高校专区
基于选择性观察的结构化行动信用学习CLI代理
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文研究了CLI代理在选择性观察和行动信用分配中的瓶颈，提出σ-Reveal和A³方法，构建ShellOps数据集以评估CLI任务学习。
基于符号的优化器在重尾噪声下表现有效
机构 * State Key Laboratory of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； School of Data Science, Fudan University（复旦大学数据科学学院）
AI总结 本文研究了在重尾梯度噪声下，基于符号的优化器如SignSGD和Lion相较于传统自适应方法的优越性，通过理论分析和实验验证，证明其在处理重尾噪声时的高效性。
Comments Code is available at https://github.com/Dingzhen230/Heavy-tailed-Noise-in-LLMs
精确流线性注意力：从连续时间动态中获得精确解
机构 * Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学）
AI总结 本文提出EFLA，通过连续时间动态的精确闭式流替代delta规则线性注意力的一阶更新，保持其代数结构和效率，提升稳定性和性能。
Comments 16 pages, 5 figures
SEIF：用于指令跟随的自演化强化学习
机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence, Fudan University（上海数据科学 key laboratory，计算机科学与人工智能学院，复旦大学） ； School of Data Science, Fudan University（数据科学学院，复旦大学） ； Ant Group（蚂蚁集团）
AI总结 SEIF提出了一种自演化框架，通过闭环自我进化提升大语言模型的指令跟随能力，通过动态调整指令难度与模型能力相互促进，实验表明其在多模型规模上均有效提升性能。
ShellfishNet：面向海洋软体动物视觉识别的领域专用基准数据集
机构 * IT College, Shanghai Ocean University（上海海洋大学信息学院） ； Fudan University（复旦大学） ； DP Technology（DP技术）
AI总结 本文构建了ShellfishNet数据集，包含8691张图像，用于评估视觉模型在真实环境下的泛化能力，测试了80种神经网络模型及多模态大语言模型的性能。
从零阶选择到二阶判断：组合硬化揭示前沿大语言模型的组成性失败
机构 * Hainan University（海南大学） ； Fudan University（复旦大学）
AI总结 本文提出LogiHard框架，通过确定性转换零阶选择为二阶逻辑判断，显著增加推理难度，验证了大语言模型在组合硬化任务中的表现下降，揭示了训练诱导的完整性验证缺陷。
预见未来，立即行动：基于预见的自动驾驶
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学）
AI总结 本文提出ForeSight框架，通过生成未来场景并据此规划动作，实现前瞻性决策，实验表明其在动态场景中优于现有方法。
Comments CVPR Findings 2026
基于拓扑的大型语言模型对齐：轨迹拓扑损失与拓扑偏好优化
机构 * School of Computing and Intelligent Innovation, Fudan University（复旦大学计算与智能创新学院） ； School of Economics and Management, Tongji University（同济大学经济与管理学院） ； College of Information Technology, Shanghai Ocean University（上海海洋大学信息学院）
AI总结 本文提出基于拓扑的对齐框架，通过轨迹拓扑损失和拓扑偏好优化提升大型语言模型的对齐性能，实验表明其在自动偏好指标和LLM判断评估中优于传统方法。
Comments Accepted to ACL 2026. 15 pages
Real-IAD MVN：一种多视角法向量数据集和基准，用于高保真工业异常检测
机构 * Fudan University（复旦大学） ； Shanghai Ocean University（上海海洋大学） ； Donghua University（东华大学） ； Rongcheer Co., Ltd.（荣驰科技有限公司）
AI总结 本文提出Real-IAD-MVN数据集，通过多视角法向量捕捉微细几何缺陷，验证密集多视角伪3D数据在工业异常检测中的优越性能。
Comments Accepted to CVPR 2025. 15 pages
迈向安全可审计的LLM代理：一种统一的图表示
机构 * Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） ； Donghua University（东华大学）
AI总结 本文提出Agent-BOM统一图表示，用于解决LLM代理系统中执行意图与物理事件间的语义鸿沟问题，通过构建分层属性有向图实现安全审计与风险评估。
AEM：多轮代理强化学习中的自适应熵调节
机构 * Baidu（百度） ； Tsinghua University（清华大学） ； Fudan University（复旦大学）
AI总结 AEM通过自适应调节熵动态，改进多轮代理强化学习中的探索与利用平衡，无需监督即可提升性能。
Comments 30 pages
Miner:挖掘内在掌握以实现大推理模型的数据高效强化学习
机构 * Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 本文提出Miner方法，通过利用策略内在不确定性作为自监督奖励信号，提升大推理模型的数据高效强化学习性能，实现状态-of-the-art结果。
Comments 24 pages
共识熵：利用多视觉语言模型一致性的自验证和自改进OCR
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Sun Yat-sen University（中山大学）
AI总结 本文提出共识熵，一种无需训练的指标，通过测量多模型一致性熵来估计输出可靠性，开发了CE-OCR框架，通过多模型共识验证输出、选择最佳输出并提升效率，实验表明CE在质量验证中鲁棒，提升F1分数42.1%，优于自一致性及单模型基线。
对比学习中的数据增强是估计正激励噪声
机构 * The University of Hong Kong（香港大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院） ； Fudan University（复旦大学） ； School of Artificial Intelligence, OPtics（人工智能学院） ； ElectroNics (iOPEN), Northwestern Polytechnical University（西北工业大学电子学院）
AI总结 本文研究对比学习与正激励噪声的联系，定义了任务熵并提出正激励噪声生成器，通过可视化证明所提方法有效。
Comments Accepted by ICML 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