Fudan University（复旦大学）

Human-AI Co-Evolution and Epistemic Collapse: A Dynamical Systems Perspective

人类与人工智能的共演与知识崩溃：一种动态系统视角

Xuening Wu, Yanlan Kang, Qianya Xu, Kexuan Xie, Jiaqi Mi, Honggang Wang, Yubin Liu, Zeping Chen

机构 * Fudan University（复旦大学） ； Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Nanjing University of Posts and Telecommunications（南京邮电大学） 纠错

AI总结 本文从动态系统视角探讨人类与语言模型的共演及知识崩溃问题，提出人类与模型形成反馈闭环的耦合系统，通过三变量模型揭示共进化增强、脆弱均衡和退化收敛三种动态模式。

Comments 5 pages, 3 figures, ICML EIML Workshop submitted

ZScribbleSeg: A comprehensive segmentation framework with modeling of efficient annotation and maximization of scribble supervision

ZScribbleSeg: 一种综合分割框架，包含高效标注建模和scribble监督最大化

Ke Zhang, Bomin Wang, Hangqi Zhou, Xiahai Zhuang

机构 * School of Data Science, Fudan University, Shanghai, 200433, China（复旦大学数据科学学院） ； Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学电气与计算机工程系） 纠错

AI总结 本文提出ZScribbleSeg框架，通过最大化scribble监督和随机模拟实现高效标注，结合先验知识提升医学图像分割性能，适用于六个任务。

Comments Accepted by Medical Image Analysis

EA-WM: Event-Aware Generative World Model with Structured Kinematic-to-Visual Action Fields

EA-WM：事件感知生成世界模型与结构运动-视觉动作场

Zhaoyang Yang, Yurun Jin, Lizhe Qi, Cong Huang, Kai Chen

机构 * Fudan University（复旦大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； University of Science and Technology of China（中国科学技术大学） ； DeepCybo（深瞳） 纠错

AI总结 EA-WM通过结构化运动-视觉动作场闭环连接运动控制与视觉感知，提升机器人空间几何和细粒度交互动态的生成精度。

Comments Preprint. 22 pages, 10 figures

Beyond Forgetting in Continual Medical Image Segmentation: A Comprehensive Benchmark Study

超越持续学习中的遗忘：持续医学图像分割的全面基准研究

Bomin Wang, Hangqi Zhou, Yibo Gao, Xiahai Zhuang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

AI总结 本文针对持续医学图像分割中的三大挑战，提出全面的基准研究，评估了不同方法在泛化性、遗忘抑制、可塑性等方面的表现，发现基于重放的方法在稳定性和可塑性之间取得最佳平衡。

Comments Submitted to a journal

HERMES: KV Cache as Hierarchical Memory for Efficient Streaming Video Understanding

HERMES: KV缓存作为分层内存用于高效视频流理解

Haowei Zhang, Shudong Yang, Jinlan Fu, See-Kiong Ng, Xipeng Qiu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 HERMES提出一种无需训练的架构，通过将KV缓存视为分层内存框架，实现视频流的实时准确理解，提升处理速度并降低内存消耗。

Comments Accepted to ACL 2026 Main

MolRecBench-Wild: A Real-World Benchmark for Optical Chemical Structure Recognition

MolRecBench-Wild：光学化学结构识别的现实世界基准

Haote Yang, Hui Wang, Chen Zhu, Jingchao Wang, Linye Li, Hongbin Lai, Huijie Ao, Yongxuan Lyu, Jiang Wu, Jiaxing Sun, Lua Chen, Yuanyuan Cao, Ruijie Zhang, Shengxin Lu, Lijun Wu, Bin Wang, Conghui He

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； King’s College London（伦敦国王学院） ； East China University of Science and Technology（东华大学） ； East China Normal University（东华师范大学） ； Tongji University（同济大学） ； Peking University（北京大学） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出MolRecBench-Wild基准，包含5029个化学结构，覆盖真实出版物中的难度范围，通过CARBON表示语言和双轨评估协议提升语义评估能力，揭示现有专利基准与现实学术场景间的性能差距。

Selective Rollout: Mid-Trajectory Termination for Multi-Sample Agent RL

选择性回放：多样本代理强化学习中的中程轨迹终止

Zhiyuan Zhai, Xin Wang

机构 * Fudan University（复旦大学） 纠错

AI总结 本文提出一种中程轨迹终止方法，通过在轨迹中途检测行动序列的编辑距离来提前停止无方差组，从而减少计算开销并提升测试任务的成功率。

Bridging Generation and Training: A Systematic Review of Quality Issues in LLMs for Code

连接生成与训练：LLMs用于代码的品质问题系统综述

Kaifeng He, Xiaojun Zhang, Peiliang Cai, Mingwei Liu, Yanlin Wang, Chong Wang, Kaifeng Huang, Bihuan Chen, Xin Peng, Zibin Zheng

机构 * Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学） ； Tongji University（同济大学） ； Fudan University（复旦大学） 纠错

AI总结 本文系统综述114项研究，探讨训练数据质量如何影响代码生成质量，建立统一分类体系，提出18种传播机制，并总结检测与缓解技术，指出质量保障正从事后过滤转向数据驱动的闭环修复。

Segment-Aligned Policy Optimization for Multi-Modal Reasoning

基于段落对齐的策略优化用于多模态推理

Lei Gao, Zhuoming Li, Mengxi Jia, Jiakang Yuan, Hongbo Sun, Hao Sun, Xuelong Li

机构 * Fudan University（复旦大学） ； Southeast University（东南大学） ； China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd.（中国电信人工智能技术（北京）有限公司） ； Institute of Artificial Intelligence, China Telecom（中国电信人工智能研究院） 纠错

AI总结 本文提出SAPO方法，通过将推理步骤而非token或完整序列作为策略更新的基本单元，提升多模态推理任务的准确性和稳定性。

Hidden in the Multiplicative Interaction: Uncovering Fragility in Multimodal Contrastive Learning

乘积交互中的隐藏问题：揭示多模态对比学习中的脆弱性

Tillmann Rheude, Stefan Hegselmann, Roland Eils, Benjamin Wild

机构 * Berlin Institute of Health, Charité - Universitätsmedizin Berlin（柏林健康研究所，柏林查理医院） ； Intelligent Medicine Institute, Fudan University（智能医学研究院，复旦大学） ； Department of Mathematics and Computer Science, Freie Universität Berlin（数学与计算机科学系，柏林自由大学） 纠错

AI总结 本文提出Gated Symile，通过引入对比门机制，解决多模态对比学习中因单个模态信息不足、错位或缺失导致的脆弱性问题，提升检索准确率。

FRISM: Fine-Grained Reasoning Injection via Subspace-Level Model Merging for Vision-Language Models

FRISM：通过子空间级模型融合实现细粒度推理注入用于视觉-语言模型

Chenyu Huang, Peng Ye, Xudong Tan, Jinhan Mu, Shenghe Zheng, Li Shen, Tao Chen

机构 * College of Future Information Technology, Fudan University, Shanghai, China（复旦大学未来信息科技学院，中国） ； Shanghai Innovation Institute, China（上海创新研究院，中国） ； The Chinese University of Hong Kong, China（香港中文大学，中国） ； Harbin Institute of Technology, China（哈尔滨工业大学，中国） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室，中国） ； Sun Yat-Sen University, Shenzhen, China（暨南大学深圳校区，中国） 纠错

AI总结 FRISM通过子空间级模型融合实现细粒度推理注入，有效提升视觉-语言模型的推理能力并保持视觉能力。

Comments Accepted by ICML 2026

Fusion or Confusion? Multimodal Complexity Is Not All You Need

融合还是混淆？多模态复杂性并不都是你需要的

Tillmann Rheude, Roland Eils, Benjamin Wild

机构 * Berlin Institute of Health, Charité - Universitätsmedizin Berlin（柏林健康研究所，柏林查理医院） ； Intelligent Medicine Institute, Fudan University（复旦大学智能医学研究院） ； Department of Mathematics and Computer Science, Freie Universität Berlin（柏林自由大学数学与计算机科学系） 纠错

AI总结 本文通过大规模实验挑战多模态学习中复杂架构提升性能的假设，发现增加复杂性常导致混淆而非有效融合，强调需转向方法论严谨性。

Boosting Reasoning in Large Multimodal Models via Activation Replay

通过激活回放提升大多模态模型的推理能力

Yun Xing, Xiaobin Hu, Qingdong He, Jiangning Zhang, Shuicheng Yan, Shijian Lu, Yu-Gang Jiang

机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； Tencent Youtu Lab（腾讯云图实验室） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） 纠错

AI总结 本文通过激活回放方法提升大模型的多模态推理能力，通过操控低熵激活来增强推理性能，验证了该方法在数学、视觉代理和视频推理等场景中的有效性。

Comments CVPR 2026

Cohort-Based Active Modality Acquisition

基于队列的主动模态获取

Tillmann Rheude, Roland Eils, Benjamin Wild

机构 * Berlin Institute of Health, Charité - Universitätsmedizin Berlin（柏林健康研究所，柏林查理大学） ； Intelligent Medicine Institute, Fudan University（智能医学研究院，复旦大学） ； Department of Mathematics and Computer Science, Freie Universität Berlin（数学与计算机科学系，柏林自由大学） 纠错

AI总结 本文提出基于队列的主动模态获取方法，通过填补缺失模态的预期效用来指导额外模态的获取，实验证明其在资源受限环境下更有效。