高校专区
TripleWin：数据-模型耦合市场的固定点均衡定价
机构 * Fudan University（复旦大学） ； Technical University of Denmark（丹麦技术大学） ； Tianjin University（天津大学）
AI总结 本文提出一种数据-模型耦合市场，通过供需映射实现数据与模型交易的闭环，证明其为标准干扰函数，保证均衡存在性和全局收敛性，实验显示收敛效率和公平性优于传统方法。
MedThink: 通过教师引导的推理校正提升小模型的诊断准确性
机构 * School of Computer Science, Fudan University, Shanghai, China（复旦大学计算机学院，上海，中国）
AI总结 MedThink通过两阶段知识蒸馏框架提升小语言模型的临床推理能力，在医疗基准测试和胃肠病数据集上均优于传统方法，提升诊断准确率和泛化能力。
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
人类与人工智能的共演与知识崩溃：一种动态系统视角
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）
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: 一种综合分割框架，包含高效标注建模和scribble监督最大化
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）
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：事件感知生成世界模型与结构运动-视觉动作场
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）
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
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
机构 * School of Data Science, Fudan University（复旦大学数据科学学院）
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缓存作为分层内存用于高效视频流理解
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）
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：光学化学结构识别的现实世界基准
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）
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。
选择性回放：多样本代理强化学习中的中程轨迹终止
机构 * Fudan University（复旦大学）
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。
连接生成与训练：LLMs用于代码的品质问题系统综述
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）
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。
基于段落对齐的策略优化用于多模态推理
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）
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。
乘积交互中的隐藏问题：揭示多模态对比学习中的脆弱性
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）
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：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
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）
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
融合还是混淆？多模态复杂性并不都是你需要的
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）
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。
通过激活回放提升大多模态模型的推理能力
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）
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
基于队列的主动模态获取
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）
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。
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