高校专区
面向多代理多格式推理的鲁棒现实世界电子表格理解
机构 * CUHK MMLab（CUHK多模态实验室） ； SenseTime Research（商汤科技研究院） ； Shenzhen Loop Area Institute（深圳河套学院） ； CPII under InnoHK（创新香港下的CPII）
AI总结 本文提出SpreadsheetAgent框架，通过多模态逐步阅读推理解决大规模电子表格处理问题，通过结构草图和行列摘要提升推理可靠性，实验表明其在Spreadsheet Bench上表现优异。
Comments Accepted to ACL 2026 (main conference)
CodeSpecBench: 用于可执行行为规范生成的LLM基准测试
机构 * The Hong Kong Polytechnic University（香港理工大学） ； University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； CUHK (SZ)（香港中文大学（深圳）） ； SUTD（新加坡科技设计大学） ； HKUST（香港科技大学） ； CUHK（香港中文大学） ； HKUST (GZ)（香港科技大学（广州））
AI总结 本文提出CodeSpecBench，一个基于执行评估协议的LLM可执行行为规范生成基准，评估了15种最新LLM在函数和仓库级任务中的表现，发现仓库级任务性能显著下降，且规范生成比代码生成更具挑战性。
像人类考官一样评判：一种用于生成任务的加权重要性多点评估框架
机构 * Pengcheng Laboratory, Shenzhen, China（鹏城实验室，深圳，中国） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； Qwen team, Alibaba Group（通义实验室，阿里巴巴集团） ； Institute of Computing Technology, CAS（中国科学院计算技术研究所）
AI总结 本文提出WIMPE框架，通过加权重要性多点评估方法，解决生成任务中长答案评估的挑战，提升与人类标注的关联性。
Comments 21 pages
交互式语音识别：迈向人样交互和语义连贯性评估的代理语音识别
机构 * X-LANCE Lab, Shanghai Jiao Tong University（上海交通大学X-LANCE实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Xi'an Jiaotong University（西安交通大学） ； Fudan University（复旦大学） ； Tongyi Fun Team, Alibaba Group（阿里巴巴集团 Tongyi 团队）
AI总结 本文提出基于LLM的代理框架，通过语义反馈提升语音识别的语义准确性和交互修正能力，实验验证了其有效性。
WebFactory：自动化将基础语言智能压缩为 grounded Web agents
机构 * Fudan University（复旦大学） ； IMean AI ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学）
AI总结 WebFactory 提出了一种自动化闭环强化学习流程，将大语言模型的潜在知识高效压缩为可操作的 agent 行为，实现了数据效率和泛化能力的提升。
定位、引导与改进：大型语言模型中可操作机制可解释性的一项实用调查
机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； LMU Munich（慕尼黑大学） ； Tsinghua University（清华大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Technische Universität Berlin（柏林技术大学） ； Technische Universität Dresden（德累斯顿技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanjing University（南京大学） ； University of Manchester（曼彻斯特大学） ； Dartmouth College（达特茅斯学院） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； Microsoft（微软） ； Tencent（腾讯）
AI总结 本文提出一个实用调查，围绕'定位、引导与改进'流程，系统分类定位和引导方法，展示如何通过该框架提升模型对齐、能力和效率。
通过最小化强化学习推进多智能体RAG系统
机构 * McGill University \& Mila Montréal QC Canada ； The Chinese University of Hong Kong Hong Kong China ； Huawei Noah’s Ark Lab Montréal QC Canada ； University of Manitoba Winnipeg MB Canada ； Tianjin University Tianjin China ； Independent Researcher Hong Kong China ； McGill University \& Mila ； The Chinese University of Hong Kong ； Huawei Noah’s Ark Lab ； University of Manitoba ； Tianjin University ； Independent Researcher
AI总结 本文提出Mujica-MyGo框架，通过多智能体RAG流程分解多轮交互，结合轻量强化学习算法MyGO，有效解决长上下文问题，提升复杂问答性能。
Comments AAMAS 2026
由视觉强化学习实现的自主衍射测量
机构 * Jeremiah Horrocks Institute for Mathematics, Physics and Astronomy, University of Central Lancashire（中央兰开夏大学杰里迈亚·霍罗克斯数学、物理与天文研究所） ； Department of Physics, Clarendon Laboratory, University of Oxford（牛津大学克拉伦登实验室物理系） ； State Key Laboratory of Surface Physics and Department of Physics, Fudan University（复旦大学表面物理国家重点实验室和物理系） ； Department of Physics, The Chinese University of Hong Kong（香港中文大学物理系） ； State Key Laboratory of Quantum Information Technologies and Materials, The Chinese University of Hong Kong（香港中文大学量子信息与材料国家重点实验室）
AI总结 本文提出一种无需晶体学知识的自主系统，利用强化学习从劳厄衍射图中自动对齐单晶体，提升材料科学自动化实验流程的能力。
Comments 20 pages, 16 figures
StarVLA-$α$：降低视觉-语言-动作系统复杂度
机构 * HKUST（香港科技大学） ； XJTU（西安交通大学） ； CUHK（香港中文大学） ； THU（清华大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； SmartMore Ltd.（SmartMore有限公司）
AI总结 本文提出StarVLA-$α$，通过简化架构与流程降低实验干扰，系统分析VLA设计关键因素，在多个基准测试中表现优异，优于现有模型20%。
ComSim：通过组合模拟构建可扩展的现实世界机器人数据生成
机构 * CUHK-Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） ； USTC（中国科学技术大学） ； The University of Hong Kong（香港大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学）
AI总结 本文提出Compositional Simulation方法，结合经典模拟与神经模拟生成准确的动作-视频对，通过闭环数据增强管道生成大规模高质量训练数据，减少仿真到现实的域差距，提升现实环境中的政策模型性能。
Comments 14 pages, 8 figures, 4 tables; supplementary material included; Project page: https://faceong.github.io/ComSim/
选择更聪明，而非更多：基于提示的评估调度与子模保证
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Xi’an Jiaotong University（西安交通大学） ； Taobao and Tmall Group（淘宝天猫集团）
AI总结 本文提出POES方法，通过整合信息论评分、设施覆盖和切换成本，实现子模保证的评估调度，提升提示优化效率与准确性。
MemDLM：增强记忆的DLM训练
机构 * The Chinese University of Hong Kong（香港中文大学） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 MemDLM通过引入双通道记忆机制，利用Bi-level优化在训练中嵌入模拟去噪轨迹，提升长上下文表示和训练效率，同时在推理时启用内循环实现特定提示适应。
EEPO：通过采样后遗忘的探索增强策略优化
机构 * The Chinese University of Hong Kong（香港中文大学） ； Microsoft Research Asia（微软亚洲研究院） ； Hong Kong Baptist University（香港浸会大学） ； LMU Munich（慕尼黑大学） ； MoE Key Laboratory of High Confidence Software Technologies（教育部高可信软件技术重点实验室）
AI总结 EEPO通过两阶段 rollout 和自适应遗忘机制提升探索能力，在五个推理基准中超越 GRPO，取得显著性能提升。
Comments ICLR 2026
Skill-SD：基于多轮LLM代理的技能条件自蒸馏
机构 * Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） ； 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） ； University of Chinese Academy of Sciences（中国科学院大学） ； vivo AI Lab（vivo AI实验室）
AI总结 Skill-SD通过将代理自身轨迹转化为动态训练监督，结合重要加权反KL损失稳定训练，提升多轮LLM代理性能，实验显示优于标准RL和OPD方法。
Comments Project page: https://k1xe.github.io/skill-sd/
一种用于对抗具身推理中时空幻觉的渐进训练策略
机构 * Zhejiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Qingdao University（青岛大学） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of YYY（YYY大学） ； Institute of WWW（WWW研究所）
AI总结 本文提出一种渐进训练框架，通过构建CoT数据集和弱标签数据提升视觉语言模型的时空推理能力，有效缩小了正反向性能差距。
FORGE：面向制造场景的细粒度多模态评估
机构 * University of Waterloo（滑铁卢大学） ； University of Sydney（悉尼大学） ； Singapore Management University（新加坡管理大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Hunan University（湖南大学） ； Nanyang Technological University（南洋理工大学） ； Royal Melbourne Institute of Technology（皇家墨尔本理工大学） ； City University of Hong Kong（香港城市大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）
AI总结 本文提出FORGE，构建高质量多模态数据集并评估18种先进MLLM在制造任务中的表现，揭示领域知识不足是主要瓶颈，展示结构化标注可提升模型精度。
Comments Project Page:https://ai4manufacturing.github.io/forge-web
GoT-R1：通过强化学习提升MLLM的视觉生成推理能力
机构 * HKU MMLAB（香港大学多媒体实验室） ； CUHK MMLAB（香港中文大学多媒体实验室） ； Sensetime（商汤科技） ； Beihang University（北京航空航天大学） ； SUAT（上海人工智能实验室）
AI总结 GoT-R1通过强化学习提升视觉生成中的语义-空间推理能力，改进了复杂提示下的图像生成效果，实验表明在T2I-CompBench基准上表现优异。
Comments Github page refer to: https://github.com/gogoduan/GoT-R1. Published as a conference paper at ICLR 2026
强化学习用于强度控制：应用于基于选择的网络收益管理
机构 * Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong（香港中文大学系统工程与工程管理系） ； Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
AI总结 本文提出一种连续时间强化学习框架用于强度控制，通过基于选择的网络收益管理案例研究，展示其在大规模问题中的高效性和优越性。
将2D多模态大语言模型适应于3DCT图像分析
机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子及计算机工程学系） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程学系） ； Institute of Medical Intelligence and XR, The Chinese University of Hong Kong（香港中文大学医学智能与扩展现实研究所） ； Center for Artificial Intelligence and Robotics, Hong Kong Institute of Science and Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人创新中心）
AI总结 本文提出将2D多模态大语言模型适应于3DCT图像分析，设计Text-Guided Hierarchical MoE框架，采用两阶段训练策略提升医学报告生成和视觉问答任务性能。
PhyMix：迈向物理一致的单图像3D室内场景生成的隐式-显式优化
机构 * Lingnan University（岭南大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； Shenzhen University（深圳大学）
AI总结 本文提出PhyMix，通过隐式-显式优化框架，结合物理评估器提升生成场景的物理一致性，实现视觉真实且物理合理的3D室内场景生成。
表征崩溃的最小模型：挫败、停止梯度与动态
机构 * Center for Soft Matter and Biological Physics, Virginia Tech（弗吉尼亚理工大学软物质与生物物理中心） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系）
AI总结 本文提出一个最小表征模型，研究表征崩溃机制及防止方法，通过分析梯度动态和固定点，发现挫败样本和停止梯度可抑制崩溃。
Comments 20 pages, 13 figures
NeuroFlow：迈向从神经活动统一的视觉编码和解码
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tsinghua University（清华大学） ； Chinese University of Hong Kong（香港中文大学）
AI总结 NeuroFlow首次提出统一框架，通过单一流模型联合建模视觉和神经活动的编码解码，提升效率与一致性。
Comments Accepted to CVPR 2026. Project page: https://michaelmaiii.github.io/NeuroFlow-S
EE-MCP：通过自动环境生成和经验学习的自进化MCP-GUI代理
机构 * University College London（伦敦大学学院） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出EE-MCP框架，通过自动环境生成和经验学习实现MCP-GUI代理的自进化，通过跨应用分析证明其在MCP主导任务和GUI密集任务中的有效性。
在多模态大语言模型中实现模态专精以在缺失模态下实现鲁棒的虚假新闻检测
机构 * Soochow University（苏州大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； The Hong Kong University of Science and Technology（香港科技大学） ； FiT, Tencent（腾讯FiT） ； Alibaba Group（阿里巴巴集团） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； School of Education, Zhejiang Normal University（浙江师范大学教育学院）
AI总结 本文提出在多模态大语言模型中通过头级专精机制提升鲁棒性，以应对缺失模态下的虚假新闻检测，通过保留模态专精能力与利用稀疏单模注释提升检测性能。
SemaCDR: 基于大语言模型的跨域序列推荐语义
机构 * Jilin University（吉林大学） ； Hong Kong Polytechnic University（香港理工大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 SemaCDR通过大语言模型构建统一语义空间，整合领域无关和领域特定语义，利用对比正则化对齐多视角物品特征，通过自适应融合生成统一偏好表示，提升跨域序列推荐效果。
设计实验比较多臂老虎机算法
机构 * Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong（香港中文大学系统工程与工程管理系） ； Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
AI总结 本文提出Artificial Replay方法，通过重用历史轨迹降低实验成本，提升多臂老虎机算法比较的效率与可靠性。
Online3R: 基于几何基础模型的在线学习一致序列重建
机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） ； T-Stone Robotics Institute, The Chinese University of Hong Kong（香港中文大学天石机器人研究所） ； NVIDIA（英伟达） ； College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院） ； School of Artificial Intelligence and Computer Science, Anqing Normal University（安庆师范大学人工智能与计算机科学学院）
AI总结 Online3R通过在线学习适应新场景，解决不一致问题，利用可学习的轻量视觉提示和自监督学习策略提升几何预测效率。
UIPress：将光学令牌压缩引入UI到代码生成
机构 * The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Technology Sydney（悉尼科技大学）
AI总结 本文提出UIPress，一种轻量级学习压缩模块，通过结合深度可分离卷积、元素引导的空间重加权和Transformer细化，将UI截图的视觉令牌从约6700压缩到256，结合LoRA实现表示差距桥接，提升效率并优于现有方法。
Comments 10 pages, 3 figures
SAGE：基于服务代理图的评估基准
机构 * Tianjin University（天津大学） ； Tsinghua University（清华大学） ； Beihang University（北京航空航天大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； The Chinese University of Hong Kong（香港中文大学） ； Independent Researcher（独立研究员）
AI总结 本文提出SAGE基准，通过动态对话图验证逻辑合规性，解决现有基准无法评估多维度用户行为和SOP的问题，揭示模型在意图分类与后续动作推导间的执行差距。
DiffHLS: 基于GNN和LLM代码嵌入的高阶综合QoR预测差分学习
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 DiffHLS通过GNN和LLM代码嵌入预测高阶综合QoR，利用核基线与pragma插入设计变体的差分学习，降低合成成本，实验显示在PolyBench上优于GNN基线，且在ForgeHLS数据集上验证了可扩展性。
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