高校专区
李雅普诺夫引导：稳定生成流的统一框架
机构 * Imperial College London（伦敦帝国理工学院） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； MicroCyto（微赛生物）
AI总结 研究针对流匹配重新训练计算昂贵、现有训练后引导方法无稳定性保证的问题，提出LyaGuide框架，将流引导作为李雅普诺夫控制问题，统一多种引导策略，经实验验证其在多方面有改进且保持计算效率。
Comments 25 pages, 13 figures
一种用于纵向个人健康管理的自我进化智能体
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； School of Life Sciences, Beijing University of Chinese Medicine（北京中医药大学生命科学学院） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑科学与智能技术研究院） ； School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； JD.com, Inc.（京东公司） ； Key Laboratory of Computational Neuroscience and Brain-Inspired Intelligence, Fudan University, Ministry of Education（复旦大学计算神经科学与类脑智能教育部重点实验室） ； Department of Neurology, Huashan Hospital, Fudan University（复旦大学附属华山医院神经内科）
AI总结 研究针对多数健康AI系统孤立处理请求的问题，开发开源智能体架构HealthClaw，通过自我进化更新支持，经合成基准和生物医学任务评估，在准确率、隐私性及任务指标增益上表现出色，支持纵向个人健康智能体的自我进化记忆。
Comments 20 pages, 4 figures, 6 supplementary tables. Code: https://github.com/HC-Guo/HealthClaw
用于联邦多模态大语言模型微调的弹性正则化和合成重放持续学习
机构 * The University of British Columbia（英属哥伦比亚大学） ； Fudan University（复旦大学） ； Royal College of Science, Imperial College London（伦敦帝国理工学院皇家科学学院） ； Dyson School of Design Engineering（戴森设计工程学院） ； Suzhou Institute of Biomedical Engineering and Technology (SIBET), Chinese Academy of Sciences（中国科学院苏州生物医学工程技术研究所） ； East China Normal University（华东师范大学）
AI总结 研究针对联邦多模态大语言模型微调中灾难性遗忘问题，提出FedCMM框架，在参数、数据、聚合三个层面嵌入持续学习保障，经实验验证该框架在准确性和反向迁移上优于基线，能实现跨异构网络AI部署的稳健进化适应。
Comments submitted to IEEE JSTSP
PFAdapter：用于个性化联邦多模态大语言模型的分层LoRA分解
机构 * College of Future Information Technology, Fudan University（复旦大学未来信息技术学院） ； Division of Natural and Applied Sciences, Duke Kunshan University（昆山杜克大学自然科学与应用科学部） ； Department of Electrical and Computer Engineering, The University of British Columbia（英属哥伦比亚大学电气与计算机工程系） ； Ant Group（蚂蚁集团） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University & Fysics AI（复旦大学智能机器人与先进制造学院及复肆智能科技（上海）有限公司） ； Xiaomi EV, Xiaomi Campus（小米汽车、小米园区） ； Information and Communications Technology Cluster, Singapore Institute of Technology (SIT)（新加坡理工学院信息通信技术集群） ； College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院） ； School of Computer Science and Informatics, Cardiff University（卡迪夫大学计算机科学与信息学院）
AI总结 针对分布式网络中联邦微调平衡全局知识与局部适应的挑战，提出PFAdapter框架，用分层LoRA分解将适配器参数分离，通过正交正则化和选择性聚合协议减少通信成本，实验证明该框架在多数据集上性能优于基线，为智能AI部署提供有效方案。
Comments submitted to IEEE TCCN
无训练合成图像归因中的表示与参考选择
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Department of Information Engineering and Mathematics, University of Siena（锡耶纳大学信息工程与数学系）
AI总结 研究无训练合成图像归因中表示与参考选择的相互作用，利用CLIP和DINOv2不同层表示及三种参考选择方法，发现归因准确性在中间表示层达峰值，语义约束参考可提升归因，重新合成在低参考量时有用，语义对齐参考在中等参考池时权衡较好。
Comments 6 pages, 5 figures, 4 tables
EDAR：学习用于机器人操作的环境相关动作表示
机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院智能信息处理上海市重点实验室） ； TeleAI, China Telecom（中国电信天翼人工智能公司）
AI总结 研究针对机器人操作中动作表示难的问题，提出EDAR方法，将动作令牌与可执行控制结构和预期视觉后果关联，通过实验证明该方法能改善下游策略学习，突出环境相关动作表示的重要性。
BackendForge：使用后端服务对智能端到端代码生成进行基准测试
机构 * Key Lab of HCST (PKU), MOE（北京大学计算机科学与技术国家重点实验室；软件学院，北京大学） ； SCS, Peking University（北京通明湖信息技术应用创新中心） ； Beijing Tongming Lake Information Technology Application Innovation Center (TLAIC)（复旦大学高级计算系统研究所） ； Fudan University Institute of Systems for Advanced Computing（上海开放计算系统研究所） ； Shanghai Institute of Systems for Open Computing
AI总结 研究智能端到端代码生成评估问题，引入BackendForge基准，给定规范和契约让大语言模型生成容器化服务，用测试和代码代理共同进化测试预言机和参考服务，发现当前大语言模型虽能实现部分API行为，但生成完整后端服务仍有困难。
SegDiff：用于一致且自适应机器人操作的分段轨迹扩散
机构 * Institute of Trustworthy Embodied AI, Fudan University, China（可信具身人工智能研究院，复旦大学，中国） ； Shanghai Key Laboratory of Multimodal Embodied AI, China（上海多模态具身人工智能重点实验室，中国）
AI总结 研究针对机器人模仿学习中现有方法的不足，提出SegDiff闭环视觉运动策略，分解示范为运动段并预测连续轨迹，利用扩散模型等提出动态时间集成机制，在多场景中性能优于现有方法，能处理长时间依赖并保持实时适应与控制稳定。
双层优化单环方法的更精确分析
机构 * School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院） ； School of Data Science, Fudan University（复旦大学数据科学学院） ； SGIT AI Lab, State Grid Corporation of China（国家电网公司SGIT人工智能实验室） ； Center for Intelligent Decision-Making and Machine Learning, School of Management, Xi’an Jiaotong University（西安交通大学管理学院智能决策与机器学习中心）
AI总结 研究双层优化中理论与实际单环实现的差距，利用解耦范数分析框架，改进单环近似隐式微分和迭代微分方法的收敛结果，提升收敛速率并精确匹配渐近误差下界，经实验验证理论发现。
Comments 26 pages,6 figures
EvoCUA-1.5：用于多轮计算机使用智能体的在线强化学习
机构 * Meituan（美团） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学）
AI总结 研究多轮计算机使用智能体的在线强化学习问题，提出EvoCUA-1.5，通过STEPO、DTAC等方法应对多轮交互挑战，经实验验证其提高了训练稳定性和下游性能，为在线强化学习提供实用框架。
程序合成驱动的通用酉算子自动设计
机构 * Key Laboratory of Nuclear Physics and Ion-beam Application (MOE), Institute of Modern Physics, Fudan University, Shanghai 200433, China（核物理与离子束应用重点实验室（教育部），现代物理研究所，复旦大学，上海200433，中国） ； Research Center for Theoretical Nuclear Physics, NSFC and Fudan University, Shanghai 200438, China（理论核物理研究中心，国家自然科学基金委员会和复旦大学，上海200438，中国） ； Huawei Technologies Co., Ltd, Beijing 100095, China（华为技术有限公司，北京100095，中国） ； Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology, HongKong, China（工业工程与决策分析系，香港科技大学，香港，中国） ； Hunan Key Laboratory of Mechanism and Technology of Quantum Information, Changsha 410073, China（湖南量子信息机制与技术重点实验室，长沙410073，中国） ； School of Information Science and Technology, Fudan University, Shanghai 200433, China（信息科学与技术学院，复旦大学，上海200433，中国） ； Research Institute of Intelligent Complex Systems, Fudan University, Shanghai 200433, China（智能复杂系统研究所，复旦大学，上海200433，中国） ； Institute of Atomic and Molecular Physics, Jilin University, Changchun 130012, China（原子与分子物理研究所，吉林大学，长春130012，中国） ； School of Physics, East China Normal University, Shanghai 200062, China（物理学院，华东师范大学，上海200062，中国）
AI总结 研究利用人工智能驱动的程序合成，通过扩展DreamCoder到复值线性代数，发现光子网络中酉矩阵分解策略，其生成的程序编码与维度无关的不变量及构造规则，还能利用矩阵结构减少干涉仪数量，为酉算子自动设计提供可扩展范式。
主动拒绝可实现通用机器学习原子间势的可靠泛化
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Suzhou Laboratory（苏州实验室）
AI总结 研究针对通用机器学习原子间势训练数据集受限问题，提出自适应多教师路由方法，通过校准预训练教师、估计结构-教师对可靠性来生成伪标签，提升模型性能和动力学鲁棒性，有效构建高保真uMLIPs数据系统。
Glob3R：基于3D基础模型的全局运动恢复结构
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； Nanjing University（南京大学） ； Fudan University（复旦大学）
AI总结 研究针对3D基础模型重建结果不准确及处理长序列或大图像集有缺陷的问题，提出Glob3R方法，通过增强主干、转换扭曲为特征轨迹、引入关联策略及进行全局优化等，实现强大准确重建，提升神经渲染质量。
SAM-MT：实时交互式多目标视频分割
机构 * Fudan University（复旦大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 研究针对多目标视频分割中帧率随目标数增加而降低的问题，基于SAM2提出SAM-MT。通过显式查询、解耦掩码注意力等方法，实现延迟与目标数解耦，保持分割性能，达到与单目标基线相当的实时速度。
Comments ECCV 2026, Project Page: https://henghuiding.com/SAM-MT/
通过深度原生结构推理实现准确、跨学科和透明的结构-属性理解
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； University of Sydney（悉尼大学） ； Nanjing University（南京大学） ； University of Oxford（牛津大学） ； The University of Science and Technology of China（中国科学技术大学） ； Drug Discovery and Design Center, State Key Laboratory of Drug Research, Shanghai Institute of Materia Medica, Chinese Academy of Sciences（药物发现与设计中心、国家药物研究重点实验室、上海中医药材料医学研究所、中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Stanford University（斯坦福大学）
AI总结 研究聚焦利用人工智能解释结构-属性关系的挑战，提出多模态科学基础模型SciReasoner，通过离散化结构信息为可寻址单元进行推理，在多领域基准测试中表现出色，实现准确预测与可解释科学推理的结合。
用于PET引导的全身MRI转换的异质性自适应扩散薛定谔桥
机构 * The University of Sydney（悉尼大学） ； Fudan University Shanghai Cancer Center（复旦大学附属上海肿瘤医院） ； Beijing Normal University（北京师范大学）
AI总结 针对PET-MR扫描时间长的问题，提出异质性自适应扩散薛定谔桥（HA-DSB）框架，通过整合视觉语言模型嵌入及PET先验，利用双阶段引导机制，实现全身MRI转换，提升不同区域尤其是病变区域的转换质量。
Comments Accepted at MICCAI 2026
一个用于自动驾驶的具有大语言模型注释的高风险驾驶场景知识增强数据集
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Fudan University（复旦大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
AI总结 研究自动驾驶中高风险场景数据不足问题，核心方法是构建K-Risk数据集，整合多源轨迹数据并利用大语言模型生成注释，主要贡献是为自动驾驶开发和评估提供标准化基础。
Comments 22 pages, 9 figures
通过角色感知联合训练和模态解耦去噪增强视频物理一致性
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 研究针对视频扩散模型长程物理一致性挑战，提出VPT微调框架。通过角色感知信号清晰建模不同物理角色，采用模态解耦去噪策略及损失权重衰减，引入跨步自动引导，增强物理动力学，提升物理一致性与视觉质量。
点作为骨架：累积点云增强自回归生成用于闭环自动驾驶模拟
机构 * Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对自动驾驶模拟难题，提出“点作为骨架”框架，通过自回归生成器结合多种条件合成视频，引入Reset-and-Roll支持闭环，用点云骨架稳定误差，实现基于nuPlan的闭环生成接口，实验证明其提升了闭环自回归生成质量。
LAMP：用于灵巧手部操作的潜在运动先验引导的现实世界学习
机构 * Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； PsiBot
AI总结 研究针对灵巧手部现实世界学习易出错的问题，提出含潜在运动先验模块的三阶段学习框架LAMP，先预训练模块，再训练视觉运动策略并通过在线残差RL改进，在真实机器人任务中取得高成功率，提升了学习效果。
Comments 17 pages, 11 figures
PhyMRI-SR：迈向基于物理感知的MRI图像超分辨率
机构 * School of Biomedical Engineering, ShanghaiTech University（上海科技大学生物医学工程学院） ； Shanghai Academy of AI for Science（上海人工智能研究院） ； Fudan University（复旦大学） ； School of Computing and Communications, Lancaster University（兰卡斯特大学计算与通信学院） ； School of Biomedical Engineering & State Key Laboratory of Advanced Medical Materials and Devices, ShanghaiTech University（上海科技大学生物医学工程学院与先进医学材料与器械国家重点实验室） ； Shanghai Clinical Research and Trial Center（上海临床研究与试验中心）
AI总结 研究旨在解决MRI图像超分辨率问题，将其视为物理感知重建问题。核心方法是采用2D高斯点渲染并引入三项创新，包括先验感知高斯表示、物理约束信号建模和元学习框架。主要贡献是在动态分辨率数据集和标准基准上实现领先性能，有临床部署潜力。
Comments Project Page: https://bio-med-i2-lab.github.io/projects/PhyMRI-SR
AEGIS：一种针对文本到图像模型中视觉同义词越狱的机制引导防御
机构 * Fudan University（复旦大学） ； Alibaba Group（阿里巴巴集团） ； Shanghai Pudong Research Institute of Cryptology（上海浦东密码研究所） ； Engineering Research Center of Cyber Security Auditing and Monitoring, Ministry of Education（教育部网络安全审计与监测工程研究中心）
AI总结 研究针对文本到图像模型中视觉同义词越狱问题，提出AEGIS防御机制，通过动态追踪不安全语义生成过程，利用稀疏语义注入注意力头，在推理时仅对易受攻击头部应用相似性感知排斥，提升了模型安全与效用。
PolicyShiftGuard：基准测试与改进策略自适应图像护栏
机构 * Fudan University（复旦大学） ； Tongji University（同济大学） ； Virtue AI（美德人工智能公司） ； The Chinese University of Hong Kong（香港中文大学） ； University of Chicago（芝加哥大学） ； University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究策略自适应图像护栏问题，提出PolicyShiftGuard方法，结合随机策略SFT和边界对策略适应进行两阶段训练，在PolicyShiftBench基准测试中显著提升性能，消融实验验证关键因素。
TurnOPD：使在线策略蒸馏具有转向意识以实现高效的长期智能体训练
机构 * Fudan University（复旦大学） ； Tencent Hunyuan（腾讯文言）
AI总结 研究针对在线策略蒸馏在长期智能体任务应用不足的问题，提出TurnOPD，通过自适应展开深度预算和渐进式转向归一化损失预算两个策略，在多任务实验中实现更高验证准确率，超越普通OPD，推进了准确率-时间前沿。
在智能时代重新思考科学发现
机构 * Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； East China Normal University（华东师范大学）
AI总结 研究提出智能科学操作系统SCION，以科学智能体为元工具连接科研要素，核心是研究执行计划，集成多种方法支持长期科研工作，经实验验证其在多方面优于现有基线，推动AI成为可溯源、可复用的科研创新协调操作层。
Comments 26 pages, 7 figures
CORA：基于切片的相干正交旋转，用于基于SVD的低秩适配
机构 * Purdue University（普渡大学） ； Shanghai Institute for Mathematics and Interdisciplinary Sciences / Fudan University（上海数学与交叉科学研究院 / 复旦大学） ； Futurewei Technologies, Inc.（未来科技有限公司）
AI总结 针对现有基于SVD的PEFT方法未保留预训练奇异基耦合几何的问题，提出逐切片相干正交旋转适配方法CORA，参数量远低于同类方法，在常识推理、代码生成任务上性能更优。
Comments 13 pages, 1 figure
AgentGym2：在去理想化真实世界环境中评测大语言模型智能体
机构 * Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Shanghaijiaotong University（上海交通大学） ； Peking University（北京大学）
AI总结 针对现有LLM智能体基准过于理想化的问题，提出去理想化评测框架AgentGym2，可全面测查智能体实操能力，实验显示当前SOTA模型仍存在明显性能缺口。
Comments Accepted as a main conference paper at ACL 2026
FORGE：对深度研究智能体的研究轨迹劫持攻击
机构 * Fudan University（复旦大学） ； Huazhong University of Science and Technology（华中科技大学） ； Explore Academy, JD（京东探索研究院）
AI总结 研究针对深度研究智能体，利用其工作流程中的规划层中毒面，提出FORGE两级攻击劫持子任务规划，还引入PRISM指标和Root Query Anchoring防御，展示攻击效果及防御作用。
Comments 20 pages,8 figures,Code available at https://github.com/yvepan/FORGE
基于高斯点云的语义引导渐进式物体移除
机构 * PICO, ByteDance Inc.（字节跳动公司PICO） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Fudan University（复旦大学）
AI总结 提出结合语义引导块匹配与区域渐进式细化的框架用于3D物体移除。利用DINOv2编码语义指导，通过RPR策略分区域优化，基于高斯点云实现高效重建，在物体移除上性能优于现有高斯方法。
Comments 8 pages, 4 figures
从视觉语言导航中的区域到达到实例级定位
机构 * Australian Institute for Machine Learning, Adelaide University（澳大利亚机器学习研究所，阿德莱德大学） ； Ruyi Dynamics（如意动力） ； Fudan University（复旦大学） ； Swiss Federal Institute of Technology Lausanne (EPFL)（瑞士洛桑联邦理工学院）
AI总结 研究视觉语言导航中当前评估协议局限，提出‘最后3米定位差距’及指标，构建REALM模块和REVERIE - AIM数据集，可减少过早终止，提升定位精度和视觉定位成功率。
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