The Chinese University of Hong Kong（香港中文大学）

InternVL-U: Democratizing Unified Multimodal Models for Understanding, Reasoning, Generation and Editing

InternVL-U: 使统一多模态模型在理解、推理、生成和编辑方面更加普及

Changyao Tian, Danni Yang, Guanzhou Chen, Erfei Cui, Zhaokai Wang, Yuchen Duan, Penghao Yin, Sitao Chen, Ganlin Yang, Mingxin Liu, Zirun Zhu, Ziqian Fan, Leyao Gu, Haomin Wang, Qi Wei, Jinhui Yin, Xue Yang, Zhihang Zhong, Qi Qin, Yi Xin, Bin Fu, Yihao Liu, Jiaye Ge, Qipeng Guo, Gen Luo, Hongsheng Li, Yu Qiao, Kai Chen, Hongjie Zhang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； South China University of Technology（华南理工大学） ； Nanjing University（南京大学） ； Xiamen University（厦门大学） ； CUHK MMLab（香港中文大学MMLab） 纠错

AI总结 InternVL-U通过轻量级统一多模态模型，在保持强大生成能力的同时，实现了在理解、推理、生成和编辑方面的高效平衡。

Comments technical report, 61 pages, https://github.com/OpenGVLab/InternVL-U

Pathwise Test-Time Correction for Autoregressive Long Video Generation

逐帧测试时校正用于自回归长视频生成

Xunzhi Xiang, Zixuan Duan, Guiyu Zhang, Haiyu Zhang, Zhe Gao, Junta Wu, Shaofeng Zhang, Tengfei Wang, Qi Fan, Chunchao Guo

机构 * Nanjing University（南京大学） ； Tencent Hunyuan（腾讯文言） ； Chinese University of Hong Kong Shenzhen（香港中文大学（深圳）） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出TTC方法，通过利用初始帧作为参考锚点，有效校正自回归长视频生成中的漂移问题，提升生成质量并延长生成长度。

ADHint: Adaptive Hints with Difficulty Priors for Reinforcement Learning

ADHint: 基于难度先验的自适应提示用于强化学习

Feng Zhang, Zezhong Tan, Xinhong Ma, Ziqiang Dong, Xi Leng, Jianfei Zhao, Xin Sun, Yang Yang

机构 * Alibaba Group（阿里巴巴集团） ； Beijing Institute of Technology（北京理工大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 ADHint通过整合难度先验，改进强化学习中的探索与模仿平衡，提升推理能力和分布外泛化。

Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score

半监督置信预测与未标记非一致性评分

Xuanning Zhou, Zihao Shi, Hao Zeng, Xiaobo Xia, Bingyi Jing, Hongxin Wei

机构 * Southern University of Science and Technology（南方科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 本文提出SemiCP，通过结合标记和未标记数据提升置信预测的覆盖性能，实验表明在有限标记数据下可显著降低覆盖差距。

Comments Accept by CVPR 2026

Stepwise Guided Policy Optimization: Coloring your Incorrect Reasoning in GRPO

逐步引导策略优化：在GRPO中着色你的错误推理

Peter Chen, Xiaopeng Li, Ziniu Li, Xi Chen, Tianyi Lin

机构 * Department of Industrial Engineering and Operations Research（工业工程与运营管理系） ； Department of Mathematics（数学系） ； Columbia University（哥伦比亚大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Stern School of Business, New York University（纽约大学斯特恩商学院） 纠错

AI总结 SGPO通过引入组内响应多样性，解决GRPO在所有负样本组时无法更新策略的问题，提升推理模型性能。

Comments Accepted by TMLR; 47 pages

Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties

在运动和环境不确定性下为机械臂提供可证明安全的轨迹生成

Fei Meng, Zijiang Yang, Xinyu Mao, Haobo Liang, Max Q. -H. Meng

机构 * Hong Kong Center for Construction Robotics, The Hong Kong University of Science and Technology（香港建设机器人中心，香港理工大学） ； Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（机械与自动化工程系，中国香港大学） ； Department of Electronic Engineering, The Chinese University of Hong Kong（电子工程系，中国香港大学） ； Shenzhen Key Laboratory of Robotics Perception and Intelligence and the Department of Electronic and Electrical Engineering at Southern University of Science and Technology（深圳机器人感知与智能重点实验室和南方科技大学电子与电气工程系） ； Department of Electronic Engineering at The Chinese University of Hong Kong（电子工程系，中国香港大学） 纠错

AI总结 本文提出了一种可证明安全的轨迹生成框架，通过整合深度随机Koopman操作符模型和分层验证方法，有效应对运动和环境不确定性下的碰撞风险问题。

CktEvo: Repository-Level RTL Code Benchmark for Design Evolution

CktEvo: 用于设计演化的仓库级RTL代码基准

Zhengyuan Shi, Jingxin Wang, Tairan Cheng, Changran Xu, Weikang Qian, Qiang Xu

机构 * The Chinese University of Hong Kong（中国香港大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 CktEvo提出一个用于仓库级RTL代码演化的基准和框架，通过闭环框架实现PPA改进，无需人工干预。