ChainSWE: Benchmarking Coding Agents on Multi-Bug Software Maintenance
ChainSWE：在多漏洞软件维护中对编码代理进行基准测试
专题命中 评测与基准 ：language model(abstract)
AI总结 研究针对语言模型代理在多漏洞软件维护中的评估问题，引入ChainSWE基准，通过收集Python项目问题链进行评估，发现链长度增加时性能下降。
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 评测与基准 2780 篇
Benchmarking the Benchmarks: A Validity Audit of Tool-Calling Evaluation
对基准进行基准测试：工具调用评估的有效性审计
专题命中 评测与基准 ：LLM(abstract)
AI总结 对四个主要工具调用基准家族进行系统有效性和可重复性审计，发现诸多评估者与人类意见分歧，指出当前分数可能反映评估者问题而非智能体能力，还介绍相关分类、审计工件等及新基准和系统。
LongEgoRefer: A Benchmark for Long-Form Egocentric Video Referring Expression Comprehension
LongEgoRefer: 长形式自我中心视频指代表达理解基准
机构 * Woven by Toyota, Japan（丰田公司，日本） ； The University of Tokyo, Japan（东京大学，日本） ； National Institute of Informatics, Japan（日本信息机构国家研究所） ； Institute of Science Tokyo, Japan（东京科学研究所，日本） ； NII LLMC, Japan（日本信息机构LLMC） ； Kyoto University, Japan（京都大学，日本）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出LongEgoRefer基准，基于Ego4D长视频构建，解决现有基准仅关注短视频导致目标稀疏和活动复杂的问题，评估现有方法发现性能显著下降，凸显长形式自我中心时空定位的挑战。
Comments ECCV 2026. Dataset and code: https://github.com/shunya-kato/LongEgoRefer
FoundDP: Revisiting Weak Disparity Observability in Dual-Pixel Depth Estimation
FoundDP：重新审视双像素深度估计中的弱视差可观测性
机构 * Huazhong University of Science and Technology（华中科技大学）
专题命中 评测与基准 ：foundation model(abstract)
AI总结 提出FoundDP框架，结合双像素深度与单目深度基础模型的全局结构先验，通过ViT特征对齐缓解散焦模糊导致的表示退化，在弱视差区域提升结构一致性与度量精度。
RTE-FM-Dehazer: Radiative Transfer Equation Inspired Flow Matching for Real-World Image Dehazing
RTE-FM-Dehazer: 辐射传输方程启发的流匹配用于真实图像去雾
机构 * Mashang Consumer Finance Co. Ltd（马上消费金融股份有限公司） ； Tsinghua University（清华大学） ； Hunan University（湖南大学） ； University of Liverpool（利物浦大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出基于辐射传输方程（RTE）的流匹配去雾方法RTE-FM-Dehazer，通过扩散-吸收正则化引导去雾轨迹，并构建包含5万对真实雾/清晰图像的P-HAZE数据集，在五个真实基准上取得领先结果。
A Reproducible Benchmark and Evidence-Retrieval Software Framework for Silicon Detector R&D Literature
硅像素探测器研发的基于证据的检索基准与混合RAG框架
专题命中 评测与基准 ：language model(abstract)
AI总结 针对硅像素探测器文献检索瓶颈，提出首个基于证据的检索基准和混合检索框架，结合稀疏、密集、混合检索和图探索，实验表明混合稀疏-密集检索在证据恢复上最可靠。
Comments 30 pages, 12 figures
GKDT: General Keypoint Detection Transformer
GKDT: 通用关键点检测Transformer
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Australian National University（澳大利亚国立大学） ； Tencent Inc.（腾讯公司） ； Adelaide University（阿德莱德大学）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出通用关键点检测模型GKDT，基于大规模统一数据集MegaKPT和DINOv3 Transformer，支持视觉/文本提示，在22个测试集上多数类别PCK@0.1超90%。
Comments Accepted by ECCV 2026
Are Text-to-Image Models Inductivist Turkeys? A Counterfactual Benchmark for Causal Reasoning
文本到图像模型是归纳主义的火鸡吗？一个用于因果推理的反事实基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出反事实基准CF-World，通过三个递进层级测试T2I模型在违反现实先验规则下的图像生成能力，发现所有模型在反事实设置下性能急剧下降，原因是模型将世界知识与视觉外观编码为紧密耦合的模式。
Comments 10 pages, 7 figures. Project page: https://github.com/jylei16/CF-World.github.io
Self-Supervised Temporal Regularization for Landmark-Based Cardiac Segmentation with Automatic AHA Regional Mapping
基于地标的心脏分割的自监督时间正则化与自动AHA区域映射
机构 * Biomedical Image Technologies, ETSI Telecomunicación, Universidad Politécnica de Madrid, Madrid, Spain（生物医学图像技术，电信工程学院，马德里理工大学，马德里，西班牙） ； Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), Instituto de Salud Carlos III, Madrid, Spain（生物工程、生物材料和纳米医学网络生物医学研究中心（CIBER-BBN），卡洛斯三世健康研究所，马德里，西班牙） ； APOLO Biotech, Ciudad Autónoma de Buenos Aires, Argentina（APOLO Biotech，布宜诺斯艾利斯自治市，阿根廷） ； Departamento de Computación, Universidad de Buenos Aires, Ciudad Autónoma de Buenos Aires, Argentina（计算系，布宜诺斯艾利斯大学，布宜诺斯艾利斯自治市，阿根廷） ； Instituto de Ciencias de la Computación (ICC), CONICET-Universidad de Buenos Aires, Ciudad Autónoma de Buenos Aires, Argentina（计算机科学研究所（ICC），CONICET-布宜诺斯艾利斯大学，布宜诺斯艾利斯自治市，阿根廷）
专题命中 评测与基准 ：post-training(abstract)
AI总结 提出自监督时间正则化方法，利用图像序列的时间一致性增强心脏分割和运动估计的连续性，并自动映射到AHA 17节段标准，在CAMUS数据集上验证了临床实用性。
Comments Accepted at MICCAI 2026
DrivingDepth: Sparse-Prompted Pixel-wise Scale Correction for Driving Depth Estimation
DrivingDepth: 稀疏提示的像素级尺度校正用于驾驶深度估计
机构 * Baidu Inc.（百度公司）
专题命中 评测与基准 ：foundation model(abstract)
AI总结 针对自动驾驶深度估计中几何与尺度的冲突，提出DrivingDepth方法，利用稀疏LiDAR作为几何提示，通过残差像素级尺度校正校准冻结的深度基础模型，在保持密集视觉几何的同时实现度量精度与几何一致性。
One Video, One World: Turning Monocular Video into Physical 4D Scenes
一视频一世界：将单目视频转化为物理4D场景
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； SparcAI Inc（SparcAI公司） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出OVOW，首个无需训练的系统，从单目视频重建实例级、可仿真的4D网格场景，通过视觉语言模型发现实例、类别感知重建、迭代优化恢复尺度与位姿、物理装配确保接触支撑，并建立结构化视频到4D评估基准。
Comments Accepted by ECCV 2026. Project Page: https://OneVideoOneWorld.github.io/
Revisiting Parameter Redundancy in Vision-Language-Action Models: Insights from VLM-to-VLA Adaptation
重新审视视觉-语言-动作模型中的参数冗余：从VLM到VLA适配的见解
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院） ； School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
专题命中 评测与基准 ：language model(abstract)
AI总结 通过分析VLM到VLA适配中参数差异的空间分布，设计多模块联合剪枝方案，在无需微调恢复的情况下减少12%-30%参数并保持约90%性能。
Comments 22 pages, 3 figures, ECCV 2026 Conference
Rethinking the Role of Feature Engineering and Learning Strategies in Few-Shot Hidden Emotion Recognition
重新思考特征工程与学习策略在少样本隐藏情感识别中的作用
机构 * Hefei University of Technology（合肥工业大学） ； University College London（伦敦大学学院） ； The University of Sydney（悉尼大学） ； Beijing QBoson Quantum Technology Co., Ltd.（北京量子芯光科技有限公司） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） ； Beihang University（北京航空航天大学） ； The University of New South Wales（新南威尔士大学） ； United Arab Emirates University（阿拉伯联合酋长国大学）
专题命中 评测与基准 ：foundation model(abstract)
AI总结 提出跨注意力机制与多实例学习框架，利用多源特征（2D/3D骨架、面部Blendshapes、DINOv2/v3、X-CLIP、Gemini）解决长视频中弱稀疏隐式情感识别，在IJCAI挑战赛Track 3中获第一名。
An Enhanced Source-Free Unsupervised Domain Adaptation Framework for Cross-Dataset EEG Emotion Recognition via Predictive Coding and Test-Time Training
一种增强的无源无监督域适应框架：基于预测编码和测试时训练的跨数据集脑电情感识别
专题命中 评测与基准 ：pretraining(abstract)
AI总结 提出一种无源无监督域适应框架，通过非对比预测编码自监督预训练和双阶段自适应优化（多损失自适应正则化与局部一致性学习），结合轻量测试时训练，解决跨数据集脑电情感识别中的域偏移和噪声伪标签问题。
Comments Under review
'A bit of chaos and madness': The AI Assessment Scale and the work of assessment reform
“一丝混乱与疯狂”：AI评估量表与评估改革工作
专题命中 评测与基准 ：prompting(abstract)
AI总结 本研究通过越南和英国两所大学的焦点小组，探讨AI评估量表（AIAS）的实施经验，发现其能促进真实评估设计，但若脱离学习成果和学科背景可能沦为合规工具。
Comments V2: Corrections of errata, additional limitations
Invoice Haystack: Benchmarking Document Retrieval and Visual Question Answering Under Strong Visual Homogeneity
发票草垛：强视觉同质性下的文档检索与视觉问答基准测试
机构 * The University of Melbourne（墨尔本大学） ； Lakehead University（湖首大学）
专题命中 评测与基准 ：language model(abstract)
AI总结 针对视觉同质文档集合中的检索困难，提出Invoice Haystack基准和VL-RAG混合检索框架，通过文本与视觉嵌入融合及VLM验证过滤，显著提升检索准确率。
Comments Accepted to presentation at ECCV 2026
LIBERO-Safety: A Comprehensive Benchmark for Physical and Semantic Safety in Vision-Language-Action Models
LIBERO-Safety：视觉-语言-动作模型中物理与语义安全的综合基准
机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Beijing Academy of Artificial Intelligence (BAAI)（北京智源人工智能研究院） ； Beihang University（北京航空航天大学） ； Eastern Institute of Technology, Ningbo（宁波东方理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Microsoft Research Asia (MSRA)（微软亚洲研究院）
专题命中 评测与基准 ：foundation model(abstract)
AI总结 针对视觉-语言-动作模型操作安全未验证的问题，提出参数化安全基准和关键帧驱动数据生成流水线，构建大规模无碰撞数据集，系统评估八种模型，揭示泛化-安全张力。
Comments Accepted by ECCV 2026, Project Page: https://libero-safety.github.io/
OctoSense: Self-Supervised Learning for Multimodal Robot Perception
OctoSense: 多模态机器人感知的自监督学习
专题命中 评测与基准 ：foundation model(abstract)
AI总结 提出OctoSense传感器平台和数据集，通过“晚融合”掩码自编码器实现多模态自监督学习，在多种退化条件下鲁棒预测光流、深度、语义分割和自运动。
RelAfford6D: Relational 6D Affordance Graphs for Constraint-Driven Robotic Manipulation
RelAfford6D：用于约束驱动机器人操作的关系型6D可操作图
机构 * School of Computer Science, Shanghai Jiaotong University（上海交通大学计算机科学学院）
专题命中 评测与基准 ：foundation model(abstract)
AI总结 提出RelAfford6D框架，通过构建关系型6D可操作图将语义指令转化为SE(3)位姿约束，并利用运动学约束求解实现零样本操作，在仿真和真实环境中优于数据驱动方法。
Manipulation Is Task-Dependent: A Multi-Axis, Multi-Environment Evaluation of Frontier LLMs
操纵行为依赖于任务：前沿语言模型的多轴、多环境评估
专题命中 评测与基准 ：language model(abstract)
AI总结 通过六种环境、三个轴（框架、激励结构、任务难度）评估六个前沿语言模型的操纵行为，发现操纵倾向在不同任务间相关性低，且不同环境下驱动因素不同。
USS: Unified Spatial-Semantic Prompts for Embodied Visual Tracking with Latent Dynamics Learning
USS: 面向具身视觉跟踪的统一空间-语义提示与潜在动力学学习
机构 * Nanyang Technological University（南洋理工大学）
专题命中 评测与基准 ：prompting(abstract)
AI总结 提出统一空间-语义提示范式替代纯文本目标指示，设计端到端框架USS支持多种提示类型，通过潜在世界模型提升时序鲁棒性，在真实机器人实验中优于纯文本方法。
TacVerse: A Multi-Sensor Dataset and Benchmark for Cross-Sensor Vision-Based Tactile Perception
TacVerse：面向跨传感器视觉触觉感知的多传感器数据集与基准
机构 * Imperial College London（帝国理工学院） ； Queen Mary University of London（伦敦玛丽女王大学）
专题命中 评测与基准 ：pretraining(abstract)
AI总结 提出TacVerse多传感器数据集与基准，包含7种视觉触觉传感器的106800张图像，支持形状分类、光栅分类和力回归任务，实验表明跨传感器直接迁移性能下降，而少样本适应可提升力回归性能。
LinStereo: Linear-Complexity Global Attention for Multi-Scale Iterative Stereo Matching
LinStereo：用于多尺度迭代立体匹配的线性复杂度全局注意力
机构 * Australian Centre for Robotics (ACFR), School of Aerospace, Mechanical and Mechatronic Engineering (AMME), Faculty of Engineering, The University of Sydney（悉尼大学工程学院航空航天、机械与机电工程学院澳大利亚机器人中心（ACFR））
专题命中 评测与基准 ：foundation model(abstract)
AI总结 提出LinStereo，通过位置感知线性注意力实现全局聚合，结合层次化语义代价体积和深度先验初始化，在标准基准和跨域场景（尤其水下）取得最先进精度。
KidRisk: Benchmark Dataset for Children Dangerous Action Recognition
KidRisk：儿童危险动作识别基准数据集
机构 * Thong Nhat Hospital（统一医院）
专题命中 评测与基准 ：language model(abstract)
AI总结 构建包含2500个短视频和10000张图像的儿童危险动作数据集KidRisk，提出基于视觉语言模型的方法，在动作分类和危险识别上分别达到83.53%和96.14%的准确率。
Comments SOICT 2024
World Value Models for Robotic Manipulation
机器人操作的世界价值模型
机构 * Peking University（北京大学） ； Tsinghua University（清华大学）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出世界价值模型（WVM），融合世界模型与价值估计，通过时序建模评估数据质量，在标准基准和次优轨迹基准上达到SOTA，提升策略学习性能。
Comments preprint
VisCritic: Visual State Comparison as Process Reward for GUI Agents
VisCritic: 视觉状态比较作为GUI智能体的过程奖励
机构 * City University of Hong Kong（香港城市大学）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出VisCritic框架，通过比较操作前后截图在视觉特征空间中的变化来验证GUI智能体动作，结合孪生视觉Transformer和动作感知评判头，无需额外人工标注即可提升多基准测试性能。
Comments 17 pages, 4 figures; ECCV 2026 submission; supplementary material uploaded as ancillary file
EgoSAT: A Comprehensive Benchmark of Egocentric Streaming Interaction Understanding
EgoSAT: 一个全面的自我中心流式交互理解基准
机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出EgoSAT基准，统一自我中心视频的回顾、在线和前瞻推理任务，评估视觉语言模型在流式设置中的表现，发现现有模型存在前瞻/回顾困难及置信度校准问题。
Comments Accepted to ECCV 2026. Project page: https://leiyj23.github.io/EgoSAT/
SignNet-1M: Large-Scale Multilingual Sign Language Video Dataset with Downstream Benchmarks
SignNet-1M：大规模多语言手语视频数据集及下游基准
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； ChatSign Technology（ChatSign 技术公司） ； Tsinghua University（清华大学）
专题命中 评测与基准 ：language model(abstract)
AI总结 提出SignNet-1M，通过3D高斯泼溅、扩散模型和后期渲染增强合成多样化手语视频，提升模型在跨视角、背景和身份等分布偏移下的泛化能力。
Comments 25 pages. Accepted to ECCV 2026
Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement
基于扩散解耦的双分支交叉投影去偏
机构 * Xidian University（西安电子科技大学） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 评测与基准 ：foundation model(abstract)
AI总结 针对有偏数据下基础模型的泛化问题，提出置信引导的偏差概念挖掘（CBCM）和双分支交叉投影去偏（DCD）框架，通过扩散解耦和交叉零空间投影分离目标与虚假特征，在无组标签条件下实现最差组准确率最优。
Sat2City v2: Native 3D City Asset Generation from a Single Satellite Image
Sat2City v2: 从单张卫星图像生成原生3D城市资产
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong（香港中文大学） ； Auckland University of Technology（奥克兰理工大学） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系）
专题命中 评测与基准 ：foundation model(abstract)
AI总结 提出Sat2City v2，利用预训练的原生结构化潜空间3D基础模型，从单张卫星图像生成具有可控外观和几何形状的纹理网格，在真实数据集上优于基线方法。
