高校专区
基于置信度的解码在扩散语言模型中具有可证明的效率
机构 * Department of Industrial and Operations Engineering, University of Michigan（工业与运营工程系，密歇根大学） ； Department of Statistics and Data Science, The Chinese University of Hong Kong（统计与数据科学系，香港中文大学）
AI总结 本文提出了一种基于熵和的解码策略，证明其在KL散度下具有ε精度，并在迭代次数上达到O(H(X0)/ε)的效率，适用于低熵数据分布。
DA-VAE：通过细节对齐实现扩散模型的插件式潜在压缩
机构 * Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； Adobe NextCam ； Shanghai AI Laboratory（上海人工智能实验室） ； CPII under InnoHK（创新香港下的CPII）
AI总结 本文提出DA-VAE，通过轻量级调整预训练扩散模型，实现潜在空间压缩，使1024×1024图像生成使用32×32 tokens，比原模型减少40%，并支持2048×2048生成，保持图像质量。
Comments CVPR 2026
解析长期任务工具使用强化学习：全面指南
机构 * The Chinese University of Hong Kong（香港中文大学） ； IDEA Research（IDEA研究院） ； University of Macau（澳门大学）
AI总结 本文通过TravelPlanner测试环境，系统研究了强化学习在复杂多轮任务中的应用，提出7条关键发现，包括奖励设计、模型规模、数据组成等五个维度，最终实现超越领先LLM的性能。
Comments Codes are available at https://github.com/WxxShirley/Agent-STAR
当探索免费时的混合贪婪：我们是否需要在多样性意识的多臂老虎机中使用UCB？
机构 * Department of Computer Science and Engineering, Chinese University of Hong Kong（计算机科学与工程系，香港中文大学）
AI总结 在生成模型选择中，混合贪婪策略无需UCB探索奖励即可实现更快收敛和更高样本效率，挑战了传统多臂老虎机中UCB的必要性。
PPGL-Swarm：集成多模态风险分层与遗传综合征检测的pheochromocytoma和paraganglioma诊断系统
机构 * Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Ruijin Hospital（瑞金医院） ； ShanghaiTech University（上海科技大学）
AI总结 本文提出PPGL-Swarm系统，通过多模态证据整合实现全面诊断报告，包括自动化GAPP评分、基因风险警报及可追溯的推理路径，解决传统诊断方法的局限性。
通过蒙特卡洛树搜索的基于大语言模型的数据库管理系统测试用例生成
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Huawei Hong Kong Research Center（华为香港研究中心）
AI总结 本文提出MIST框架，通过蒙特卡洛树搜索生成不同数据库管理系统方言的语法正确且语义多样的测试用例，提升代码覆盖率。
Comments Accepted to ICSE 2026 Industry Challenge Track
人类或大语言模型作为标准化患者？医学教育中的比较研究
机构 * School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Freedom AI
AI总结 本文提出EasyMED框架和SPBench基准，通过对比实验显示其在医学教育中更接近人类标准化患者行为，尤其在案例一致性与可控披露方面表现更优，且在学习效果和成本效率上具有优势。
Comments 24 pages, 13 figures, 10 table
PAUL：基于不确定性的分区与增强以实现在噪声对应下的鲁棒跨视图地理定位
机构 * National University of Defense Technology（国防科技大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳人工智能学院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳研究院）
AI总结 本文提出PAUL框架，通过不确定性感知的共增强和证据共训练，解决跨视图地理定位中的噪声对应问题，提升鲁棒性。
Comments 10 pages
在大面部角度变化下实现身份一致的视频生成
机构 * Tsinghua University（清华大学） ； Baidu Inc., China（百度公司） ； University of Bristol（布里斯托大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出Mv²ID框架，通过区域遮蔽训练策略和参考解耦RoPE机制，解决大角度变化下的身份一致性与自然运动平衡问题，并构建大规模数据集和评估指标。
WARBENCH：评估大语言模型在军事决策中的综合基准
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Chinese University of Hong Kong（香港中文大学） ； Zhejiang University of Technology（浙江工业大学）
AI总结 本文提出WARBENCH基准，揭示现有大语言模型在军事决策中存在结构性缺陷，包括战术推理崩溃、法律违规率高、量化降维导致性能下降等问题。
GIDE: 解锁扩散大语言模型用于精确无训练图像编辑
机构 * Xi'an Jiaotong University MMLab, The Chinese University of Hong Kong（西安交通大学MMLab，香港中文大学）
AI总结 本文提出GIDE框架，通过离散噪声逆向机制实现无训练图像编辑，支持多种指令并保持背景不变，实验表明其在语义正确性和感知质量上显著优于现有方法。
Comments 25 pages, 7 figures
ToFormer：面向大规模场景深度补全的轻量级ToF相机
机构 * State Key Laboratory of Industrial Control Technology, Institute of Cyber Systems and Control, Zhejiang University, Hangzhou, China（浙江大学工业控制技术状态重点实验室，系统与控制研究所，杭州，中国） ； Huzhou Institute of Zhejiang University, Huzhou, China（浙江大学湖州研究院，湖州，中国） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳））
AI总结 本文提出全栈框架，通过多传感器平台收集大规模真实世界ToF样本，构建首个LASER-ToF数据集，并设计传感器感知深度补全网络，结合3D-2D联合传播池和多模态交叉协方差注意力模块，提升非均匀ToF深度稀疏性下的建模效果和3D-2D融合效率，实现轻量级部署和大规模场景映射。
Comments 17 pages, 15 figures
从思考者到社会：AI智能体分层自主性演化的安全问题
机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Collaborative Innovation Center of Novel Software Technology and Industrialization（新型软件技术与产业化协同创新中心） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； Zhejiang University（浙江大学） ； Independent Researcher（独立研究者） ； Zhejiang Normal University（浙江师范大学） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； Ningbo Global Innovation Center, Zhejiang University（宁波全球创新中心，浙江大学）
AI总结 研究探讨了AI智能体分层自主性演化中的安全挑战，提出三级安全框架并分析现有防御措施的不足，旨在指导可信AI智能体系统的多层防御架构设计。
面向域偏移的新型别检测主题信息提取
机构 * School of Data Science The Chinese University of Hong Kong, Shenzhen, China（数据科学学院 香港中文大学（深圳））
AI总结 本文提出一种方法，通过分离主题信息与背景变化，提升域偏移下的检测性能，实验表明模型在未见领域表现优异。
通过SFT方式实现RLHF：从最优解到奖励加权对齐
机构 * Shenzhen Research Institute of Big Data（深圳大数据研究院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Qwen LLM Application Team, Alibaba（阿里巴巴Qwen大模型应用团队） ； Stanford University（斯坦福大学）
AI总结 本文提出VAR方法，通过变分推断视角简化RLHF，将对齐目标转化为离线奖励驱动的加权监督微调形式，提升训练稳定性和效果，实验证明其在帮助性和无害性指标上优于DPO，且在计算效率和收敛速度上优于在线采样方法。
Comments Published in TMLR-2026
无遗憾的贝叶斯推荐给同质用户
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Chinese University of Hong Kong（香港中文大学） ； University of Chicago（芝加哥大学）
AI总结 研究在线贝叶斯推荐问题，设计无Stackelberg遗憾的推荐策略，实现双对数级遗憾依赖于回合数，并通过线性规划优化展示多项式依赖于状态数的推荐策略。
Comments Accepted by OR'26, conference version in EC'22
PEARL：个性化流视频理解模型
机构 * Peking University（北京大学） ； Adobe ； CASIA ； Stepfun ； CUHK（香港中文大学） ； Zhongguancun Academy（中关村学院）
AI总结 本文提出个性化流视频理解任务PSVU，并引入PEARL-Bench基准测试，通过帧级和视频级两种模式评估模型对个性化概念的响应能力，提出无需训练的PEARL策略，实现先进性能。
Comments Arxiv Submission
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