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

Towards a Medical AI Scientist

迈向医疗AI科学家

Hongtao Wu, Boyun Zheng, Dingjie Song, Yu Jiang, Jianfeng Gao, Lei Xing, Lichao Sun, Yixuan Yuan

机构 * The Chinese University of Hong Kong（香港中文大学） ； Lehigh University（里海大学） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出医疗AI科学家框架，通过临床工程师协同推理机制生成可落地的医学研究想法，并基于结构化医学规范和伦理政策撰写论文，验证其在171案例、19临床任务和6种数据模态中的高质量表现。

GEMS: Agent-Native Multimodal Generation with Memory and Skills

GEMS：基于记忆与技能的代理原生多模态生成

Zefeng He, Siyuan Huang, Xiaoye Qu, Yafu Li, Tong Zhu, Yu Cheng, Yang Yang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； CUHK（香港中文大学） 纠错

AI总结 GEMS通过引入代理循环、记忆和技能组件，提升多模态生成在复杂指令和专业任务中的性能，使轻量级模型在GenEval2中超越现有最佳模型。

Comments Project Page: https://gems-gen.github.io

LLM as an Algorithmist: Enhancing Anomaly Detectors via Programmatic Synthesis

LLM作为算法家：通过程序合成增强异常检测器

Hangting Ye, Jinmeng Li, He Zhao, Mingchen Zhuge, Dandan Guo, Yi Chang, Hongyuan Zha

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； CUHK-Shenzhen（香港中文大学（深圳）） ； Department of DSAI, Monash University（莫纳什大学数据科学与人工智能系） ； KAUST（阿卜杜拉国王科技大学） ； International Center of Future Science, Jilin University（吉林大学未来科学国际合作中心） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE, China（教育部知识驱动人机智能工程研究中心） 纠错

AI总结 本文提出LLM-DAS框架，将LLM从数据处理者转变为算法家，通过程序合成生成对抗性异常，提升检测器鲁棒性。

Comments Accepted by the Fourteenth International Conference on Learning Representations (ICLR 2026)

Project Imaging-X: A Survey of 1000+ Open-Access Medical Imaging Datasets for Foundation Model Development

Project Imaging-X：1000多个开放访问医学影像数据集的调查

Zhongying Deng, Cheng Tang, Ziyan Huang, Jiashi Lin, Ying Chen, Junzhi Ning, Chenglong Ma, Jiyao Liu, Wei Li, Yinghao Zhu, Shujian Gao, Yanyan Huang, Sibo Ju, Yanzhou Su, Pengcheng Chen, Wenhao Tang, Tianbin Li, Haoyu Wang, Yuanfeng Ji, Hui Sun, Shaobo Min, Liang Peng, Feilong Tang, Haochen Xue, Rulin Zhou, Chaoyang Zhang, Wenjie Li, Shaohao Rui, Weijie Ma, Xingyue Zhao, Yibin Wang, Kun Yuan, Zhaohui Lu, Shujun Wang, Jinjie Wei, Lihao Liu, Dingkang Yang, Lin Wang, Yulong Li, Haolin Yang, Yiqing Shen, Lequan Yu, Xiaowei Hu, Yun Gu, Yicheng Wu, Benyou Wang, Minghui Zhang, Angelica I. Aviles-Rivero, Qi Gao, Hongming Shan, Xiaoyu Ren, Fang Yan, Hongyu Zhou, Haodong Duan, Maosong Cao, Shanshan Wang, Bin Fu, Xiaomeng Li, Zhi Hou, Chunfeng Song, Lei Bai, Yuan Cheng, Yuandong Pu, Xiang Li, Wenhai Wang, Hao Chen, Jiaxin Zhuang, Songyang Zhang, Huiguang He, Mengzhang Li, Bohan Zhuang, Zhian Bai, Rongshan Yu, Liansheng Wang, Yukun Zhou, Xiaosong Wang, Xin Guo, Guanbin Li, Xiangru Lin, Dakai Jin, Mianxin Liu, Wenlong Zhang, Qi Qin, Conghui He, Yuqiang Li, Ye Luo, Nanqing Dong, Jie Xu, Wenqi Shao, Bo Zhang, Qiujuan Yan, Yihao Liu, Jun Ma, Zhi Lu, Yuewen Cao, Zongwei Zhou, Jianming Liang, Shixiang Tang, Qi Duan, Dongzhan Zhou, Chen Jiang, Yuyin Zhou, Yanwu Xu, Jiancheng Yang, Shaoting Zhang, Xiaohong Liu, Siqi Luo, Yi Xin, Chaoyu Liu, Haochen Wen, Xin Chen, Alejandro Lozano, Min Woo Sun, Yuhui Zhang, Yue Yao, Xiaoxiao Sun, Serena Yeung-Levy, Xia Li, Jing Ke, Chunhui Zhang, Zongyuan Ge, Ming Hu, Jin Ye, Zhifeng Li, Yirong Chen, Yu Qiao, Junjun He

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Institute of Optics and Fine Mechanics（上海光学精密机械研究所） ； Fudan University（复旦大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fuzhou University（福州大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Incept Labs ； Monash University（莫纳什大学） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； The Hong Kong Polytechnic University（香港理工大学） ； South China University of Technology（华南理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与产业研究院） ； Shanghai Academy of Artificial Intelligence for Science（上海科学智能研究院） ； Nankai University（南开大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学） ； School of Informatics, Xiamen University（厦门大学信息学院） ； University College London（伦敦大学学院） ； Sun Yat-sen University（中山大学） ； Alibaba Group, DAMO Academy, New York, NY, USA（阿里巴巴集团达摩院（纽约）） ； Tongji University（同济大学） ； University of Toronto（多伦多大学） ； Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理与认知科学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Arizona State University（亚利桑那州立大学） ； Academy for Clinical Innovation and Translation of Shanghai（上海临床创新转化研究院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Aalto University（阿尔托大学） ； Shandong University（山东大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 本文调查了1000多个开放访问医学影像数据集，揭示了其规模小、任务碎片化和分布不均的问题，并提出元数据驱动融合方法和交互发现门户，为医学影像数据集的整合和基础模型发展提供路线图。

Comments 157 pages, 19 figures, 26 tables. Project repo: \url{https://github.com/uni-medical/Project-Imaging-X}

ComBench: A Repo-level Real-world Benchmark for Compilation Error Repair

ComBench：一个面向编译错误修复的仓库级真实世界基准

Jia Li, Zeyang Zhuang, Zhuangbin Chen, Yuxin Su, Wei Meng, Michael R. Lyu

机构 * The Chinese University of Hong Kong（香港中文大学） ； School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出ComBench，首个面向C/C++编译错误修复的仓库级真实世界基准，通过自动化框架系统挖掘GitHub CI历史中的真实失败案例，评估12种现代LLM在直接和代理修复设置下的表现，揭示模型在语法正确性与语义正确性上的显著差距。

Rethinking Easy-to-Hard: Limits of Curriculum Learning in Post-Training for Deductive Reasoning

重新思考易到难：在后训练中课程学习在演绎推理中的局限性

Maximilian Mordig, Andreas Opedal, Weiyang Liu, Bernhard Schölkopf

机构 * Max Planck Institute for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所，图宾根） ； ETH Zürich（苏黎世联邦理工学院） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本研究系统评估了课程学习在LLM后训练中的影响，发现基于难度的训练顺序在准确性及响应长度上无显著优势，挑战了课程学习在演绎推理中的实用性。

Hybrid Deep Learning with Temporal Data Augmentation for Accurate Remaining Useful Life Prediction of Lithium-Ion Batteries

混合深度学习与时间数据增强用于锂离子电池剩余使用寿命预测的准确性

Yun Tian, Guili Wang, Jian Bi, Kaixin Han, Chenglu Wu, Zhiyi Lu, Chenhao Li, Liangwang Sun, Minyu Zhou, Chenchen Xu

机构 * School of Physics and Electronic Information, Anhui Normal University（安徽师范大学物理与电子信息学院） ； College of Mechanical and Vehicle Engineering, Hunan University（湖南大学机械与运载工程学院） ； School of Design, NingboTech University（浙大宁波理工学院设计学院） ； The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Bay Laboratory（深圳湾实验室） 纠错

AI总结 本文提出CDFormer模型，结合卷积神经网络、深度残差收缩网络和Transformer编码器，提取电池测量信号的多尺度时间特征，提升RUL预测准确性，并通过复合时间数据增强策略提高预测可靠性。

MotionCrafter: Dense Geometry and Motion Reconstruction with a 4D VAE

MotionCrafter: 通过4D VAE实现密集几何与运动重建

Ruijie Zhu, Jiahao Lu, Wenbo Hu, Xiaoguang Han, Jianfei Cai, Ying Shan, Chuanxia Zheng

机构 * NTU（南洋理工大学） ； ARC Lab, Tencent PCG（腾讯PCG ARC Lab） ； HKUST（香港科技大学） ； CUHK(SZ)（香港中文大学（深圳）） ； Monash University（莫纳什大学） 纠错

AI总结 MotionCrafter通过4D VAE联合重建4D几何和估计密集运动，采用共享坐标系下的点云与场景流联合表示，提升重建质量。

Comments Project page: https://ruijiezhu94.github.io/MotionCrafter_Page

CycleManip: Enabling Cyclic Task Manipulation via Effective Historical Perception and Understanding

CycleManip: 通过有效的历史感知和理解实现循环任务操控

Yi-Lin Wei, Haoran Liao, Yuhao Lin, Pengyue Wang, Zhizhao Liang, Guiliang Liu, Wei-Shi Zheng

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 本文提出CycleManip框架，通过端到端模仿方法实现循环任务操控，解决了历史利用不足和缺乏评估基准的问题，实验表明方法在模拟和现实环境中均表现出高成功率和良好的适应性。

Comments Accepted by CVPR2026. Project page: https://isee-laboratory.github.io/CycleManip/

From Exploration to Exploitation: A Two-Stage Entropy RLVR Approach for Noise-Tolerant MLLM Training

从探索到利用：一种两阶段熵RLVR方法用于噪声容忍的多模态大语言模型训练

Donglai Xu, Hongzheng Yang, Yuzhi Zhao, Pingping Zhang, Jinpeng Chen, Wenao Ma, Zhijian Hou, Mengyang Wu, Xiaolei Li, Senkang Hu, Ziyi Guan, Jason Chun Lok Li, Lai Man Po

机构 * Independent Researcher（独立研究者） ； The Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Hong Kong（香港大学） 纠错

AI总结 本文提出一种两阶段熵优化方法，通过探索阶段提升输出多样性，利用阶段提高预测准确性，增强噪声容忍能力，实验证明在不同模型和任务中均优于现有方法。

The Quest for Generalizable Motion Generation: Data, Model, and Evaluation

可泛化动作生成的探索：数据、模型与评估

Jing Lin, Ruisi Wang, Junzhe Lu, Ziqi Huang, Guorui Song, Ailing Zeng, Xian Liu, Chen Wei, Wanqi Yin, Qingping Sun, Zhongang Cai, Lei Yang, Ziwei Liu

机构 * Nanyang Technological University（南洋理工大学） ； SenseTime Research（商汤科技研究院） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； NVIDIA Research（英伟达研究院） 纠错

AI总结 本文提出一个综合框架，通过数据、建模和评估三大支柱将视频生成知识迁移至动作生成，引入大规模数据集和改进模型，提升动作生成的泛化能力。

Comments Homepage: https://motrixlab.github.io/2026_iclr_vimogen

Dual-Space Smoothness for Robust and Balanced LLM Unlearning

双空间平滑性用于鲁棒且平衡的LLM反学习

Han Yan, Zheyuan Liu, Meng Jiang

机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Department of Computer Science and Engineering, University of Notre Dame（圣母大学计算机科学与工程系） 纠错

AI总结 本文提出PRISM框架，通过双空间平滑性提升LLM反学习的鲁棒性和平衡性，有效对抗重学和劫持攻击。

Comments Accepted by ICLR 2026

ShotBench: Expert-Level Cinematic Understanding in Vision-Language Models

ShotBench：视觉语言模型中的专家级电影叙事理解

Hongbo Liu, Jingwen He, Yi Jin, Dian Zheng, Yuhao Dong, Fan Zhang, Ziqi Huang, Yinan He, Yangguang Li, Weichao Chen, Yu Qiao, Wanli Ouyang, Shengjie Zhao, Ziwei Liu

机构 * Tongji University（同济大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； S-Lab, Nanyang Technological University（南洋理工大学S-Lab） 纠错

AI总结 本文提出ShotBench基准测试，用于评估视觉语言模型对电影叙事语言的理解能力，通过专家标注的3500多对问答数据揭示现有模型在细粒度视觉线索和复杂空间推理上的不足，并开发ShotVL模型在该基准上取得新突破。

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

Mean--Variance Portfolio Selection by Continuous-Time Reinforcement Learning: Algorithms, Regret Analysis, and Empirical Study

连续时间强化学习中的均值-方差投资组合选择：算法、遗憾分析与实证研究

Yilie Huang, Yanwei Jia, Xun Yu Zhou

机构 * Columbia University（哥伦比亚大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出一种连续时间强化学习方法，用于均值-方差投资组合选择，通过直接学习预承诺投资策略，不需估计市场系数，并在Black-Scholes市场中证明了其性能保证，实证显示其在波动市场中表现优异。

Comments 94 pages, 8 figures, 18 tables

Beyond Viewpoint Generalization: What Multi-View Demonstrations Offer and How to Synthesize Them for Robot Manipulation?

超越视角泛化：多视角演示提供了什么以及如何为机器人操作合成它们

Boyang Cai, Qiwei Liang, Jiawei Li, Shihang Weng, Zhaoxin Zhang, Tao Lin, Xiangyu Chen, Wenjie Zhang, Jiaqi Mao, Weisheng Xu, Bin Yang, Jiaming Liang, Junhao Cai, Renjing Xu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shenzhen University（深圳大学） ； Beijing Jiaotong University（北京交通大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 研究通过实验验证多视角演示在机器人操作中的性能提升，揭示了多视角数据在提升泛化能力和突破单视角限制方面的优势，提出RoboNVS框架合成多视角数据以提升下游政策表现。