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

Adaptive Prompt Structure Factorization: A Framework for Self-Discovering and Optimizing Compositional Prompt Programs

自适应提示结构分解：一种自我发现和优化组合提示程序的框架

Haoyue Liu, Zhichao Wang, Yongxin Guo, Haoran Shou, Xiaoying Tang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Taobao and Tmall Group（淘宝天猫集团） 纠错

AI总结 本文提出aPSF框架，通过语义因素发现和单因素更新优化提示程序，提升大语言模型的推理可靠性，实验显示在多个基准上准确率提升2.16个百分点，优化成本降低45-87%。

SensorPersona: An LLM-Empowered System for Continual Persona Extraction from Longitudinal Mobile Sensor Streams

SensorPersona: 一种基于大语言模型的持续性人设提取系统，用于从长期移动传感器流中无感获取

Bufang Yang, Lilin Xu, Yixuan Li, Kaiwei Liu, Xiaofan Jiang, Zhenyu Yan

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

AI总结 本文提出SensorPersona系统，通过多模态长期传感器流持续提取稳定用户人设，提升LLM代理的个性化响应质量。系统通过上下文编码、分层人设推理和自适应更新，实现对物理行为、心理特质和生活经验的全面分析。

Bridging Natural Language and Microgrid Dynamics: A Context-Aware Simulator and Dataset

连接自然语言与微电网动态：一种上下文感知的模拟器和数据集

Tinko Sebastian Bartels, Ruixiang Wu, Xinyu Lu, Yikai Lu, Fanzeng Xia, Haoxiang Yang, Yue Chen, Tongxin Li

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 Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程学系） 纠错

AI总结 本文提出OpenCEM模拟器和数据集，通过整合丰富的非结构化上下文信息与量化可再生能源动态，解决传统能源管理忽视人类生成上下文预测能力的问题，展示其在负载预测和电池充电控制中的应用。

SpatialEdit: Benchmarking Fine-Grained Image Spatial Editing

SpatialEdit：细粒度图像空间编辑基准测试

Yicheng Xiao, Wenhu Zhang, Lin Song, Yukang Chen, Wenbo Li, Nan Jiang, Tianhe Ren, Haokun Lin, Wei Huang, Haoyang Huang, Xiu Li, Nan Duan, Xiaojuan Qi

机构 * The University of Hong Kong（香港大学） ； JD Explore Academy（京东探索研究院） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出SpatialEdit-Bench基准测试，结合视角重建和框架分析评估空间编辑的感知合理性和几何精度，并构建了SpatialEdit-500k合成数据集和SpatialEdit-16B基线模型，实现细粒度空间编辑的高效训练与评估。

Comments Code: https://github.com/EasonXiao-888/SpatialEdit

Low-Confidence Gold: Refining Low-Confidence Samples for Efficient Instruction Tuning

低置信度黄金：用于高效指令微调的低置信度样本精炼

Hongyi Cai, Jie Li, Mohammad Mahdinur Rahman, Wenzhen Dong

机构 * Universiti Malaya（马来亚大学） ； University of Science and Technology Beijing（北京科技大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出LCG框架，通过聚类和置信度引导选择精炼低置信度样本，提升指令微调效率与性能，实验显示在MT-bench等指标上表现更优。

Comments Accepted to EMNLP Findings 2025