Fudan University（复旦大学）

SpatialReward: Verifiable Spatial Reward Modeling for Fine-Grained Spatial Consistency in Text-to-Image Generation

SpatialReward: 可验证的空间奖励建模以实现文本到图像生成中的细粒度空间一致性

Sashuai Zhou, Qiang Zhou, Junpeng Ma, Yue Cao, Ruofan Hu, Ziang Zhang, Xiaoda Yang, Zhibin Wang, Jun Song, Cheng Yu, Bo Zheng, Zhou Zhao

机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） ； Fudan University（复旦大学） 纠错

AI总结 本文提出SpatialReward，一种专门评估生成图像中空间布局的可验证奖励模型，通过多阶段流程提升空间一致性与生成质量，实验表明其能更贴近人类判断。

Holistic Scaling Laws for Optimal Mixture-of-Experts Architecture Optimization

整体缩放定律用于最优专家混合架构优化

Weilin Wan, Jingtao Han, Weizhong Zhang, Cheng Jin

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Hi Lab, Xiaohongshu Inc.（小红书公司Hi实验室） ； Project Numina（项目Numina） ； School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

AI总结 本文提出一种框架，通过联合约束三元组和代数约束，优化专家混合架构，实现鲁棒的缩放定律，为大规模计算预算提供完整最优架构。

Probing How Scalable Table Data Enhances General Long-Context Reasoning

探究表格数据如何提升长上下文推理的可扩展性

Huaibing Xie, Guoliang Zhao, Yang Liu, Shihan Dou, Siming Huang, Yanling Xiao, Shaolei Wang, Yiting Liu, Cheng Zhang, Shaofan Liu, Pluto Zhou

机构 * Large Language Model Department, Tencent（腾讯大语言模型部门） ； Xi'an Jiaotong University, Xi'an, China（西安交通大学） ； Fudan University, Shanghai, China（复旦大学） 纠错

AI总结 本文研究表格数据对长上下文推理的增强作用，通过分析表格依赖结构揭示周期性非消失依赖，并提出TableLong框架提升推理能力，实验显示在多个基准上提升8.24%。

CrowdGaussian: Reconstructing High-Fidelity 3D Gaussians for Human Crowd from a Single Image

CrowdGaussian：从单张图像重建高保真的人类人群3D高斯

Yizheng Song, Yiyu Zhuang, Qipeng Xu, Haixiang Wang, Jiahe Zhu, Jing Tian, Siyu Zhu, Hao Zhu

机构 * Nanjing University, China（南京大学） ； Fudan University, China（复旦大学） ； State Key Laboratory of Novel Software Technology, China（新型软件技术国家重点实验室） 纠错

AI总结 本文提出CrowdGaussian框架，通过单张图像直接重建多人3D高斯点云，解决遮挡、低清晰度和多样外观等挑战，实验表明其能生成逼真且几何一致的多人场景重建。

Comments Accepted by CVPR 2026

ResPrune: Text-Conditioned Subspace Reconstruction for Visual Token Pruning in Large Vision-Language Models

ResPrune：基于文本的子空间重建用于大视觉-语言模型中的视觉令牌修剪

Xu Li, Yi Zheng, Yuxuan Liang, Zhe Liu, Xiaolei Chen, Haotian Chen, Rui Zhu, Xiangyang Xue

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） 纠错

AI总结 ResPrune通过子空间重建方法实现视觉令牌修剪，结合文本相关性选择信息量大的令牌，提升大视觉-语言模型推理效率，减少计算和内存开销。

Attention in Space: Functional Roles of VLM Heads for Spatial Reasoning

空间中的注意：VLM头部在空间推理中的功能角色

Xueqi Ma, Shuo Yang, Yanbei Jiang, Shu Liu, Zhenzhen Liu, Jiayang Ao, Xingjun Ma, Sarah Monazam Erfani, James Bailey

机构 * The University of Melbourne（墨尔本大学） ； Australian National University（澳大利亚国立大学） ； Fudan University（复旦大学） ； Monash University（莫纳什大学） 纠错

AI总结 本文研究VLM中注意力头部在空间推理中的作用，通过机制可解释性视角分析其功能，提出CogVSR数据集并开发探针框架，揭示注意力头部在空间推理中的稀疏性和关键作用。

Rethinking Soft Compression in Retrieval-Augmented Generation: A Query-Conditioned Selector Perspective

重新思考检索增强生成中的软压缩：从查询条件选择器视角

Yunhao Liu, Zian Jia, Xinyu Gao, Kanjun Xu, Yun Xiong

机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence（上海数据科学 key 实验室，计算机科学与人工智能学院） ； Fudan University（复旦大学） ； Shanghai（上海） ； China（中国） 纠错

AI总结 本文提出SeleCom框架，通过查询条件选择器改进RAG中的软压缩，提升信息密度并减少计算开销，实验显示其性能优于现有方法且效率更高。

Comments Accepted by WWW 2026

LAOF: Robust Latent Action Learning with Optical Flow Constraints

LAOF：基于光流约束的鲁棒潜在动作学习

Xizhou Bu, Jiexi Lyu, Fulei Sun, Ruichen Yang, Zhiqiang Ma, Wei Li

机构 * Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） 纠错

AI总结 本文提出LAOF方法，通过利用光流作为动作驱动信号，学习鲁棒的潜在动作表示，以应对动作无关的干扰。实验表明，LAOF在下游模仿学习和强化学习任务中表现优异，尤其在标注稀缺条件下效果显著。

Comments CVPR 2026; Project page: https://github.com/XizoB/LAOF

Collaborative Adaptive Curriculum for Progressive Knowledge Distillation

协同自适应课程用于渐进知识蒸馏

Jing Liu, Zhenchao Ma, Han Yu, Bobo Ju, Wenliang Yang, Chengfang Li, Bo Hu, Liang Song

机构 * Fudan University（复旦大学） ； Shanghai Key Research Laboratory of NSAI（上海NSAI重点实验室） ； Joint Laboratory on Networked AI Edge Computing（网络化AI边缘计算联合实验室） 纠错

AI总结 本文提出FAPD框架，通过自适应知识转移提升边缘视觉分析系统的性能，实验表明其在CIFAR-10上准确率提升3.64%，收敛速度加快2倍。

Comments Accepted by IEEE ICME 2026

Fast-Slow Thinking RM: Efficient Integration of Scalar and Generative Reward Models

快速-缓慢思考RM：标量与生成奖励模型的有效整合

Jiayun Wu, Peixu Hou, Shan Qu, Peng Zhang, Ning Gu, Tun Lu

机构 * Fudan University（复旦大学） ； Meituan（美团） 纠错

AI总结 本文提出F/S-RM，结合快速和缓慢思考机制，提升奖励模型性能并降低计算成本。

Geometric Imbalance in Semi-Supervised Node Classification

半监督节点分类中的几何失衡

Liang Yan, Shengzhong Zhang, Bisheng Li, Menglin Yang, Chen Yang, Min Zhou, Weiyang Ding, Yutong Xie, Zengfeng Huang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； MBZUAI ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Logs AI Project（Logs AI项目） 纠错

AI总结 本文提出几何失衡概念，通过伪标签对齐、节点重排和模糊过滤缓解类别不平衡问题，实验表明在严重类别不平衡下性能优于现有方法。

Comments Accepted by NeurIPS 2025

Journal ref Proceedings of the Thirty-ninth Conference on Neural Information Processing Systems (NeurIPS 2025)