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

MC-Risk: Multi-Component Risk Fields for Risk Identification and Motion Planning

MC-Risk：多组件风险场用于风险识别和运动规划

Maximilian Link, Yingjie Xu, Yingbai Hu, Yinlong Liu

机构 * Technical University of Munich（慕尼黑技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； City University of Macau（澳门城市大学） 纠错

AI总结 本文提出MC-Risk，一种与规划器对齐的多组件风险场，用于早期、校准且类别感知的风险定位。该方法通过线性组合三个可解释模块，包括电机代理场、VRU风险场和道路惩罚场，并在RiskBench碰撞子集上进行了首次标准化定量评估，展示了最佳的风险定位和最早危险指示。

Retrieval-Augmented Code Generation: A Survey with Focus on Repository-Level Approaches

检索增强的代码生成：聚焦于仓库级方法的综述

Yicheng Tao, Yuante Li, Yao Qin, Yepang Liu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Chinese University of Hong Kong（香港中文大学） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 本文综述了检索增强的代码生成方法，重点探讨仓库级方法，分析了其在大规模代码生成中的挑战与解决方案，总结了现有方法的分类框架及关键挑战。

Learning Structural Latent Points for Efficient Visual Representations in Robotic Manipulation

为机器人操作中的高效视觉表征学习结构潜在点

Yicheng Jiang, Jiaxu Wang, Junhao He, Zesen Gan, Junhao Li, Qiang Zhang, Jingkai Sun, Jiahang Cao, Mingyuan Sun, Xiangyu Yue, Qiming Shao

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； X-Humanoid Robots（X-Humanoid机器人） ； The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出了一种新的预训练框架，通过学习混合表示-结构潜在点，结合隐式表示的表达能力和显式表示的结构先验，以提高机器人操作中的视觉表征效率和鲁棒性。

Journal ref International Conference on Robotics and Automation 2026

SurgOnAir: Hierarchy-Aware Real-Time Surgical Video Commentary

SurgOnAir: 基于层次感知的实时手术视频评论

Jingyi He, Yue Zhou, Long Bai, Kun Yuan, Nassir Navab, Yuan Bi

机构 * Computer Aided Medical Procedures (CAMP), TU Munich, Germany Munich Center for Machine Learning (MCML), Munich, Germany University of Strasbourg, France The Chinese University of Hong Kong, Hong Kong 纠错

AI总结 本研究提出SurgOnAir，一种流式视觉-语言模型，通过层次化数据集实现对手术流程多层级的实时理解与评论生成，提升手术过程中的即时响应能力。

VersusQ: Pairwise Margin Reasoning for Generalizable Video Quality Assessment

VersusQ：用于通用视频质量评估的成对边距推理

Shibei Meng, Binxin Yang, Yuan Liu, Jiexuan Zhang, Zhengyao Lv, Hubery Yin, Qiang Xu

机构 * The Chinese University of Hong Kong（香港中文大学） ； WeChat Vision, Tencent Inc.（腾讯公司视觉部门） ； Beijing Normal University（北京师范大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出VersusQ，一种基于成对边距推理的框架，通过直接比较视频来缓解绝对尺度校准偏差，实现跨域的视频质量评估。

Enhancing Speech Large Language Models through Reinforced Behavior Alignment

通过强化行为对齐增强语音大语言模型

Yansong Liu, Jiateng Li, Yuan Liu

机构 * Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出了一种名为强化行为对齐（RBA）的框架，通过自合成方法生成高质量对齐数据来提升语音大语言模型（SpeechLMs）的语言生成能力，实验表明该方法显著提升了SpeechLMs的指令遵循能力，并可扩展至语音问答和语音转文本翻译等任务。

Do LLMs Triage Like Clinicians? A Dynamic Study of Outpatient Referral

大语言模型像医生一样分诊吗？对外科会诊的动态研究

Xiaoxiao Liu, Qingying Xiao, Bingquan Zhang, Junying Chen, Xiangyi Feng, Ziniu Li, Xiang Wan, Jian Chang, Guangjun Yu, Yan Hu, Benyou Wang

机构 * Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Bournemouth University（伯恩茅斯大学） ； National Health Data Institute, Shenzhen（深圳国家健康数据研究院） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） 纠错

AI总结 本文研究了大语言模型在动态分诊过程中的表现，发现其在动态场景中通过有效提问减少不确定性，优于传统分类器，但静态场景下优势有限。

Dictionary Insertion Prompting for Multilingual Reasoning on Multilingual Large Language Models

字典插入提示用于多语言推理在多语言大语言模型上

Hongyuan Lu, Zixuan Li, Wai Lam

机构 * The Chinese University of Hong Kong（香港中文大学） ； Southeast University（东南大学） 纠错

AI总结 本文提出了一种名为字典插入提示（DIP）的新方法，通过在提示中插入词典中的英文对应词来提升多语言推理性能，实验表明在10到200种语言上效果显著。

Comments ACL *SEM 2026

Toxic Subword Pruning for Dialogue Response Generation on Large Language Models

针对大型语言模型的对话响应生成中的有毒子词修剪

Hongyuan Lu, Wai Lam

机构 * FaceMind Corporation（FaceMind公司） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出了一种名为ToxPrune的新型算法，通过修剪包含有毒词的子词来防止大型语言模型生成有毒内容，同时提升了对话响应生成任务中非有毒模型的表现。

Comments ACL *SEM 2026