面向深度学习集群的资源异构感知与利用率增强调度
面向 GPU 深度学习集群的增强型异构感知调度器，通过动态规划在线分配把训练作业分叉到多个节点上执行，相比 Hadar 与 Gavel 显著提升集群资源利用率并缩短作业完成时间。
SpinQuant：基于可学习旋转的大语言模型量化
利用 Transformer 残差流的旋转不变性，将旋转矩阵作为可训练参数学习，以打散激活与权重中的异常值分布，相比随机 Hadamard 旋转显著降低量化误差并提升低比特量化精度。
多维感知与智能决策：从单一视觉盲区到多传感器时空孪生
面向机器人激光定向能量沉积的多传感器融合数字孪生方法，融合同轴视觉、SWIR热场与声学传感，突破单一模态感知盲区，实现位置特异性质量预测。
陈柏彤
R2Q：基于残差精细量化的鲁棒 2 比特大语言模型
将 2 比特量化过程分解为两次连续的 1 比特量化，形成自适应量化格网，显著缓解大语言模型在超低比特下的精度损失。
L2-LoRA：通过层特异性正则化改进低秩适配
具备层感知能力的 LoRA 变体，基于因果追踪得到的层级知识分布 NAIE 为每层分配不同的 L2 正则化强度，对存储通用知识的低层强正则化以保护旧知识，对存储任务特定知识的高层弱正则化以学习新任务。
ITQ3_S：高保真 3-bit 大语言模型推理
面向大语言模型的高保真 3-bit 量化与推理框架，用快速沃尔什-哈达玛变换将重尾权重分布平滑为近似高斯分布，基于 Lloyd-Max 推导最优三值量化阈值，并把逆 FWHT 融合进 MMQ CUDA 核，避免去量化权重落到全局内存。
Alpa：面向分布式深度学习的算子间与算子内并行自动化
面向分布式深度学习的自动并行系统，将算子内并行与算子间并行统一到一个分层搜索空间中，用动态规划划分流水线阶段、用整数线性规划求解算子内切分方案，可跨模型结构与集群拓扑泛化。
LLM-Streamline：精简冗余层以压缩大语言模型
面向大语言模型的层级剪枝与轻量替代方法，用输入输出 hidden states 的余弦相似度定位连续冗余层，并训练轻量 FFN 替代被剪层段，在约 25% 剪枝率下保留原模型约 93% 的分类能力。
肖洋
UNISCHED：面向异构用户需求的深度学习训练作业统一调度器
面向 GPU 集群的统一调度系统，通过 Estimator 与 Selector 组件和基于租约的执行机制，同时覆盖严格/软 SLO 与尽力而为作业的调度时延需求，以及迭代/性能两类停止条件。