高校专区
Meta-Soft: 利用可组合元标记实现上下文保持的KV缓存压缩
机构 * Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； University of Macau（澳门大学） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 提出Meta-Soft动态压缩框架，通过可学习正交基矩阵和Gumbel-Softmax选择网络合成元标记，结合注意力流整合机制保留丢弃上下文信息，解决KV缓存压缩中的信息丢失和上下文断裂问题。
Comments 9 pages, 2 figures
ClaimDiff-RL: 通过视觉声明比较进行细粒度描述强化学习
机构 * The Chinese University of Hong Kong（香港中文大学） ； MiniMax
AI总结 提出ClaimDiff-RL框架，利用原子声明差异作为奖励单元，通过多模态判断器枚举视觉差异并分配错误类型和严重程度，以解决长描述强化学习中事实性与覆盖度的权衡问题。
Flow-OPD：面向流匹配模型的在线策略蒸馏
机构 * University of Science and Technology of China（中国科学技术大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； The Chinese University of Hong Kong（香港中文大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 提出Flow-OPD框架，通过两阶段对齐策略（单奖励GRPO微调专家+流式冷启动与在线策略蒸馏）解决流匹配模型在多任务对齐中的奖励稀疏和梯度干扰问题，并引入流形锚点正则化抑制美学退化，在GenEval和OCR指标上显著提升。
Comments Project Page: https://costaliya.github.io/Flow-OPD/ , Code: https://github.com/CostaliyA/Flow-OPD
BEAR：面向大语言模型推荐中束搜索感知的优化
机构 * Zhejiang University（浙江大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Hangzhou City University（杭州市城市大学）
AI总结 针对监督微调与束搜索推理之间的不一致性，提出BEAR正则化方法，通过确保正例每个token在解码步骤中排名前B来避免过早剪枝，显著提升推荐性能。
Comments Accepted by SIGIR 2026
正则非光滑模型的归一化最大似然：测度理论基础与几何采样
机构 * Department of Mathematics, The Chinese University of Hong Kong（香港中文大学数学系）
AI总结 针对现代机器学习中非光滑估计器（如Lasso、稀疏SVM）的归一化最大似然（NML）编码长度计算问题，本文利用几何测度论和保守雅可比矩阵建立严格框架，并提出一种几何MCMC采样器（PDL-PPMH）以精确计算非光滑模型的随机复杂度。
SkillEvolBench：从情景经验到程序性技能的演化基准测试
机构 * The Ohio State University（俄亥俄州立大学） ； The University of Chicago（芝加哥大学） ； University College London（伦敦大学学院） ； University of Michigan（密歇根大学） ； The Chinese University of Hong Kong（香港中文大学） ； Case Western Reserve University（凯斯西储大学） ； Amazon（亚马逊）
AI总结 提出SkillEvolBench基准，通过六个真实环境中的180个任务，评估大语言模型代理能否将情景经验提炼为可复用的程序性技能，发现当前代理难以形成稳健的技能，且原始轨迹复用优于蒸馏技能。
迈向可信的自主AI：安全性、鲁棒性、隐私与系统安全的全面综述
机构 * Faculty of Engineering, Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学工程学院、计算机科学与工程系） ； Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化院） ； Shanghai Academy of AI for Science（上海人工智能科学研究院）
AI总结 本文综述了自主AI系统在安全鲁棒性与隐私系统安全两个核心维度的风险来源、阶段缓解策略及统一评估指标，并讨论了开放挑战。
Comments 36 pages, 4 figures. Survey/review article on trustworthy agentic AI. Published in Academia AI and Applications, 2026
Journal ref Academia AI and Applications, vol. 2, 2026
多少思考才足够？量化和理解LLM推理中的冗余
机构 * Fudan University（复旦大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文通过形式化推理冗余度量，量化了前沿推理模型在数学基准上高达61%-93%的步骤级冗余，并证明这种冗余是长度无关结果奖励的结构性后果，而非模型特定伪影。
先验无关的鲁棒预测聚合
机构 * Chinese University of Hong Kong（香港中文大学）
AI总结 针对未知状态空间和先验的鲁棒预测聚合问题，提出一种显式闭式对数几率聚合器，在线性对数几率空间线性池化预测，并在三种知识体制下给出接近极小极大遗憾的界。
Uni-DPO：大语言模型动态偏好优化的统一范式
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Xi’an Jiaotong University（西安交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 针对现有DPO方法忽略数据质量和学习难度差异的问题，提出Uni-DPO统一框架，通过自适应重加权偏好对实现更有效的数据利用和更优性能。
Comments Accepted by ICLR 2026. Code & models: https://github.com/pspdada/Uni-DPO
MMSI-Bench：多图像空间智能基准
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Shanghai Jiaotong University（上海交通大学） ； University of Hong Kong（香港大学） ； Beijing Normal University（北京师范大学）
AI总结 提出MMSI-Bench基准，通过1000道精心设计的VQA问题评估多图像空间推理能力，发现现有模型准确率远低于人类。
Comments ICLR 2026 Camera ready. 38 pages. Project page: https://runsenxu.com/projects/MMSI_Bench
动态优化与安全指示注入：针对多模态安全过滤器的文本到图像模型越狱方法
机构 * Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出OptJail框架，通过动态提示优化与自适应安全指示注入，绕过文本和图像过滤器，实现高成功率越狱，并揭示多模态防御的系统性漏洞。
ETCHR: 通过编辑来澄清和利用推理
机构 * The Chinese University of Hong Kong Shanghai AI Laboratory（香港中文大学上海人工智能实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 针对多模态大语言模型在需要细粒度关注或视角变换的问题上纯文本思维链的瓶颈，提出了一种解耦的图像编辑模型ETCHR，通过两阶段训练（推理模仿和推理增强）弥合语言侧和生成侧差距，无需训练即可插入不同MLLM，在五个任务族上平均Pass@1提升4.61-5.47个百分点。
Comments Code, model and data are open-sourced at https://github.com/InternLM/ETCHR
Gen-Searcher: 强化搜索代理用于图像生成
机构 * MMLab, CUHK（CUHK的MMLab） ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校） ； Meituan Home（美团家庭）
AI总结 提出Gen-Searcher，首个通过多跳推理和搜索收集文本知识与参考图像的搜索增强图像生成代理，结合SFT和强化学习训练，显著提升生成质量。
Comments Project page: https://gen-searcher.vercel.app Code: https://github.com/tulerfeng/Gen-Searcher
基于运动基元的几何组装的稀疏组合流匹配
机构 * Tsinghua Shenzhen Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳研究生院，清华大学，深圳，中国） ； School of AI, Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）人工智能学院）
AI总结 提出一种通过运动基元字典学习和几何约束的稀疏流匹配框架，直接在物理轨迹空间进行组合生成，实现状态最优精度并显著降低FDE/ADE比。
EvalVerse：面向专业电影级视频生成的流水线感知与专家校准基准测试
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Tencent（腾讯） ； Tsinghua University（清华大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Film Academy（北京电影学院） ； Stanford University（斯坦福大学） ； The Chinese University of Hong Kong（香港中文大学） ； Singapore Institute of Technology（新加坡理工学院）
AI总结 提出EvalVerse框架，通过将电影制作专业知识系统化为评估分类法、构建专家标注数据集并微调视觉语言模型进行链式推理，解决了现有基准忽视电影质量、缺乏领域特异性指标的问题，实现了对生成视频“正确性”与“优良性”的全面评估。
UniSRM：一种用于基于推理的细粒度评估的统一语音奖励模型
机构 * The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） ； Independent Researcher（独立研究者）
AI总结 提出UniSRM统一语音奖励模型，通过两阶段流水线和推理一致性奖励机制，实现多维度、可解释的语音质量评估，在多种任务上优于现有方法。
Comments Accepted by ACL 2026(Main)
AutoResearch AI：迈向人工智能驱动的科研自动化以实现科学发现
机构 * Huazhong University of Science and Technology（华中科技大学） ； Lehigh University（莱斯大学） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Salesforce Research（Salesforce研究） ； Squirrel AI Learning（Squirrel AI学习） ； Northwestern University（西北大学） ； Independent（独立） ； Shanghai Jiao Tong University（上海交通大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Chinese University of Hong Kong（香港中文大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； Google Cloud AI Research（谷歌云AI研究） ； Recursive Superintelligence（递归超级智能） ； Microsoft Research（微软研究院）
AI总结 本文综述了AI驱动的科研工作流自动化（AutoResearch）的发展，分析了从任务级AI到工作流级研究自动化的转变，并提出了五个评估维度（新颖性、有效性、影响力、可靠性和溯源），指出自主性受领域条件限制。
Comments 49 pages, 12 figures, 10 tables
Imagine2Real: 通过视频生成先验实现零样本人形机器人-物体交互
机构 * Zhejiang University（浙江大学） ； 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 提出Imagine2Real框架，利用视频生成先验和4D点轨迹统一表示，通过稀疏关键点跟踪和行为基础模型潜空间，实现零样本人形机器人-物体交互。
Uni-Edit: 智能编辑作为统一模型调优的通用任务
机构 * CUHK MMLab（香港大学多模态实验室） ； Meituan（美团） ； TJU（天津大学） ； USTC（中国科学技术大学）
AI总结 提出将智能图像编辑作为统一多模态模型调优的通用任务，通过单一任务、单阶段训练和单一数据集同时提升图像理解、生成和编辑能力，并引入自动化数据合成流水线构建推理密集型指令数据集Uni-Edit-148k。
Comments Project Page: https://zhengdian1.github.io/Uni-Edit-proj/ Code: https://github.com/zhengdian1/Uni-Edit
HorizonDrive: 用于长时域驾驶仿真的自纠正自回归世界模型
机构 * Wuhan University（武汉大学） ； The University of Tokyo（东京大学） ； Horizon Robotics ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 针对自回归驾驶仿真中教师模型因自身预测漂移导致监督退化的问题，提出HorizonDrive框架，通过计划性滚转恢复（SRR）训练抗漂移教师模型，并利用教师滚转分布匹配蒸馏（TRD）实现长时域监督下的高效学生模型部署。
Comments Comments: 22 pages, 14 figures. Project page: https://zcliangyue.github.io/HorizonDrive Code: https://github.com/zcliangyue/HorizonDrive
4DThinker: 用4D图像进行动态空间理解的思考
机构 * Tsinghua University, SIGS（清华大学 SIGS） ； Meituan（美团） ； The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学） ； LMMs-Lab（LMMs实验室） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出4DThinker框架，通过动态潜在心理图像（在连续隐藏空间中模拟场景演化）增强视觉语言模型的动态空间推理能力，并引入无标注数据生成、动态图像微调及4D强化学习，在多个基准上超越强基线。
Comments 21 pages, 16 figures
无训练率失真感知遍历与扩散
机构 * Department of Information Engineering, The Chinese University of Hong Kong, Hong Kong（信息工程系，香港中文大学，香港） ； College of Electronic and Information Engineering, Shenzhen University, Shenzhen（电子与信息工程学院，深圳大学，深圳）
AI总结 提出一种无需重新训练、利用预训练扩散模型遍历率失真感知（RDP）曲面的框架，结合反向信道编码与分数缩放概率流ODE解码器，理论证明其在AWGN下最优，实验验证其灵活性和有效性。
Comments Accepted by the Forty-Third International Conference on Machine Learning (ICML) 2026
AGZO：用于大语言模型微调的激活引导零阶优化
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong（香港中文大学计算机科学与工程系） ； Xiamen University, China（厦门大学）
AI总结 提出激活引导零阶优化方法AGZO，利用前向传播中的激活结构限制扰动到低秩子空间，在保持低内存的同时提升更新方向与真实梯度的余弦相似度，缩小与一阶微调的性能差距。
Comments 21 pages in total, including 9 pages of main text, with 4 figures and 3 tables Accepted by ICML 2026
通过句子级早期干预缓解对象幻觉
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； 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））
AI总结 提出SENTINEL框架，通过句子级早期干预和领域内偏好学习，无需人工标注即可显著减少多模态大语言模型的对象幻觉，并在幻觉和通用能力基准上超越现有方法。
PLACE：面向大规模图属性社区搜索的提示学习
机构 * Shenzhen Institute of Computing Sciences（深圳计算科学研究院） ； Beijing Institute of Technology（北京理工大学） ； Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 提出PLACE框架，利用图提示学习通过结构化和可学习提示令牌增强GNN，以识别与查询相关的结构凝聚性和属性相似性模式，并在9个真实图上平均F1分数提升22%。
Comments 14 pages, 9 figures
Journal ref KDD 2026
Multi-SpatialMLLM: 多模态大语言模型的多帧空间理解
机构 * FAIR, Meta（FAIR，Meta） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出一种框架，通过整合深度感知、视觉对应和动态感知等基本空间技能，使多模态大语言模型具备多帧空间理解能力，并构建MultiSPA数据集和基准测试，模型Multi-SpatialMLLM在多项任务上取得显著提升。
Comments CVPR 2026 Camera Ready. 27 pages. Project page: https://runsenxu.com/projects/Multi-SpatialMLLM
MedExpMem：适应经验记忆用于鉴别诊断
机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出MedExpMem经验记忆框架，通过存储和利用诊断失败中的判别经验，增强医学视觉语言模型的鉴别诊断能力，在放射学基准上最高提升7.0%准确率。
Comments MICCAI 2026 Early Accept. Submission Version
ObjectCache: 用于KV缓存重用的分层对象存储检索
机构 * ETH Zurich（苏黎世联邦理工学院） ； HPE Labs（惠普实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出ObjectCache系统，利用S3兼容对象存储存储KV缓存，通过协同设计存储协议和传输调度，在GPU消费顺序下交付数据，重叠数据传输与计算，从而在不增加集群成本的前提下最小化TTFT延迟。
MoSA: 通过学习残余各向异性来缓解连续动力学中现实到模拟差距的运动约束应力适应
机构 * Hong Kong University of Science（香港科学大学） ； MMLab, Chinese University of Hong Kong, Hong Kong SAR（香港中文大学MMLab, 香港特别行政区） ； The University of Hong Kong, Hong Kong SAR（香港大学, 香港特别行政区）
AI总结 本文提出MoSA框架，通过运动约束应力适应来缓解连续动力学中现实到模拟差距，利用各向同性模型作为物理先验，并学习残余应力算子以捕捉轻微各向异性和非均匀性，最终在机器人操作中验证了其有效性。
Journal ref International Conference on Machine Learning 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