大厂专区
EmoCAST：通过情感文本描述生成情感对话头
机构 * University of Macau（澳门大学） ； GVC Lab, Great Bay University（大湾大学GVC实验室） ； Meituan（美团） ； ICT-CAS Project（ICT-CAS项目）
AI总结 EmoCAST通过情感文本描述生成逼真且音频同步的情感对话头视频，结合文本引导和音频对齐模块提升表达质量。
学习何时观察：一种解耦的课程学习框架，用于多模态推理中的战略感知
机构 * Meituan（美团） ； Tsinghua University（清华大学）
AI总结 本文提出了一种解耦课程学习框架，通过分阶段训练提升多模态推理中的抽象推理与战略视觉感知能力。
ToolForge: 一种无需真实世界API的多跳搜索数据合成管道
机构 * North China University of Technology（华北理工大学） ； Meituan（美团） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； National University of Singapore（新加坡国立大学） ； East China Normal University（华东师范大学）
AI总结 ToolForge通过构建虚拟工具生成多跳搜索数据，无需真实API调用，提升模型在多跳推理任务中的性能。
Comments 13 pages, 9 tables, 6 figures. Code available at https://github.com/Buycar-arb/ToolForge
DenoiseRotator: 通过重要性集中增强大语言模型的剪枝鲁棒性
机构 * Shanghai Jiao Tong University（上海交通大学） ； HKUST（香港科技大学） ； Meituan（美团）
AI总结 DenoiseRotator通过重要性集中提升大语言模型剪枝鲁棒性，采用可学习正交变换优化参数重要性分布，有效减少稀疏性约束下的性能下降。
Comments Accepted at NeurIPS 2025
STAR：用于统一多模态学习的堆叠自回归方案
机构 * Meituan Inc（美团公司）
AI总结 STAR通过堆叠自回归方案提升多模态生成性能，同时保持理解能力，实验验证其在统一多模态学习中的有效性。
Comments 18 pages, 7 figures
重新评估监督微调的作用：VLM推理中的实证研究
机构 * NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（人工智能研究院 & 模式识别与人工智能研究所，中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Meituan（美团）
AI总结 本研究通过实证分析发现，监督微调在VLM推理中具有重要作用，挑战了强化学习优于监督微调的主流观点。
扩散模型中hallucination的计数
机构 * University of Adelaide（阿德莱德大学） ； Meituan（美团） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出了一种针对扩散模型中计数hallucination的评估方法，通过构建CountHalluSet数据集，系统分析不同采样条件对hallucination的影响，并揭示FID等指标无法捕捉计数hallucination的问题。
超越文字和像素：生成模型中隐式世界知识推理的基准测试
机构 * MeiGen AI Team, Meituan（美团梅基因AI团队） ； Fudan University（复旦大学） ； D^{4} Lab（D⁴实验室） ； HHMI Janelia Research Campus（HHMI贾能实验室）
AI总结 本文提出PicWorld基准测试，用于评估生成模型在隐式世界知识和物理因果推理方面的能力，揭示了现有T2I模型在这些方面的局限性，并提出了证据基础的多代理评估器进行细粒度评估。
OpenSubject: 利用视频衍生的身份和多样性先验进行主体驱动的图像生成与操纵
机构 * HKUST（香港科技大学） ； Meituan（美团） ； HKUST(GZ)（香港科技大学（广州））
AI总结 OpenSubject通过视频衍生的大规模数据集提升主体驱动图像生成与操纵的性能，尤其在复杂场景中表现更优。
LongCat-Image 技术报告
机构 * Meituan LongCat Team（美团LongCat团队）
AI总结 LongCat-Image通过双语开源模型提升多语言图像生成与编辑能力，实现高效部署与高质量输出。
RunawayEvil: 对图像到视频生成模型的劫持
机构 * PRLab, Nanjing University（南京大学PRLab） ； Meituan（美团） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 RunawayEvil是一种针对图像到视频生成模型的多模态劫持框架，通过自我进化机制实现动态攻击策略，显著提升攻击成功率。
EditThinker: 解锁任何图像编辑器的迭代推理
机构 * Beihang University（北航大学） ； Meituan（美团） ； CUHK MMLab ； CUHK IMIXR ； Tsinghua University（清华大学）
AI总结 EditThinker通过迭代推理框架提升图像编辑指令遵循能力，利用强化学习优化编辑过程，显著提高模型性能。
Comments Project page: https://appletea233.github.io/think-while-edit
Omni-AutoThink: 通过强化学习实现自适应多模态推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； Meituan（美团）
AI总结 Omni-AutoThink通过强化学习实现自适应多模态推理，提升模型在不同任务难度下的推理能力。
UniMo：基于自回归框架统一2D视频与3D人体运动
机构 * Tsinghua University（清华大学） ； Meituan（美团）
AI总结 UniMo通过自回归框架统一2D视频与3D人体运动，实现同时生成与理解，提升多模态联合建模能力。
Comments https://carlyx.github.io/UniMo/
AR-Med: 通过LLM驱动的信息增强实现医疗搜索的自动化相关性增强
机构 * Meituan Inc.（美团公司） ； Tsinghua University（清华大学） ； Independent Researcher（独立研究者）
AI总结 AR-Med通过LLM驱动的信息增强，实现医疗搜索的自动化相关性提升，提高了准确性和用户满意度。
关于原生Top-k稀疏注意力的潜力与挑战的初步研究
机构 * Meituan, Beijing, China（美团，北京，中国）
AI总结 本研究探讨了原生Top-k稀疏注意力机制在解码和训练中的有效性，通过实验验证其在提升模型性能方面的潜力，并从熵的角度解释了其在下游任务中的优势。
通过无提示协作代理增强自动论文复现
机构 * University of Science and Technology of China（中国科学技术大学） ； Meituan（美团）
AI总结 本文提出一种无提示协作代理框架，通过验证和细化代理提升论文到代码生成的准确性和完整性，实验显示性能提升约15%和13%。
EvalTalker: 学习评估基于真实人像的多主体说话人类
机构 * Shanghai Jiao Tong University（上海交通大学） ； Meituan（美团） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 EvalTalker通过构建大规模多Talker生成的说话人类质量评估数据集，提出了一种能够感知整体质量、人类特征和身份一致性的新型质量评估框架，以提升多主体说话人类生成的质量和用户体验。
辅助超参数-free采样：信息论视角下的文本生成熵平衡
机构 * Meituan（美团）
AI总结 本文提出熵平衡采样方法，通过信息论原理实现无超参数调优的文本生成，提升生成质量和多样性。
从幻觉到意图：用于视觉-语言推理的视觉理由学习
机构 * Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； Meituan（美团）
AI总结 本文提出视觉理由学习（ViRL），通过将视觉动作作为核心推理元素，提升视觉-语言推理模型的透明度和可信度。
Comments 19 pages, 15 figures
TARFVAE：通过TARFLOW基于VAE实现高效的单步生成时间序列预测
机构 * Meituan（美团）
AI总结 TARFVAE结合Transformer自回归流与VAE，实现高效单步生成时间序列预测，提升预测效率与性能。
LongCat-Flash-Omni 技术报告
机构 * Meituan LongCat Team（美团LongCat团队）
AI总结 LongCat-Flash-Omni 是一个具有5600亿参数的开源多模态模型，通过课程启发式训练策略实现高效实时音频视觉交互，具备强大的多模态和单模能力。
VinciCoder：通过粗到细的视觉强化学习统一多模态代码生成
机构 * Meituan（美团）
AI总结 VinciCoder通过粗到细的视觉强化学习框架，统一多模态代码生成，实现最先进的性能，超越现有开源模型。
Comments 15 pages, 11 figures
基于知识蒸馏的参数化检索增强生成隐私保护推理
机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算先进创新中心） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Meituan（美团）
AI总结 DistilledPRAG通过知识蒸馏实现高效参数化RAG，提升隐私保护推理的准确性和泛化能力。
FITRep: 通过大语言模型实现的注意力引导的项目表示
机构 * Meituan（美团）
AI总结 FITRep通过引入注意力引导的白盒表示框架，利用多模态大语言模型实现细粒度项目去重，提升了广告点击率和每千次展示成本。
计数每一次旋转，每一次旋转都重要：通过螺旋桨感知探索无人机动力学
机构 * Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院） ； The University of Hong Kong（香港大学） ； Meituan Academy of Robotics Shenzhen, China（美团机器人研究院（深圳）） ； School of Software, Tsinghua University, China（清华大学软件学院）
AI总结 通过螺旋桨旋转速度感知提升无人机传感性能，提出基于事件相机的解决方案，实现高精度飞行指令推断和跟踪精度提升。
Metis-HOME: 面向多模态推理的混合优化专家混合模型
机构 * Meituan（美团）
AI总结 Metis-HOME通过混合优化专家混合模型，提升多模态推理的复杂推理能力和通用能力，解决推理与泛化之间的矛盾。
基于感知证据的强化学习用于多模态推理
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Meituan Inc（美团公司） ； The University of Sydney（悉尼大学）
AI总结 PEARL通过将推理锚定在验证的视觉证据上，提升多模态推理能力，有效解决视觉幻觉和奖励黑客问题。
生成中思考：在视觉生成过程中穿插文本推理
机构 * CUHK（香港中文大学） ； IMIXR ； MMLab ； Meituan Project（美团项目）
AI总结 本文提出TwiG框架，通过在视觉生成过程中穿插文本推理，提升生成内容的上下文感知和语义丰富性。
Comments Project Page: https://think-while-gen.github.io Code: https://github.com/ZiyuGuo99/Thinking-while-Generating
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Meituan Inc.（美团公司） ； NiuTrans Research（牛译研所） ； CAS Key Laboratory of Behavioral Science, Institute of Psychology, CAS（中国科学院行为科学重点实验室） ； Kunming University of Science and Technology（昆明理工大学）
Comments Accepted by AAAI 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈