Fudan University（复旦大学）

DARE: Diffusion Large Language Models Alignment and Reinforcement Executor

DARE：扩散大语言模型对齐与强化执行器

Jingyi Yang, Yuxian Jiang, Xuhao Hu, Shuang Cheng, Biqing Qi, Jing Shao

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 DARE框架整合了监督微调、参数高效微调、偏好优化和强化学习，为扩散大语言模型提供统一的执行栈，支持多种模型家族，实现算法覆盖、可重复评估和实际加速。

Comments 14 pages,3 figures,5 tables

CODA: Difficulty-Aware Compute Allocation for Adaptive Reasoning

CODA：面向自适应推理的难度感知计算分配

Siye Wu, Jian Xie, Yikai Zhang, Yanghua Xiao

机构 * Fudan University（复旦大学） 纠错

AI总结 本文提出CODA，通过难度感知信号动态分配计算资源，实现自适应推理。在易任务中降低token成本，在难任务中提升性能。

TSPO: Breaking the Double Homogenization Dilemma in Multi-turn Search Policy Optimization

TSPO：突破多轮搜索策略优化中的双重均质化困境

Shichao Ma, Zhiyuan Ma, Ming Yang, Xiaofan Li, Xing Wu, Jintao Du, Yu Cheng, Weiqiang Wang, Qiliang Liu, Zhengyang Zhou, Yang Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Tiansuan Lab, Ant Group Co., Ltd.（天算实验室，蚂蚁集团） ； Fudan University（复旦大学） ； East China Normal University（华东师范大学） ； Central South University（中南大学） 纠错

AI总结 本文提出TSPO方法，通过引入首次出现潜在奖励机制，解决多轮搜索策略优化中的过程均质化和组内均质化问题，提升模型性能。

The PIMMUR Principles: Ensuring Validity in Collective Behavior of LLM Societies

PIMMUR 原则：确保 LLM 社会集体行为的有效性

Jiaxu Zhou, Jen-tse Huang, Xuhui Zhou, Man Ho Lam, Xintao Wang, Hao Zhu, Wenxuan Wang, Maarten Sap

机构 * Chinese University of Hong Kong（香港中文大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文通过审计39项研究，识别出六个普遍缺陷，指出89.7%的研究违反至少一个原则，导致模拟有效性受损。通过复现实验发现，当遵循PIMMUR原则时，报告的集体现象往往消失或反转，表明许多'涌现'行为可能是方法学伪影而非真实社会动态。

Comments 13 pages, 9 figures, 3 tables; add more papers in our systematic audit (39 in total)

DINO-VO: Learning Where to Focus for Enhanced State Estimation

DINO-VO：用于增强状态估计的聚焦学习

Qi Chen, Guanghao Li, Sijia Hu, Xin Gao, Junpeng Ma, Xiangyang Xue, Jian Pu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 DINO-VO通过可微适应性补丁选择器提升单目视觉里程计的性能，实现跨多样数据集的强泛化能力。

SafeCtrl: Region-Aware Safety Control for Text-to-Image Diffusion via Detect-Then-Suppress

SafeCtrl: 通过检测-然后抑制方法实现区域感知的安全控制

Lingyun Zhang, Yu Xie, Zhongli Fang, Yu Liu, Ping Chen

机构 * School of Computer Science and Technology, Fudan University（复旦大学计算机科学技术学院） ； Institute of Big Data, Fudan University（复旦大学大数据研究院） ； Nanjing University of Information Science and Technology（南京信息工程大学） 纠错

AI总结 SafeCtrl通过检测-然后抑制方法实现区域感知的安全控制，精准定位风险区域并局部抑制有害内容，提升安全性与生成质量。

Comments 6 pages, 5 figures, accepted to 2026 IEEE International Conference on Multimedia and Expo (ICME)

HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving

HAD：结合分层扩散与度量解耦RL的端到端驾驶

Wenhao Yao, Xinglong Sun, Zhenxin Li, Shiyi Lan, Zi Wang, Jose M. Alvarez, Zuxuan Wu

机构 * Fudan University（复旦大学） ； NVIDIA（英伟达） 纠错

AI总结 HAD提出一种端到端规划框架，结合分层扩散策略与度量解耦RL，通过结构保持轨迹扩展生成真实轨迹并提升驾驶目标优化效果，实验表明在NAVSIM和HUGSIM上取得新突破。

Comments 17 pages, 7 figures

NeuroSymb-MRG: Differentiable Abductive Reasoning with Active Uncertainty Minimization for Radiology Report Generation

NeuroSymb-MRG：基于主动不确定性最小化的可微推断推理用于放射科报告生成

Rong Fu, Yiqing Lyu, Chunlei Meng, Muge Qi, Yabin Jin, Qi Zhao, Li Bao, Juntao Gao, Fuqian Shi, Nilanjan Dey, Wei Luo, Simon Fong

机构 * University of Macau（澳门大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Peking University（北京大学） ； The First People’s Hospital of Foshan（佛山市第一人民医院） ； Capital Medical University（首都医科大学） ； Rutgers Cancer Institute, NJ, USA（罗格斯癌症研究所（美国新泽西州）；纽约大学朗格尼健康中心（美国纽约州）） ； and NYU Langone Health, NY, USA（Techno国际新城（印度加尔各答）） ； Techno International New Town, Kolkata, India 纠错

AI总结 本文提出NeuroSymb-MRG框架，结合神经符号推断与主动不确定性最小化，生成结构化且临床可靠的报告。通过图像特征到概率临床概念的映射，构建可微推理链，并通过检索和约束语言模型编辑优化文本输出。

Comments 12 pages, 1 figure

ToG-Bench: Task-Oriented Spatio-Temporal Grounding in Egocentric Videos

ToG-Bench：面向任务的时空接地在第一人称视频中

Qi'ao Xu, Tianwen Qian, Yuqian Fu, Kailing Li, Yang Jiao, Jiacheng Zhang, Xiaoling Wang, Liang He

机构 * East China Normal University（华东师范大学） ； Fudan University（复旦大学） 纠错

AI总结 本文提出ToG-Bench，首个面向任务的时空视频接地基准，通过任务导向的接地、显式-隐式双接地和一对一多接地特性，评估多对象和显式-隐式对象接地性能，揭示任务导向时空视频接地的挑战与性能差距。

Comments 26 pages