高校专区
Omni-Fake：面向社交媒体的统一多模态深度伪造检测基准测试
机构 * University of Liverpool（利物浦大学） ； University of Exeter（埃克塞特大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Omni-Fake多模态深度伪造检测基准，包含大规模数据集和分布外基准，支持联合检测-定位-解释协议，并提出基于强化学习的多模态检测器，提升检测准确性和可解释性。
Comments Accepted to CVPR 2026
Robo3R：通过精确的前馈3D重建增强机器人操作
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） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 Robo3R通过前馈3D重建模型，直接从RGB图像和机器人状态实时预测高精度场景几何，提升机器人操作的精度与一致性。
Comments Published at Robotics: Science and Systems (RSS) 2026
稀疏字典学习在机制可解释性中的统一理论：分段双凸性与虚假极值
机构 * National University of Singapore（新加坡国立大学） ； Indian Institute of Technology, Dhanbad（印度德里理工学院） ； Chinese University of Hong Kong（香港中文大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学）
AI总结 本文提出稀疏字典学习的统一理论，揭示其分段双凸性及虚假极值问题，通过线性表示基准揭示路径学，提出特征锚定技术提升特征恢复性能。
Transformer树推理后训练中课程的可证明益处
机构 * cuhk（城市大学） ； riken（理化学研究所先进智能项目中心） ； ism（统计数学研究所） ； usyd（悉尼大学） ； astar（科技研究局） ； ntu（南洋理工大学） ； utokyo（东京大学）
AI总结 本文提出一个理论框架，证明课程后训练在提升推理性能方面具有指数级改进，通过分析发现课程策略能显著降低样本复杂度。
Comments Accepted as a conference paper at 43rd International Conference on Machine Learning (ICML 2026)
EngiBench：用于评估大型语言模型在工程问题解决上的基准
机构 * Nanyang Technological University（南洋理工大学） ； The University of Sydney（悉尼大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； The University of Hong Kong（香港大学） ； Hong Kong Polytechnic University（香港理工大学） ； AIRS
AI总结 EngiBench是一个分层基准，用于评估大型语言模型在解决工程问题上的能力，涵盖基础知识检索、情境推理和开放性建模三个层次，揭示当前LLM在现实工程中仍缺乏高级推理能力。
Comments Accepted at ACL 2026 Findings
AdaMeZO：一种用于LLM微调的Adam风格零阶优化器，无需维护动量
机构 * Shenzhen Research Institute of Big Data（深圳大数据研究院） ； The Chinese University of Hong Kong-Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出AdaMeZO，一种基于Adam风格的零阶优化器，通过估计一阶和二阶动量而不存储在内存中，有效减少GPU内存需求，同时在微调LLM时表现出色，比MeZO快70%。
在整合前解耦：测试时合成SFT和RLVR任务向量
机构 * Department of Systems Engineering and Engineering Management, Chinese University of Hong Kong, Hong Kong, China（系统工程与工程管理系，香港中文大学，香港，中国） ； Department of Computer Science, Hong Kong Baptist University, Hong Kong, China（计算机科学系，香港 Baptist 大学，香港，中国） ； DAMO Academy, Alibaba Group, Hangzhou, China（达摩院，阿里巴巴集团，杭州，中国） ； Hupan Lab, Hangzhou, China（虎派实验室，杭州，中国）
AI总结 本文提出DoTS框架，通过测试时任务向量运算解耦SFT和RLVR，减少干扰并提升性能，实验表明其在多个数学推理基准上表现优异。
Claw-Eval-Live: 一个用于评估进化现实工作流的活体代理基准
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）） ； South China University of Technology（华南理工大学） ； Xiamen University（厦门大学） ； Peking University（北京大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出Claw-Eval-Live活体基准，通过分离可刷新信号层和可复现的发布快照，评估代理在动态工作流需求下的表现，发现可靠工作流自动化仍待解决，领先模型仅完成66.7%的任务。
Comments Project page: https://claw-eval-live.github.io
VLBiMan: 视觉-语言锚定的一次示例演示使通用化双臂机器人操作成为可能
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 VLBiMan通过任务感知分解从单个示例中提取可重用技能，实现双臂机器人操作的通用化，减少演示需求并增强跨平台适应性。
Comments accepted by ICLR 2026. The project link is https://hnuzhy.github.io/projects/VLBiMan/
不完整数据，完整动态：一种扩散方法
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（数据科学学院，香港中文大学（深圳）） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 本文提出一种基于扩散的框架，通过将不完整数据分为观察上下文和未观测查询部分，实现对物理系统的学习与缺失部分的准确填补，理论和实验均证明其在流体流动和天气系统等任务中优于现有方法。
具身人工智能中视觉-语言-动作模型的综述
机构 * Chinese University of Hong Kong（香港中文大学） ； University of Bristol（布里斯托大学） ； Huawei Noah’s Ark Laboratory（华为诺亚实验室）
AI总结 本文综述了具身人工智能中视觉-语言-动作模型的发展，探讨了其在机器人任务中的应用，分类了三种主要研究方向，并讨论了面临的挑战与未来方向。
Comments Project page: https://github.com/yueen-ma/Awesome-VLA
Journal ref IEEE Transactions on Neural Networks and Learning Systems (Early Access), 2026
用于视觉生成的表示弗雷歇损失
机构 * USC（美国南加州大学） ； CMU（卡内基梅隆大学） ； CUHK（香港中文大学） ； OpenAI
AI总结 本文提出FD-loss，通过分离FD估计的种群规模与梯度计算的批次规模，发现基于表示空间的FD优化能提升视觉质量，且多步生成器可转为强单步生成器，同时揭示FID可能误判视觉质量。
Comments Code and checkpoints are available at https://github.com/Jiawei-Yang/FD-loss
图世界模型：概念、分类与未来方向
机构 * The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学）
AI总结 本文系统阐述了图世界模型的概念，分类了基于关系归纳偏置的三种类型，并探讨了其未来研究方向与挑战。
FluxMoE：解耦专家驻留以实现高性能MoE服务
机构 * The Chinese University of Hong Kong（香港中文大学） ； SCITIX
AI总结 本文提出FluxMoE，通过解耦专家参数与GPU驻留，提高MoE服务性能，实验显示在内存密集型场景下，FluxMoE比vLLM提升3.0倍吞吐量，且不牺牲模型精度。
RIHA：报告-图像层次对齐用于放射学报告生成
机构 * Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院） ； MedVisAI Lab（医学影像人工智能实验室） ； Centre of AI in Medicine, Singapore（新加坡人工智能医学中心） ； Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学（深圳）） ； Department of Computer Science and Engineering（计算机科学与工程系）
AI总结 本文提出RIHA框架，通过多级对齐提升放射学报告生成的准确性，引入视觉和文本特征金字塔及跨模态对齐模块，实验表明其在自然语言生成和临床效果上优于现有方法。
Comments Accepted by Journal of Biomedical and Health Informatics (JBHI)
一种实时尺度鲁棒网络用于鼻内气管插管中的声带分割
机构 * School of Mechanical Engineering, Hubei University of Technology（湖北工业大学机械工程学院） ； National Key Laboratory for Novel Software Technology, Department of Computer Science and Technology, Nanjing University（南京大学新型软件技术国家重点实验室，计算机科学与技术系） ； Department of Electronic Engineering, The Chinese University of Hong Kong（香港中文大学电子工程系） ； Shun Hing Institute of Advanced Engineering, The Chinese University of Hong Kong（香港中文大学顺安先进工程研究院）
AI总结 本文提出了一种轻量级多感受野特征提取模块，用于提高鼻内气管插管中声带分割的鲁棒性和精度，实验表明其在三个数据集上表现优异，达到92.9%的mDice分数。
Comments 14 pages, 9 figures
在需要的地方编辑：区域感知的适配器注入用于无掩码的局部图像编辑
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 本文提出AdaptEdit框架，通过区域感知适配器实现无掩码的局部图像编辑，结合轻量级Block Adapter和SpatialGate提升编辑精度，同时通过Region-Aware Loss优化训练目标，实现无需用户掩码的高质量编辑。
EAG-PT：考虑发射的高斯和路径追踪用于漫反射室内场景重建与编辑
机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学）
AI总结 EAG-PT通过统一的2D高斯表示实现室内场景的物理重建与渲染，支持可编辑的漫反射全局光照，结合高效单次反弹优化和高质量多次反弹路径追踪，优于现有方法。
Comments SIGGRAPH 2026 Conference Paper; Project Page: https://eag-pt.github.io
对齐感知、推理、建模与交互：物理AI的综述
机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（云网智能技术有限公司） ； Peking University and Beijing International Center for Mathematical Research（北京大学和北京国际数学研究中心）
AI总结 本文综述了物理AI，探讨了理论物理推理与应用物理理解的区别，并分析了基于物理的方法如何提升AI在现实世界中的理解能力，推动更安全、可推广的AI系统。
统一稀疏注意力与分层记忆以实现可扩展的长上下文LLM服务
机构 * University of Virginia（弗吉尼亚大学） ； Microsoft Research（微软研究院） ； Georgia Institute of Technology（佐治亚理工学院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出SPIN框架，通过统一分区抽象、局部性感知的KV缓存管理器和两级元数据布局，提升稀疏注意力与分层KV存储的协同效率，实现更高的吞吐量和更低的响应时间。
Comments 15 pages
SHAPE：统一安全、帮助性和教学法以用于教育LLM
机构 * Center for Data Science, New York University Shanghai（纽约大学上海数据科学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
AI总结 本文提出SHAPE基准，通过知识掌握图统一安全、帮助性和教学行为，改进教育LLM在对抗压力下的安全性和帮助性。
Comments ACL 2026 Main
基于价值引导的迭代精炼与DIQ-H基准：评估VLM鲁棒性的新方法
机构 * The School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）科学与工程学院） ； The School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）人工智能学院） ； The Shenzhen Institute of Artificial Intelligence and Robotics for Society, Shenzhen, China（深圳人工智能与机器人社会研究院）
AI总结 本文提出DIQ-H基准和VIR框架，通过模拟真实世界压力源评估VLM在连续序列中的鲁棒性，提升误差恢复和伦理一致性。
FedPF: 一种在保障隐私的同时平衡公平性与效用的精确目标联邦学习
机构 * The School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院，上海，中国） ； The Shanghai Key Laboratory of Integrated Administration Technologies for Information Security, Shanghai, China（上海信息安全集成管理技术重点实验室，上海，中国） ； The School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）科学与工程学院，中国）
AI总结 FedPF通过将多目标优化转化为零和博弈，平衡公平性与隐私保护，实验证明在严格隐私约束下仍能保持最低歧视水平和高效用，同时揭示了隐私和公平性需通过精心权衡而非单独优化。
Comments 13 pages, 4 figures, 33 conference, The paper has been accepted by ICDCS conference
Journal ref ICDCS conference 2026
MappingEvolve：基于大语言模型的科技映射代码进化
机构 * Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出MappingEvolve框架，利用大语言模型直接进化科技映射代码，通过分层代理架构提升代码优化效果，实验显示在面积减少和延迟平衡方面优于现有方法。
推理时的验证扩展：通过测试时的评分指南验证实现自我进化深度研究代理
机构 * The Chinese University of Hong Kong（香港中文大学） ； Tencent AI Lab（腾讯人工智能实验室） ； Singapore Management University（新加坡管理学院） ； The Renmin University of China（中国人民大学）
AI总结 本文提出通过测试时评分指南验证实现深度研究代理的自我进化，通过迭代验证策略模型输出，提升验证能力，实验显示在GAIA和XBench-DeepSearch上准确率提升8%-11%。
Comments ACL'2026-Findings
WebAggregator：增强深度研究代理基础模型的组合推理能力
机构 * MoE Lab, The Chinese University of Hong Kong（莫埃实验室，香港中文大学） ； Tencent AI Lab（腾讯AI实验室）
AI总结 本文提出WebAggregator数据合成管道，通过主动探索和组合逻辑提案，提升深度研究代理的组合推理能力，并在多个基准测试中超越GPT-4.1和Claude-3.7-Sonnet。
超越排行榜：重新思考大型语言模型的医疗基准
机构 * Stanford University（斯坦福大学） ； Shenzhen University（深圳大学） ； The Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学） ； Renmin University of China（中国人民大学）
AI总结 本文提出MedCheck框架，用于评估医疗领域大型语言模型的基准，揭示现有基准在临床相关性、数据完整性及安全性方面的系统性问题。
Comments Accepted by ACL 2026
对计算机使用代理的安全性和安全威胁的综述：贾维斯或乌tron？
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； KAUST（卡塔尔科技大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Nanyang Technological University（南洋理工大学） ； Renmin University of China（中国人民大学） ； The Hong Kong University of Science and Technology（香港科学大学）
AI总结 本文综述了计算机使用代理的安全威胁，定义了安全分析适用的代理类型，分类了当前的安全威胁，提出了防御策略的分类，并总结了评估代理安全性和性能的基准、数据集和评估指标。
Comments Accepted by ACL 2026
学习提问：当LLM代理遇见模糊指令
机构 * Renmin University of China（中国人民大学） ； 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） ； Johns Hopkins University（约翰霍普金斯大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 本文提出AwN框架，通过让LLM在遇到模糊指令时主动提问以提升工具使用性能，并设计自动化评估工具ToolEvaluator，验证了在NoisyToolBench基准下的优越性。
Comments EMNLP 2025
找出阿基里斯之踵：一种用于动态揭示大语言模型事实错误的迭代方法
机构 * Renmin University of China（中国人民大学） ； 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） ； Johns Hopkins University（约翰霍普金斯大学） ； Nanyang Technological University（南洋理工大学） ； Xiaohongshu Inc.（小红书公司） ； Tencent Inc.（腾讯公司）
AI总结 本文提出HalluHunter框架，通过知识图谱和规则基NLP技术，系统揭示大语言模型的事实错误，测试表明可触发55%的问题错误。
Comments Accepted by Findings of ACL 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