AAAI 2026 Oral | 明略科技(2718.HK)开创稀疏数据「信息瓶颈动态压缩」，精度+速度双SOTA

在AI模型越来越“重”的今天，如何让它们在智能设备上“轻装上阵”？

近日，明略科技（2718.HK）与东南大学、中南大学共同提出了一个创新的端到端框架——CompTrack。通过给AI装上“智能过滤器”，只处理有价值信息，抛弃无用数据，不仅让点云跟踪速度提升至80帧/秒，精度再创新高，更赋予自主智能体实时决策能力，让机器人在复杂环境中更加“眼疾手快”。该研究已被人工智能领域顶级会议AAAI2026接收为Oral。

在机器人和具身智能领域，transformer模型正变大越来越通用，同时也越来越「重」。我们在渴望SOTA精度，但现实世界的边缘设备(如机器人端场景)却无法承受其高昂的计算和延迟。

图片来源：明略科技

论文地址：https://arxiv.org/pdf/2511.15580v3

「EfficientAI」的核心挑战之一是：模型是否真的需要处理所有输入数据？

由东南大学、中南大学、明略科技（2718.HK）联合提出的一篇被AAAI2026接收为Oral的论文CompTrack给出了一个深刻的答案。这项工作展示了压缩技术如何大幅降低计算开销，同时保持或甚至提升模型性能，以3D点云跟踪作为一个引人注目的应用案例。

具体而言，该工作一针见血地指出，当前AI模型（尤其在处理稀疏数据如点云时）普遍面临「双重冗余」（Dual-Redundancy）挑战：

图片来源：明略科技

1.空间冗余(SpatialRedundancy)：海量的、无关的背景点和空白区域（如天空、远处的建筑物）被送入网络，这不仅浪费算力，更污染了特征，导致精度下降。

2.信息冗余(InformationalRedundancy)：这一点更为致命且常被忽视。即便是在我们真正关心的「前景目标」上，也充斥着大量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个点提供的有效几何信息几乎是等价的；而车轮、边角等关键点的价值则远高于这些平坦表面。

图片来源：明略科技

现有方法大多只处理了问题1（过滤背景），却对问题2（压缩前景）束手无策。CompTrack创新性地提出了一个端到端框架，从根本上同时解决这两种冗余。

核心洞察（一）：用「信息熵」过滤空间冗余

针对空间冗余，CompTrack采用了一个空间前景预测器(SFP)。SFP是一个轻量级模块，它基于信息熵理论，通过一个高斯热图监督学习，精准地「筛除」那些信息含量极低、对任务无益的背景噪声。这一步为后续的精准压缩奠定了坚实基础。

图片来源：明略科技

核心洞察（二）：用「信息瓶颈」动态压缩信息冗余

这篇工作最核心的贡献，是其信息瓶颈引导的动态令牌压缩(IB-DTC)模块，它专为解决「前景信息冗余」而设计。

图片来源：明略科技

为什么这个模块是EfficientAI的一次重要探索？

1.理论完备，告别盲目压缩：该模块的构建基于坚实的「信息瓶颈(IB)」原理。其目标非常明确：只保留那些对最终预测（如目标运动）有价值的信息，并丢弃所有不相关的冗余信息。它进一步证明，这种信息冗余在数学上等价于特征矩阵的「低秩(Low-Rank)」特性。

2.SVD指导，实现「动态」压缩：IB-DTC最精妙的设计在于其动态性。它没有使用一个固定的、「一刀切」的压缩率，而是利用在线奇异值分解(SVD)，在推理时（on-the-fly）实时分析当前输入前景数据的「内在秩(intrinsicrank)」。这意味着：

如果前景简单（如一辆侧面的卡车），模型自动使用高压缩率。

如果前景复杂（如一个骑行者），模型自动使用低压缩率。这种数据依赖的动态压缩，在保留关键信息的同时，最大化了计算效率。

3.绕过SVD，实现「端到端」训练：SVD本身是不可微分的，无法直接用于训练。CompTrack巧妙地将其用作一个「引导者」：SVD只负责在前向传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模块完成。这使得整个高效压缩流程可以端到端训练。

应用成效：更少算力，更高精度！

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

速度：在RTX3090上达到80FPS的实时性能，相比SOTA方法(P2P)65FPS的速度，实现了1.3倍的加速。

效率：计算量（FLOPs）显著降低，仅为0.94G。消融实验证实，IB-DTC模块是实现效率飞跃（从48FPS提升至75FPS）的核心。

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、动态自适应、端到端」的通用信息压缩范式。

该工作证明，与其盲目地让Transformer处理所有数据，不如先问一个更基本的问题：「哪些信息是真正有价值的？」。CompTrack的技术预示着高效AI的更广泛范式转变。其动态、SVD引导的压缩易于适应其他涉及稀疏或冗余数据的领域，如机器人中的传感器融合，甚至视觉-语言模型中的多模态处理。通过优先考虑信息效率而非蛮力计算，CompTrack也为后续解决视频理解、多模态融合乃至大模型推理中的信息冗余问题，提供了极具前景的新思路。

这正是EfficientAI未来的发展方向：不做无效计算，只为价值付费。

以上内容与数据，与有连云立场无关，不构成投资建议。据此操作，风险自担。