扩散大语言模型（DLLMs）作为自回归（AR）解码的高效替代方案，其对智能体多步决策的影响尚未充分探索。核心问题：生成范式改变而框架与监督不变时，扩散主干是否会改变规划、工具使用行为并提升端到端效率？ 实验显示，相同工作流与微调条件下，DLLM智能体精度与AR相当，但速度快30%以上（部分场景超8倍），交互轮次和工具调用更少，规划命中率更高、回溯更少。

近日，AAAI 2026 正式在新加坡举办。今年大会共收到 23680 篇投稿论文，最终录用 4167 篇，整体录用率为 17.6%。华为诺亚方舟实验室共有 8 篇论文被 AAAI 2026 接收，其中 2 篇为 Oral 论文。

随着大语言模型（LLM）参数量迈向千亿量级，如何在保持模型性能的同时，将其塞进手机、端侧设备等资源受限的环境，已成为AI落地“最后一公里”的核心挑战。传统的量化与剪枝技术在跨越4-bit阈值后往往面临严重的精度崩塌。近日，来自AAAI 2026的入选论文《PocketLLM》提出了一种基于元网络（Meta Networks）的极限压缩方案，通过在离散隐空间中重构权重，成功在10-16 倍压缩比下实现了几乎无损的性能表现。

近年来，面向多任务泛化的时间序列基础模型成为研究热点，但时序分类方向仍缺乏探索。为此，我们提出基于 ViT 架构的时序分类基础模型 Mantis，采用对比学习预训练，并通过轻量化适配器适配多元时序场景，在降低内存开销的同时高效建模跨通道依赖。实验显示，Mantis 在多个公开基准上实现出色的零样本泛化能力，平均性能超现有 SOTA 模型 1.5% 以上。