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

Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning

通过深度原生结构推理实现准确、跨学科和透明的结构-属性理解

Chen Tang, Yizhou Wang, Jianyu Wu, Lintao Wang, Shixiang Tang, Pengze Li, Encheng Su, Jun Yao, Jiabei Xiao, Yuqi Shi, Jielan Li, Hongxia Hao, Zhangyang Gao, Fang Wu, Ben Fei, Xiangyu Yue, Pan Tan, Bozitao Zhong, Jinouwen Zhang, Aoran Wang, Yan Lu, Jiaheng Liu, Xinzhu Ma, Liang Hong, Mingyue Zheng, Phil Torr, Bowen Zhou, Wanli Ouyang, Lei Bai

机构 * 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） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； University of Sydney（悉尼大学） ； Nanjing University（南京大学） ； University of Oxford（牛津大学） ； The University of Science and Technology of China（中国科学技术大学） ； Drug Discovery and Design Center, State Key Laboratory of Drug Research, Shanghai Institute of Materia Medica, Chinese Academy of Sciences（药物发现与设计中心、国家药物研究重点实验室、上海中医药材料医学研究所、中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Stanford University（斯坦福大学） 纠错

AI总结 研究聚焦利用人工智能解释结构-属性关系的挑战，提出多模态科学基础模型SciReasoner，通过离散化结构信息为可寻址单元进行推理，在多领域基准测试中表现出色，实现准确预测与可解释科学推理的结合。

TF-Engram: A Train-Free Engram with SSD-Backed Memory for Large Language Models

TF-Engram：一种用于大语言模型的基于固态硬盘支持内存的免训练印记

Yutang Ma, Kecheng Huang, Xikun Jiang, Zili Shao

机构 * The Chinese University of Hong Kong（香港中文大学） ； Beijing Institute of Technology, Zhuhai（北京理工大学珠海学院） 纠错

AI总结 研究针对大语言模型知识扩展成本高问题，提出TF-Engram免训练印记系统，通过离线构建特定短语语义内存、跨层次存储及预测预取等方法，在Qwen3-0.6B上提升下游分数，证明可将其作为低开销组件集成到LLM推理中。

Comments 13 pages, 2 figures

Geometric Collapse: When Vision Models Fail to Verify Physical Causality

几何崩溃：视觉模型何时无法验证物理因果关系

Wentao Zhang, Jinhu Qi, Weiqiang Jin, Yifei Zhang, Chan-Tong Lam, Irwin King

机构 * Faculty of Applied Sciences, Macao Polytechnic University（澳门理工学院应用科学学院） ； The Chinese University of Hong Kong（香港中文大学） ； AgentecFusion Limited（AgentecFusion有限公司） ； School of Information and Communications Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院） ； School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） 纠错

AI总结 研究视觉模型在验证物理因果关系时的问题，提出“Scrambled Edges”方法，通过特定控制分离无支撑边缘证据影响，实验表明该方法使预测偏差增大，几何崩溃全局传播，为改进模型物理合理性提供依据。

Comments ICML 2026

On Explicit Super-Expressive Approximation for Neural Networks

关于神经网络的显式超表达逼近

Feng-Lei Fan, Ze-Yu Li, Chen-Yu Wang, Jian-Jun Wang

机构 * City University of Hong Kong（香港城市大学） ； Chinese University of Hong Kong（香港中文大学） ； Guangxi Minzu University（广西民族大学） 纠错

AI总结 研究具有显式参数边界和基本激活函数的固定架构神经网络逼近问题，引入中国剩余定理，构建特定宽度和深度的网络，实现对不同类型函数的逼近，给出参数大小与逼近误差关系，是参数有界且架构无界范式对偶结果。

Comments 44 pages, 4 figures

NativeMEM: Native Memory Compression for Long-Horizon Robotic Manipulation

NativeMEM：用于长期机器人操作的原生内存压缩

Ziye Wang, Modi Shi, Chaojun Ni, Jiazhi Yang, Mengdi Li, Zhizhong Su, Tianwei Lin, Hongyang Li

机构 * The University of Hong Kong（香港大学） ； Beihang University（北京航空航天大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Horizon Robotics（地平线机器人） 纠错

AI总结 研究如何让预训练VLA模型高频更新时保留长期视觉历史且高效。提出NativeMEM策略，用原生内存压缩编码，通过开发分词器对齐内存令牌与策略，该方法在模拟和真实机器人实验中效果好，数据效率高。

RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies

RoboDojo：用于综合评估通用机器人操作策略的统一模拟与现实基准测试

Tianxing Chen, Yue Chen, Zixuan Li, Junyuan Tang, Kailun Su, Haoran Lu, Weijie Wan, Baijun Chen, Songling Liu, Haowen Yan, Honghao Su, Zhiyang Dou, Kaixuan Wang, Dandan Zhang, Yunze Liu, Yan Qin, Qiwei Liang, Qiwei Wu, Zijian Lin, Wenwei Lin, Yuran Wang, Minghua He, Tianshu Wu, Ruihai Wu, Jingquan Zhou, Kai-Chong Lei, Haibao Yu, Yuanfeng Ji, Weiyang Jin, Guanyu Lin, Xiaofan Li, Qi Xiong, Renjing Xu, Zhongyu Li, Wenhao Chai, Enze Xie, Ziwei Wang, Yao Mu, Hao Dong, Wojciech Matusik, Mingyu Ding, Wenbo Ding, Ping Luo, Masayoshi Tomizuka

机构 * UC Berkeley（加州大学伯克利分校） ； THU（清华大学） ； PKU（北京大学） ； Stanford（斯坦福大学） ； MIT（麻省理工学院） ； UNC（北卡罗来纳大学） ； Princeton（普林斯顿大学） ； CMU（卡内基梅隆大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CUHK（香港中文大学） ； SJTU（上海交通大学） ； HKUST (GZ)（香港科技大学（广州）） ； ZJU（浙江大学） ； Yale（耶鲁大学） 纠错

AI总结 现有基准测试在系统评估通用机器人操作策略能力方面有限，本文引入RoboDojo统一基准测试，含模拟与现实任务，支持多维度评估及可扩展评估，还建立了公共排行榜与系统分析。

Comments Website: https://robodojo-benchmark.com/, Code: https://github.com/RoboDojo-Benchmark/RoboDojo, Leaderboard: https://robodojo-benchmark.com/leaderboard

Unified Removal of Raindrops and Reflections: A New Benchmark and A Novel Pipeline

统一去除雨滴和反射：一个新的基准和一个新流程

Xingyu Liu, Zewei He, Yu Chen, Chunyu Zhu, Zixuan Chen, Xing Luo, Zhe-Ming Lu

机构 * School of Aeronautics and Astronautics, Zhejiang University（浙江大学航空航天学院） ； Huanjiang Laboratory（浣江实验室） ； Hangzhou Institute of Technology, Xidian University（西安电子科技大学杭州研究院） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出统一去除雨滴和反射的任务，并构建了新的基准数据集，同时提出基于扩散的新型框架DiffUR³，有效去除两种退化，实验表明在基准和真实场景中表现优异。

Comments Accepted by ECCV 2026

EventVGGT: Exploring Cross-Modal Distillation for Consistent Event-based Depth Estimation

EventVGGT：探索跨模态蒸馏以实现一致的基于事件的深度估计

Yinrui Ren, Jinjing Zhu, Kanghao Chen, Zhuoxiao Li, Jing Ou, Zidong Cao, Tongyan Hua, Peilun Shi, Yingchun Fu, Wufan Zhao, Hui Xiong

机构 * HKUST(GZ)（香港科技大学（珠海）） ； CUHK（香港中文大学） ； SCNU（华南师范大学） 纠错

AI总结 EventVGGT通过跨模态蒸馏实现一致的基于事件的深度估计，有效提升深度预测精度和泛化能力。

Comments Accepted to ECCV 2026

Fast, Slow, and Tool-augmented Thinking for LLMs: A Review

大语言模型的快速、慢速和工具增强思维：综述

Xinda Jia, Jinpeng Li, Zezhong Wang, Jingjing Li, Xingshan Zeng, Yasheng Wang, Weinan Zhang, Yong Yu, Weiwen Liu

机构 * School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学机械工程学院） ； School of Computer Science, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学计算机科学学院） ； Huawei Technologies Co., Ltd., Beijing 100084, China（华为技术有限公司） ； Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong, Hong Kong 999077, China（香港中文大学系统工程与工程管理系） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong 999077, China（香港中文大学计算机科学与工程系） ； Huawei Hong Kong Research Center, Hong Kong 999077, China（华为香港研究中心） 纠错

AI总结 综述大语言模型推理进展，基于认知心理学提出LLM推理策略分类法，沿快速/慢速、内部/外部两个知识边界分类，系统调查相关工作并依关键因素归类方法，指出其面临的挑战与未来方向。

Comments The article has been accepted by Frontiers of Computer Science (FCS), with the DOI: {10.1007/s11704-026-51673-0}

Adversarial Rademacher Complexity of Deep Neural Networks

深度神经网络的对抗拉德马赫复杂度

Jiancong Xiao, Yanbo Fan, Ruoyu Sun, Zhi-Quan Luo

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nanjing University Suzhou（南京大学苏州校区） 纠错

AI总结 研究深度神经网络对抗攻击下的泛化问题，引入中间对抗样本概念及计算框架，给出深度神经网络对抗拉德马赫复杂度的首个界定，并通过实验表明权重范数是影响稳健泛化差距的关键因素。