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

Online3R: Online Learning for Consistent Sequential Reconstruction Based on Geometry Foundation Model

Online3R: 基于几何基础模型的在线学习一致序列重建

Shunkai Zhou, Zike Yan, Fei Xue, Dong Wu, Yuchen Deng, Hongbin Zha

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） ； T-Stone Robotics Institute, The Chinese University of Hong Kong（香港中文大学天石机器人研究所） ； NVIDIA（英伟达） ； College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院） ； School of Artificial Intelligence and Computer Science, Anqing Normal University（安庆师范大学人工智能与计算机科学学院） 纠错

AI总结 Online3R通过在线学习适应新场景，解决不一致问题，利用可学习的轻量视觉提示和自监督学习策略提升几何预测效率。

UIPress: Bringing Optical Token Compression to UI-to-Code Generation

UIPress：将光学令牌压缩引入UI到代码生成

Dasen Dai, Shuoqi Li, Ronghao Chen, Huacan Wang, Biao Wu, Qizhen Lan

机构 * The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Technology Sydney（悉尼科技大学） 纠错

AI总结 本文提出UIPress，一种轻量级学习压缩模块，通过结合深度可分离卷积、元素引导的空间重加权和Transformer细化，将UI截图的视觉令牌从约6700压缩到256，结合LoRA实现表示差距桥接，提升效率并优于现有方法。

Comments 10 pages, 3 figures

SAGE: A Service Agent Graph-guided Evaluation Benchmark

SAGE：基于服务代理图的评估基准

Ling Shi, Yuqin Dai, Ziyin Wang, Ning Gao, Wei Zhang, Chaozheng Wang, Yujie Wang, Wei He, Jinpeng Wang, Deiyi Xiong

机构 * Tianjin University（天津大学） ； Tsinghua University（清华大学） ； Beihang University（北京航空航天大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； The Chinese University of Hong Kong（香港中文大学） ； Independent Researcher（独立研究员） 纠错

AI总结 本文提出SAGE基准，通过动态对话图验证逻辑合规性，解决现有基准无法评估多维度用户行为和SOP的问题，揭示模型在意图分类与后续动作推导间的执行差距。

DiffHLS: Differential Learning for High-Level Synthesis QoR Prediction with GNNs and LLM Code Embeddings

DiffHLS: 基于GNN和LLM代码嵌入的高阶综合QoR预测差分学习

Zedong Peng, Zeju Li, Qiang Xu, Jieru Zhao

机构 * Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 DiffHLS通过GNN和LLM代码嵌入预测高阶综合QoR，利用核基线与pragma插入设计变体的差分学习，降低合成成本，实验显示在PolyBench上优于GNN基线，且在ForgeHLS数据集上验证了可扩展性。

CORA: Conformal Risk-Controlled Agents for Safeguarded Mobile GUI Automation

CORA: 为保障移动GUI自动化设计的符合性风险控制代理

Yushi Feng, Junye Du, Qifan Wang, Zizhan Ma, Qian Niu, Yutaka Matsuo, Long Feng, Lequan Yu

机构 * The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Tokyo（东京大学） 纠错

AI总结 CORA通过统计保障减少有害操作，利用Guardian模型评估行动风险并校准执行/中止边界，结合Goal-Lock机制和Phone-Harm基准验证其在自主GUI执行中的安全性与实用性。

R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII

R2G：从RTL到GDSII的多视图电路图基准套件

Zewei Zhou, Jiajun Zou, Jiajia Zhang, Ao Yang, Ruichao He, Haozheng Zhou, Ao Liu, Jiawei Liu, Leilei Jin, Shan Shen, Daying Sun

机构 * Nanjing University of Science and Technology（南京理工大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 R2G提供了一个标准化的多视图电路图基准套件，通过统一的表示方法和可控的评估协议，解决电路表示不一致和评估协议缺失的问题，提升物理设计任务中图神经网络的应用效果。

Comments Accepted as a poster by CVPR2026

LMGenDrive: Bridging Multimodal Understanding and Generative World Modeling for End-to-End Driving

LMGenDrive: 联合多模态理解与生成世界建模以实现端到端驾驶

Hao Shao, Letian Wang, Yang Zhou, Yuxuan Hu, Zhuofan Zong, Steven L. Waslander, Wei Zhan, Hongsheng Li

机构 * CUHK MMLab（香港中文大学多媒体实验室） ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出LMGenDrive框架，结合LLM多模态理解与生成世界模型，提升自动驾驶的闭环性能，通过视频预测和控制信号生成，增强时空场景建模和指令遵循能力。

PaceLLM: Brain-Inspired Large Language Models for Long-Context Understanding

PaceLLM：用于长上下文理解的脑启发式大语言模型

Kangcong Li, Peng Ye, Chongjun Tu, Lin Zhang, Chunfeng Song, Jiamin Wu, Tao Yang, Qihao Zheng, Tao Chen

机构 * School of Information Science and Technology, Fudan University（复旦大学信息科学与技术学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 PaceLLM通过引入持久活动机制和皮层专家聚类，解决大语言模型在长上下文中的信息衰减和语义碎片化问题，提升多文档问答和无限基准任务性能，扩展上下文长度至200K tokens。

Comments Accepted by NeurIPS 2025

Task-Distributionally Robust Data-Free Meta-Learning

任务分布鲁棒数据免费元学习

Zixuan Hu, Yongxian Wei, Li Shen, Zhenyi Wang, Baoyuan Wu, Chun Yuan, Dacheng Tao

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间安全学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Computer Science and AI Institute, University of Central Florida（中佛罗里达大学计算机科学系与人工智能研究所） ； School of Data Science, the Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen) and Secure Computing Lab of Big Data, Shenzhen Research Institute of Big Data (SBRID)（香港中文大学（深圳）数据科学学院与深圳市大数据研究院大数据安全计算实验室） 纠错

AI总结 本文研究数据免费元学习的鲁棒性，发现任务分布偏移和任务分布污染两种漏洞，并提出可信DFML框架以缓解这些问题。