高校专区
ATLAS：是代理还是潜在的视觉推理？一个词足以兼顾两者
机构 * Meta AI ； The Chinese University of Hong Kong（香港中文大学）
AI总结 ATLAS结合代理推理与潜在推理，通过单一功能词实现两者结合，避免冗长中间视觉生成，保持与传统训练方法兼容。
Comments Project Page: https://atlas-oneword.github.io Code: https://github.com/ZiyuGuo99/ATLAS
意图驱动强化学习放大规划导向的强化学习
机构 * Li Auto（力 auto） ； Tsinghua University（清华大学） ； CUHK MMLab（香港大学MMLab）
AI总结 本文提出DIAL框架，通过两阶段方法解决连续动作策略在偏好对齐中的模式崩溃问题，通过意图引导的采样扩展分布并提升性能。
Comments Project page: https://mind-omni.github.io/
MindVLA-U1：统一流架构使VLA超越VA用于自动驾驶
机构 * CUHK MMLab（香港中文大学多模态实验室） ； Li Auto ； Tsinghua University（清华大学）
AI总结 MindVLA-U1通过统一流架构实现自动驾驶中VLA超越VA，采用统一视觉语言模型骨干和流匹配连续动作轨迹，在保持各模态自然输出形式的同时，实现高效规划和低延迟。
Comments Work in progress. Project page: https://mind-omni.github.io/
从流式意图中涌现动作
机构 * Li Auto ； Tsinghua University（清华大学） ； CUHK
AI总结 本文提出流式意图方法，通过连续思维链生成语义合适且安全的动作，实现自动驾驶中长尾交通场景的自主决策。
Comments Project page: https://mind-omni.github.io/
BiTrajDiff: 用于离线强化学习的双向轨迹生成扩散模型
机构 * Zhejiang University（浙江大学） ； Zhejiang Lab（浙江省实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nanyang Technological University（南洋理工大学） ； Rutgers University（罗格斯大学）
AI总结 本文提出BiTrajDiff，通过双向扩散模型生成轨迹，解决离线强化学习中数据分布偏差问题，提升数据集多样性。
MemLens：大型视觉-语言模型多模态长期记忆的基准测试
机构 * CSE Deparment, HKUST（香港科技大学计算机科学与工程系） ； CUHK（香港大学） ； OmniMemory (Shenzhen) Intelligent Technology Co., Ltd.（深圳奥米克记忆科技有限公司） ； NVIDIA AI Technology Center (NVAITC), NVIDIA, Santa Clara, USA（英伟达AI技术中心（NVAITC），英伟达，美国圣克拉拉）
AI总结 MemLens基准测试评估大型视觉-语言模型在多模态多会话对话中的长期记忆能力，通过789个问题测试五种记忆能力，揭示长上下文模型和记忆增强代理的优缺点，推动混合架构发展。
Comments Work in progress
去噪-GS：具有空间感知去噪的高斯点云
机构 * School of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Fudan University（复旦大学） ； Software of Engineering（软件工程系） ； Dalian University of Technology（大连理工大学） ； Department of Information Engineering（信息工程系） ； The Chinese University of Hong Kong（香港中文大学） ； College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Denoising-GS，通过空间感知去噪框架改进3D高斯点云的优化过程，提升视点合成的保真度并保持表示紧凑性。
通过与临床世界模型交互实现患者动态的智能体化
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出SepsisAgent，通过临床世界模型模拟患者对液体-血管加压药干预的响应，采用提出-模拟-细化流程进行脓毒症治疗推荐，优于传统RL和LLM基线方法。
UniTriGen: 一致的可见-红外-标签三元组生成用于少样本RGB-T语义分割
机构 * School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） ； School of Computer Science & Technology, Xi’an University of Posts & Telecommunications（西安邮电大学计算机科学与技术学院） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab）
AI总结 UniTriGen提出统一三元组生成框架，通过共享潜在空间和扩散过程生成一致的可见-红外-标签三元组，解决少样本RGB-T语义分割中的对齐问题。
RxEval: 一个处方级基准，用于评估LLM药物推荐
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Southern University of Science and Technology（南方科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区） ； Shenzhen University General Hospital（深圳大学人民医院）
AI总结 RxEval通过多选题评估LLM处方能力，包含1547个问题，涵盖584名患者、18种诊断类别和969种药物，测试16个LLM显示其挑战性和区分性，F1值从45.18到77.10，最佳精确匹配仅46.10%。
SWE-Chain：基于链式发布级包升级的编码代理基准测试
机构 * The Chinese University of Hong Kong（香港中文大学） ； Independent（独立） ； ELLIS ； Technical University of Darmstadt（达姆施塔特技术大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Monash University（墨尔本大学）
AI总结 SWE-Chain通过链式发布级包升级评估编码代理，包含12个升级链和155个版本过渡，揭示当前代理在连续维护中的不足。
陷入困境的攻击者：分析触发器的内部关联与外部影响以防御GNN后门
机构 * The Chinese University of Hong Kong（香港中文大学） ； Sun Yat-Sen University（中山大学）
AI总结 本文提出PRAETORIAN方法，通过分析触发器子图的内部关联和外部节点影响，有效降低GNN后门攻击成功率，同时保持高清洁准确率。
FlowSteer：通过强化递进画布编辑设计代理工作流
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出FlowSteer，一种通过强化学习递进画布编辑设计代理工作流的新范式，解决传统工作流构建中依赖人类、缺乏图级执行反馈和无法在长周期内修复错误的问题。
Comments 51 pages, 6 figures, 5 tables. Project page: http://flowsteer.org/
两人即可：你的GRPO其实暗含DPO
机构 * UdeM（蒙特利尔大学） ； McGill（麦吉尔大学） ； Mila（Mila人工智能研究院） ； UManitoba（曼尼托巴大学） ； CUHK（香港中文大学） ； ZJU（浙江大学） ； UAlberta（阿尔伯塔大学） ； Amii（阿米人工智能研究院） ； Huawei Noah’s Ark Lab（华为诺亚实验室）
AI总结 本文提出2-GRPO，通过仅两个rollouts构建对比信号，理论分析显示其性能接近16-GRPO，训练效率提升显著。
GenExam：多学科文本到图像考试
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 GenExam是首个多学科文本到图像考试基准，包含10个学科1000个样本，通过四级分类评估模型的综合能力，揭示开源模型与闭源模型间的显著差距。
Comments Accepted by ICML 2026
ReasonCache：通过KV缓存共享加速大型推理模型服务
机构 * The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Hang Seng University of Hong Kong（恒生大学）
AI总结 本文提出ReasonCache，通过共享KV缓存提升AI推理系统服务质量，实验显示吞吐量提升89.2%，平均提升40-60%，同时保持更高精度。
Comments 10 pages, 7 figures
通过加性高斯过程实现复杂控制系统安全贝叶斯优化
机构 * National University of Singapore（新加坡国立大学） ； SIMTech, A*STAR ； CUHK, Shenzhen（香港中文大学（深圳））
AI总结 本文提出SafeCtrlBO方法，通过加性高斯过程核减少样本复杂度，实现多耦合控制器的同时优化，实验显示在较少硬件评估下达到高性能参数并保证安全。
Comments The shorter version has been accepted by IEEE Robotics and Automation Letters. This is the full version
SkillFlow: 以流程驱动的递归技能进化用于代理编排
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学）
AI总结 SkillFlow通过流程驱动的递归技能进化解决代理编排中的策略崩溃、梯度方差高和无指导技能进化问题，实现高效任务编排。
Comments 49 pages, 5 figures, 6 tables
语言模型与大脑对齐吗？预测分数并不足够
机构 * School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen, China（人工智能学院，香港中文大学（深圳））
AI总结 本文通过L-PACT框架评估语言模型与大脑的对齐性，发现预测分数不足以支持两者对齐的结论，所有测试结果均被控制条件解释。
Comments 39 pages, 4 main figures, 6 supplementary figures
NeuroState-Bench：一个用于LLM代理配置承诺完整性的校准基准
机构 * School of Artificial Intelligence（人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 NeuroState-Bench通过定义的侧查询探针而非隐激活来操作承诺完整性，包含144个确定性任务和306个侧查询探针，通过人类校准验证任务成功与承诺完整性之间的差异。
Comments 30 pages, 11 figures
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