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

When AI Meets Early Childhood Education: Large Language Models as Assessment Teammates in Chinese Preschools

当人工智能遇见早期教育：大型语言模型作为中国幼儿园的评估伙伴

Xingming Li, Runke Huang, Yanan Bao, Yuye Jin, Yuru Jiao, Qingyong Hu

机构 * National University of Defense Technology（国防科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Oxford（牛津大学） 纠错

AI总结 本文探讨AI如何通过提取结构化质量指标，提升中国幼儿园教师与儿童互动评估的可扩展性，提出TEPE-TCI-370h数据集和Interaction2Eval框架，实现88%的评估一致性，并验证AI在提升评估效率和促进教育公平中的潜力。

Comments Accepted to AIED 2026, Project page: https://qingyonghu.github.io/Interaction2Eval/

GraphOmni: A Comprehensive and Extensible Benchmark Framework for Large Language Models on Graph-theoretic Tasks

GraphOmni: 一种全面且可扩展的大型语言模型在图论任务上的基准框架

Hao Xu, Xiangru Jian, Xinjian Zhao, Wei Pang, Chao Zhang, Suyuchen Wang, Qixin Zhang, Zhengyuan Dong, Joao Monteiro, Bang Liu, Qiuzhuang Sun, Tianshu Yu

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Waterloo（滑铁卢大学） ； Université de Montréal / Mila - Quebec AI Institute（蒙特利尔大学 / 加拿大魁北克人工智能研究所） ； City University of Hong Kong（香港城市大学） ； Autodesk（Autodesk公司） ； Singapore Management University（新加坡国立大学） 纠错

AI总结 本文提出GraphOmni基准框架，用于评估大型语言模型在图论任务上的推理能力，通过系统评估发现不同维度对模型性能有显著影响，且先进模型仍有提升空间。

Comments Published at ICLR 2026. Project Page: https://gai-community.github.io/Graph-Omni/

ACAVCaps: Enabling large-scale training for fine-grained and diverse audio understanding

ACAVCaps：实现大规模训练以实现细粒度和多样化的音频理解

Yadong Niu, Tianzi Wang, Heinrich Dinkel, Xingwei Sun, Jiahao Zhou, Gang Li, Jizhong Liu, Junbo Zhang, Jian Luan

机构 * MiLM Plus, Xiaomi Inc, Beijing, China（小米MiLM Plus研究院，北京，中国） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学，香港，中国） 纠错

AI总结 本文提出ACAVCaps数据集，通过多专家流程生成细粒度音频描述，提升音频模型在下游任务中的泛化能力。

Comments accepted by ICASSP 2026

Bi-CRCL: Bidirectional Conservative-Radical Complementary Learning with Pre-trained Foundation Models for Class-incremental Medical Image Analysis

Bi-CRCL：基于预训练基础模型的双向保守-激进互补学习用于类别增量医疗图像分析

Xinyao Wu, Zhe Xu, Cheng Chen, Jiawei Ma, Yefeng Zheng, Raymond Kai-yu Tong

机构 * Department of Biomedical Engineering, The Chinese University of Hong Kong（生物医学工程系，香港中文大学） ； Department of Radiation Oncology, Columbia University Irving Medical Center and Data Science Institute, Columbia University（放射肿瘤学系，哥伦比亚大学伊万杰琳医学中心及数据科学研究院，哥伦比亚大学） ； Department of Electrical and Electronic Engineering and School of Biomedical Engineering, The University of Hong Kong（电气电子工程系和生物医学工程学院，香港大学） ； Department of Computer Science, City University of Hong Kong（计算机科学系，城市大学） ； Department of Artificial Intelligence, Westlake University（人工智能系，西湖大学） 纠错

AI总结 本文提出Bi-CRCL框架，通过保守和激进学习者结合双向交互机制，解决医疗图像类别增量学习中的异构数据与隐私约束问题，提升模型持续学习能力。

Comments preprint; under review

MetaKube: An Experience-Aware LLM Framework for Kubernetes Failure Diagnosis

MetaKube：一种面向Kubernetes故障诊断的经验感知大语言模型框架

Wei Sun, Ting Wang, Xinran Tian, Wanshun Lan, Xuhan Feng, Haoyue Li, Fangxin Wang

机构 * School of Science（科学学院） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Future Network of Intelligence Institute（深圳未来网络智能研究院） ； China Mobile Communications Group Guangdong Co., Ltd.（中国移动通信集团广东有限公司） 纠错

AI总结 MetaKube通过三个创新提出经验感知的大语言模型框架，提升Kubernetes故障诊断效率与准确性，实现从Qwen3-8B到接近GPT-4.1的性能提升。

Beyond Masks: Efficient, Flexible Diffusion Language Models via Deletion-Insertion Processes

超越掩码：通过删除-插入过程实现高效的、灵活的扩散语言模型

Fangyu Ding, Ding Ding, Sijin Chen, Kaibo Wang, Peng Xu, Zijin Feng, Haoli Bai, Kai Han, Youliang Yan, Binhang Yuan, Jiacheng Sun

机构 * HKUST（香港科技大学） ； Huawei Foundation Model Dept（华为基础模型部门） ； CUHK（香港中文大学） 纠错

AI总结 本文提出删除-插入扩散语言模型（DID），通过将token删除和插入作为离散扩散过程，提高训练和推理效率，并提供更灵活的生成机制。

Comments Accepted at ICLR 2026

DAK-UCB: Diversity-Aware Prompt Routing for LLMs and Generative Models

DAK-UCB: 为LLMs和生成模型的多样性感知提示路由

Donya Jafari, Farzan Farnia

机构 * Sharif University of Technology（谢赫拉扎德技术大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出DAK-UCB方法，结合保真度与多样性指标，用于在线选择生成模型，以提升生成结果的多样性同时保持保真度。

Comments Accepted at ICLR 2026

MimiCAT: Mimic with Correspondence-Aware Cascade-Transformer for Category-Free 3D Pose Transfer

MimiCAT：基于对应感知级联变换器的无类别3D姿态迁移

Zenghao Chai, Chen Tang, Yongkang Wong, Xulei Yang, Mohan Kankanhalli

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； Institute for Infocomm Research, A ∗ STAR（资讯通信研究院（A*STAR）） 纠错

AI总结 本文提出MimiCAT模型，通过语义关键点标签学习软对应关系，实现无类别3D姿态迁移，提升跨形态姿态转换的鲁棒性和泛化能力。

Comments Accepted to CVPR 2026. Project page: https://mimicat3d.github.io/