有价值的信息 ，，，，，，并扬弃所有不相关的冗余信息。。。。。它进一步证实 ，，，，，，这种信息冗余在数学上等价于特征矩阵的 「低秩 (Low-Rank)」特征。。。。。

2. SVD 指导 ，，，，，，实现「动态」压缩：IB-DTC 最精妙的设计在于其动态性。。。。。它没有使用一个牢靠的、「一刀切」的压缩率 ，，，，，，而是使用在线奇异值剖析 (SVD)  ，，，，，，在推理时（on-the-fly）实时剖析目今输入远景数据的「内在秩 (intrinsic rank)」。。。。。这意味着：

  • 若是远景简朴（如一辆侧面的卡车） ，，，，，，模子自动使用高压缩率。。。。。
  • 若是远景重大（如一个骑行者） ，，，，，，模子自动使用低压缩率。。。。。这种数据依赖的动态压缩 ，，，，，，在保存要害信息的同时 ，，，，，，最大化了盘算效率。。。。。

3. 绕过 SVD ，，，，，，实现「端到端」训练：SVD 自己是不可微分的 ，，，，，，无法直接用于训练。。。。。CompTrack 巧妙地将其用作一个「指导者」：SVD 只认真在前向撒播时提供最优的压缩率 K 和特征基（prior） ，，，，，，而真正的压缩则由一个可学习的、基于 K 的 Cross-Attention �？？？？？橥瓿� 。。。。。这使得整个高效压缩流程可以端到端训练。。。。。

应用效果：更少算力 ，，，，，，更高精度！

CompTrack 将该框架应用于极具挑战性的 3D 点云跟踪使命。。。。。效果证实 ，，，，，，这种对「信息冗余」的系统性压缩是极其高效的：

  • 速率：在 RTX 3090 上抵达?80 FPS?的实时性能 ，，，，，，相比 SOTA 要领 (P2P) 65 FPS 的速率 ，，，，，，实现了 1.3 倍的加速。。。。。
  • 效率：盘算量（FLOPs）显著降低 ，，，，，，仅为?0.94G。。。。。消融实验证实 ，，，，，，IB-DTC �？？？？？槭鞘迪中时继冢ù� 48 FPS 提升至 75 FPS）的焦点。。。。。
  • 精度：在实现极致效率的同时 ，，，，，，CompTrack 在 nuScenes 和 Waymo 两个大规模数据集上均刷新了 SOTA（State-of-the-art）性能。。。。。

CompTrack 的意义远不止于 3D 跟踪。。。。。它提供了一个「理论指导、动态自顺应、端到端」的通用信息压缩范式。。。。。

该事情证实 ，，，，，，与其盲目地让 Transformer 处置惩罚所有数据 ，，，，，，不如先问一个更基本的问题：「哪些信息是真正有价值的？？？？？」。。。。。CompTrack 的手艺预示着高效 AI 的更普遍范式转变。。。。。其动态、SVD 指导的压缩易于顺应其他涉及希罕或冗余数据的领域 ，，，，，，如机械人中的传感器融合 ，，，，，，甚至视觉 – 语言模子中的多模态处置惩罚。。。。。通过优先思量信息效率而非蛮力盘算 ，，，，，，CompTrack 也为后续解决视频明确、多模态融合以致大模子推理中的信息冗余问题 ，，，，，，提供了极具远景的新思绪。。。。。

这正是 Efficient AI 未来的生长偏向：不做无效盘算 ，，，，，，只为价值付费。。。。。

信息填写

*手机号码:

请选协议

【网站地图】【sitemap】