高校专区
MISID：一种多模态多轮对话数据集，用于战略欺骗游戏中复杂意图识别
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Capital Normal University（首都师范大学）
AI总结 本文提出MISID数据集，用于复杂战略欺骗游戏中多模态多轮对话的意图识别，通过系统评估发现现有多模态大语言模型在复杂场景中存在缺陷，并提出FRACTAM框架提升性能。
Comments 8 pages, 4 figures
启发式样本竞争的深度神经网络优化
机构 * JC STEM Lab of Machine Learning and Computer Vision（机器学习与计算机视觉的JC STEM实验室） ； Department of Electrical and Electronic Engineering（电气与电子工程系） ； The Hong Kong Polytechnic University（香港理工大学） ； Department of Computer Science and Engineering（计算机科学与工程系） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出自然选择算法，通过显式建模样本间竞争，改进深度网络训练，提升模型优化的适应性和平衡性。
AniGen：统一的S³场用于可动画化的3D资产生成
机构 * The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学）
AI总结 AniGen通过统一的S³场生成可动画化的3D资产，解决传统方法在生成后制作rig时的不稳定性问题，提升动画质量和泛化能力。
Comments 16 pages, 12 figures
SeedPrints: 指纹甚至能告诉你是哪种种子训练了你的大型语言模型
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出SeedPrints方法，通过随机初始化偏倚实现LLM的内在指纹识别，解决了传统指纹方法在大规模预训练阶段可靠性不足的问题，实现了从初始化到全生命周期的身份验证。
Comments Accepted to ICLR 2026. The code repository linked on OpenReview is outdated; the latest code is available via the final arXiv version
变分自编码离散扩散与增强的维度相关性建模
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Center for Statistical Science, Peking University（北京大学统计科学中心） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Huawei Foundation Model Dept（华为基金会模型部门） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出VADD框架，通过潜在变量建模增强离散扩散，提升样本质量，尤其在少量去噪步骤时表现优异。
Comments ICLR 2026 Poster; 24 pages, 13 figures
大规模安全：大型模型和智能体安全的全面综述
机构 * Fudan University（复旦大学） ； The University of Melbourne（墨尔本大学） ； Singapore Management University（新加坡国立大学） ； Deakin University（德肯大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； City University of Hong Kong（香港城市大学） ； University of Oxford（牛津大学） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； The University of Sydney（悉尼大学） ； Griffith University（格里菲斯大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Sea AI Lab（Sea AI实验室） ； Tsinghua University（清华大学） ； Virginia Tech（弗吉尼亚理工大学） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全部） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Purdue University（普渡大学） ； Duke University（杜克大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； RIKEN（理化学研究所） ； The University of Tokyo（东京大学）
AI总结 本文综述了大型模型和智能体的安全性，分析了各类攻击威胁及防御策略，指出安全评估、防御机制和数据实践的重要性，强调研究社区和国际合作的必要性。
Comments 706 papers, 60 pages, 3 figures, 14 tables; GitHub: https://github.com/xingjunm/Awesome-Large-Model-Safety
面向多代理多格式推理的鲁棒现实世界电子表格理解
机构 * CUHK MMLab（CUHK多模态实验室） ； SenseTime Research（商汤科技研究院） ； Shenzhen Loop Area Institute（深圳河套学院） ； CPII under InnoHK（创新香港下的CPII）
AI总结 本文提出SpreadsheetAgent框架，通过多模态逐步阅读推理解决大规模电子表格处理问题，通过结构草图和行列摘要提升推理可靠性，实验表明其在Spreadsheet Bench上表现优异。
Comments Accepted to ACL 2026 (main conference)
CodeSpecBench: 用于可执行行为规范生成的LLM基准测试
机构 * The Hong Kong Polytechnic University（香港理工大学） ； University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； CUHK (SZ)（香港中文大学（深圳）） ； SUTD（新加坡科技设计大学） ； HKUST（香港科技大学） ； CUHK（香港中文大学） ； HKUST (GZ)（香港科技大学（广州））
AI总结 本文提出CodeSpecBench，一个基于执行评估协议的LLM可执行行为规范生成基准，评估了15种最新LLM在函数和仓库级任务中的表现，发现仓库级任务性能显著下降，且规范生成比代码生成更具挑战性。
像人类考官一样评判：一种用于生成任务的加权重要性多点评估框架
机构 * Pengcheng Laboratory, Shenzhen, China（鹏城实验室，深圳，中国） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； Qwen team, Alibaba Group（通义实验室，阿里巴巴集团） ； Institute of Computing Technology, CAS（中国科学院计算技术研究所）
AI总结 本文提出WIMPE框架，通过加权重要性多点评估方法，解决生成任务中长答案评估的挑战，提升与人类标注的关联性。
Comments 21 pages
交互式语音识别：迈向人样交互和语义连贯性评估的代理语音识别
机构 * X-LANCE Lab, Shanghai Jiao Tong University（上海交通大学X-LANCE实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Xi'an Jiaotong University（西安交通大学） ； Fudan University（复旦大学） ； Tongyi Fun Team, Alibaba Group（阿里巴巴集团 Tongyi 团队）
AI总结 本文提出基于LLM的代理框架，通过语义反馈提升语音识别的语义准确性和交互修正能力，实验验证了其有效性。
WebFactory：自动化将基础语言智能压缩为 grounded Web agents
机构 * Fudan University（复旦大学） ； IMean AI ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学）
AI总结 WebFactory 提出了一种自动化闭环强化学习流程，将大语言模型的潜在知识高效压缩为可操作的 agent 行为，实现了数据效率和泛化能力的提升。
定位、引导与改进：大型语言模型中可操作机制可解释性的一项实用调查
机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； LMU Munich（慕尼黑大学） ； Tsinghua University（清华大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Technische Universität Berlin（柏林技术大学） ； Technische Universität Dresden（德累斯顿技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanjing University（南京大学） ； University of Manchester（曼彻斯特大学） ； Dartmouth College（达特茅斯学院） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； Microsoft（微软） ； Tencent（腾讯）
AI总结 本文提出一个实用调查，围绕'定位、引导与改进'流程，系统分类定位和引导方法，展示如何通过该框架提升模型对齐、能力和效率。
通过最小化强化学习推进多智能体RAG系统
机构 * McGill University \& Mila Montréal QC Canada ； The Chinese University of Hong Kong Hong Kong China ； Huawei Noah’s Ark Lab Montréal QC Canada ； University of Manitoba Winnipeg MB Canada ； Tianjin University Tianjin China ； Independent Researcher Hong Kong China ； McGill University \& Mila ； The Chinese University of Hong Kong ； Huawei Noah’s Ark Lab ； University of Manitoba ； Tianjin University ； Independent Researcher
AI总结 本文提出Mujica-MyGo框架，通过多智能体RAG流程分解多轮交互，结合轻量强化学习算法MyGO，有效解决长上下文问题，提升复杂问答性能。
Comments AAMAS 2026
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