Fudan University（复旦大学）

Beyond the Trace: Coupling an Interpretable Reasoning-State Readout to Native MoE Routing

超越轨迹：将可解释推理状态读出与原生MoE路由耦合

Kang Chen, Sihan Zhao, Yixin Cao, Yugang Jiang

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

AI总结 本研究提出将可解释推理状态读出J64与原生MoE路由耦合的两级机制，提升推理过程可解释性与性能，R64作为低开销代理可保留其核心增益，还能优化分支选择与投票策略、调整推理行为。

Agent Lightning v1.0: Towards Harnessed Agentic RL

Agent Lightning v1.0：走向可控的智能体强化学习

Zhiyuan He, Siwei Zhang, Zhiwen Zhou, Yuqing Yang, Yu Kang, Yuge Zhang, Luna K. Qiu, Tin Yan Tsui, Jiahang Xu, Chong Luo

机构 * Microsoft（微软） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 研究针对可控智能体强化学习的挑战，推出轻量级框架 Agent Lightning v1.0，经评估可将 Qwen3.5-9B 在 SWE-bench Verified 上的性能提升14.6个百分点，发布完整流程脚本以推进相关可复现研究。

Towards Better Agents for Multi-Turn User Interaction: The Next User Turn Is More Than Context

面向更好的多轮用户交互智能体：下一轮用户输入不止是上下文

Yiwen Zhao, Zhihao Wen, Yuchen Mao, Mingxuan Jiang, Yihao Hu, Pan Wang, Xin Zhang, Wei Wu

机构 * Fudan University（复旦大学） ； Ant International, Ant Group（蚂蚁集团蚂蚁国际） 纠错

AI总结 该研究针对多轮用户交互智能体的信用分配问题，提出FACA方法，在多领域测试中提升了8B和14B规模模型的性能，验证了下一轮用户反应可提供局部信用。

ArguLens: An Open-Source System for Automated Essay Scoring and Label-Aware Feedback Generation

ArguLens：用于自动作文评分及感知标签的反馈生成的开源系统

Weiran Wang, Hongxiang Shi, Huitao Tang, Wenjuan Qin

机构 * Fudan University（复旦大学） 纠错

AI总结 本文提出开源可本地部署的ArguLens系统，将自动作文评分分解为三个解耦组件，在PERSUADE 2.0测试集上取得良好评分效果，附带反馈生成器并以Apache 2.0许可发布。

Reconfiguration-Complete Motion Primitives with Constructive Planning for Deformable Planar Modular Robots

面向可变形平面模块化机器人的带构造性规划的可重构完备运动原语

Jie Gu, Tingting Wang, Hongrun Gao, Yirun Sun, Zhihao Xia, Chunxu Tian, Dan Zhang

机构 * Institute of AI and Robotics, Academy for Engineering & Technology, Fudan University（复旦大学工程与技术学院人工智能与机器人研究所） 纠错

AI总结 针对可变形平面模块化机器人重构规划的固定表示难题，提出带构造性规划的运动原语及前瞻选择器，证明N≥7的边连接非直线构型可相互重构，实验显示规划时间短于现有框架。

Comments Jie Gu and Tingting Wang contributed equally to this work

Understanding Curriculum Learning in Large Language Models via Cross-Difficulty Optimization Dynamics

基于跨难度优化动力学的大语言模型课程学习理解

Zhikai Ding, Ziyi Ye

机构 * Fudan University（复旦大学） 纠错

AI总结 本文通过分析不同课程调度的优化动力学，提出衡量跨难度知识迁移的Relative Transfer指标，据此推导TDCS方法，经多推理基准实验证明其性能优于代表性调度策略，为课程学习提供统一优化解释。

J-Miner: Recovering Executable Decision Knowledge from Language-Model Classifiers

J-Miner：从语言模型分类器中恢复可执行的决策知识

Yunfan Gao, Xinyi Huang, Tao Sheng, Haorui Song, Yun Xiong, Haofen Wang

机构 * Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院） ； Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机与人工智能学院上海市数据科学重点实验室） ； Meituan（美团） ； College of Design and Innovation, Tongji University（同济大学设计创意学院） 纠错

AI总结 J-Miner可从微调后的语言模型分类器中挖掘隐含的决策知识，生成可执行规则，规则复现源分类器决策精度高、保真度优，还能迁移至轻量级模型并保留高准确率。

Comments 19 pages, 12 figures, and 13 tables; includes appendices

SAEVerbalizer: Generating Explanations for Sparse Autoencoder Features via Representation Verbalization

SAEVerbalizer：通过表示 verbalization 为稀疏自编码器特征生成解释

Weihan Meng, Hongzhu Guo, Yi Jing, Dewen Liu, Zijun Yao, Xiaozhi Wang, Lei Hou, Juanzi Li

机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Fudan University（复旦大学） 纠错

AI总结 该研究提出 SAEVerbalizer 框架，通过微调 LLM 下游层生成 SAE 特征的自然语言解释，解决了传统解释方法的表面性与低效率问题，其 verbalization 能力可泛化、迁移并扩展到不同 LLM 的 SAE 特征。