近日，华为诺亚方舟实验室与香港中文大学（深圳）数据科学学院于天舒老师团队在混合整数规划（MIP）求解器自动调优方向取得重要成果。该研究提出了一种基于大模型推理能力的求解器实例化自动调优方法GRIMIP，在权威MIP榜单测试中，该方法达到了SOTA级性能。在已完成的华为云天筹AI求解器内部适配验证中，该方法调优得到的参数配置相较默认参数提速39.4%，相较当前内部求解器调优工具生成的参数配置进一步提速16.67%。目前，该能力已被纳入下一代天筹调优工具特性规划。

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。