高校专区
少即是多：一种高效而强大的视觉-语言模型用于自动驾驶
机构 * School of Data Science, Fudan University Shanghai, China（复旦大学数据科学学院） ； Institute of Automation, Chinese Academy of Sciences Beijing, China（中国科学院自动化研究所）
AI总结 本研究提出Max-V1模型，通过端到端视觉-语言方法实现高效自动驾驶，取得nuScenes数据集上的显著性能提升。
利用大型多模态模型进行音频视频深度伪造检测：一项试点研究
机构 * Tencent Youtu Lab（腾讯优图实验室） ； Fudan University（复旦大学）
AI总结 本文提出AV-LMMDetect，利用大型多模态模型进行音频视频深度伪造检测，通过监督微调和分阶段训练，在多个数据集上达到新的性能水平。
Comments 5pages,ICASSP2026
ColoDiff：整合动态一致性与内容感知用于结肠镜视频生成
机构 * College of Biomedical Engineering, Fudan University（复旦大学生物医学工程学院） ； Fudan University Shanghai Cancer Center（复旦大学上海肿瘤中心） ； Endoscopy Center and Endoscopy Research Institute, Zhongshan Hospital, Fudan University（复旦大学中山医院内窥镜中心和内窥镜研究所） ； Shanghai Collaborative Innovation Center of Endoscopy（上海内窥镜协同创新中心）
AI总结 ColoDiff通过整合动态一致性与内容感知，生成高质量的结肠镜视频，以缓解数据短缺并辅助临床分析。
SceneTransporter: 基于最优传输的组合潜在扩散模型用于单图像结构化3D场景生成
机构 * Xi’an Research Institute of Hi-Tech（西安高新技术研究院） ； Tsinghua University（清华大学） ； SkyWork AI ； Tongji University（同济大学） ； Fudan University（复旦大学） ； Beijing Normal University（北京师范大学）
AI总结 SceneTransporter通过最优传输引导的组合潜在扩散模型，提升单图像结构化3D场景生成的实例连贯性和几何保真度。
Comments published at iclr 2026
超越像素模拟：通过诊断语义标记和原型控制生成病理图像
机构 * College of Intelligent Robotics and Advanced Manufacturing（智能机器人与先进制造学院） ； Fudan University（复旦大学） ； Fysics Intelligence Technologies Co., Ltd.（Fysics智能科技有限公司） ； University of Science and Technology Beijing（北京科技大学） ； ByteDance（字节跳动） ； School of Computer Science and Technology（计算机科学与技术学院） ； Xi’an Jiaotong University（西安交通大学）
AI总结 UniPath通过诊断语义标记和原型控制实现可控的病理图像生成，取得SOTA性能，包括Patho-FID 80.9和98.7%的细粒度语义控制。
Comments accepted by CVPR 2026; 32 pages, 17 figures, and 6 tables
大型语言模型压缩与全局秩和稀疏性优化
机构 * Fudan University（复旦大学） ； Soul AILab, OpenWPLab（Soul AILab，OpenWPLab） ； Zhejiang University（浙江大学） ； Renmin University of China（中国人民大学）
AI总结 本文提出了一种两阶段LLM压缩方法，通过全局资源分配优化秩和稀疏性，有效提升模型压缩性能。
Comments 33 pages, 5 figures
Dual-IPO: 双迭代偏好优化用于文本到视频生成
机构 * Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院）
AI总结 Dual-IPO通过迭代优化奖励模型和视频生成模型，提升文本到视频生成的质量和人类偏好对齐，无需手动标注即可提高合成效果。
Comments To appear in ICLR 2026, GitHub Code: https://github.com/SAIS-FUXI/IPO
pQuant：通过解耦线性量化感知训练实现有效的低比特语言模型
机构 * School of Computer Science, Peking University（北京大学计算机学院） ； College of Future Information Technology, Fudan University（复旦大学未来信息技术学院） ； Center for Information Research, Academy of Military Sciences（军事科学院信息研究所） ； Advanced Institute of Big Data（大数据高级研究所） ； Center of Machine Learning Research, Peking University（北京大学机器学习研究中心）
AI总结 pQuant通过解耦线性层为两个专门分支，提升低比特语言模型的精度与可扩展性。
Comments 10 pages, 7 figures
AviaSafe: 一种融合物理约束的数据驱动模型用于航空安全关键的云预报
机构 * Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化院） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Academy of Artificial Intelligence for Science（上海人工智能科学研究院） ； National Marine Environment Forecasting Center（国家海洋环境预报中心） ； Department of Atmospheric and Oceanic Sciences, Fudan University（复旦大学大气科学与海洋科学系）
AI总结 AviaSafe通过融合物理约束的神经网络，实现了对航空安全关键的云物种的7天预测，提升了航空路线优化和结冰风险评估能力。
AutoQRA：混合精度量化与低秩适配器的联合优化以实现高效大语言模型微调
机构 * Fudan University（复旦大学） ； Yale University（耶鲁大学） ； Zhejiang University（浙江大学） ； OpenWPLab
AI总结 AutoQRA通过联合优化混合精度量化与低秩适配器，实现高效大语言模型微调，提升性能并降低内存消耗。
Comments 15 pages, 10 figures
超越静态伪影：一种用于视觉语言模型中视频深度伪造推理的取证基准
机构 * Institute of Artificial Intelligence, China Telecom (TeleAI)（人工智能研究院，中国电信（TeleAI）） ； Peking University（北京大学） ； Fudan University（复旦大学）
AI总结 本文提出FAQ基准，通过多选任务提升视觉语言模型对视频深度伪造的时间推理能力，并通过实验验证其有效性。
Comments 16 pages, 9 figures. Submitted to CVPR 2026
V-Retrver: 以证据驱动的代理推理用于通用多模态检索
机构 * Tsinghua University（清华大学） ； University of Central Florida（中央佛罗里达大学） ； Fudan University（复旦大学） ； The Australian National University（澳大利亚国立大学） ； The University of Hong Kong（香港大学） ； Pengcheng Laboratory（鹏城实验室） ； Central South University（中南大学）
AI总结 V-Retrver通过引入证据驱动的代理推理机制，提升多模态检索的准确率和推理可靠性。
Comments Project page: https://github.com/chendy25/V-Retrver
JailBound: 视觉语言模型内部安全边界的劫持
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Xuan Tong（宣通） ； NSFOCUS
AI总结 JailBound通过在视觉语言模型的潜在空间中探索安全边界，提出了一种新的劫持框架，有效提升了白盒和黑盒攻击成功率，揭示了模型的安全风险。
Comments The Thirty-ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)
多模态理解和生成的统一奖励模型
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 本文提出统一奖励模型，通过联合学习多种视觉任务提升多模态理解和生成的性能。
Comments project page: https://codegoat24.github.io/UnifiedReward/
UniHand：一种统一模型，用于多样可控的4D手部运动建模
机构 * Institute of Trustworthy Embodied AI (TEAI)（可信具身人工智能研究所） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学）
AI总结 UniHand通过统一的扩散框架，将手部运动估计与生成统一为条件运动合成，有效整合异构输入并提升鲁棒性。
EO-1：一个通用机器人控制的开放统一具身基础模型
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； AgiBot ； Northwestern Polytechnical University（西北工业大学）
AI总结 EO-1是一个统一的具身基础模型，通过交错视觉-文本-动作预训练实现了在多模态推理和机器人控制中的卓越性能。
简单而有效的：在联邦微调大型语言模型中提取客户端私有数据
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Kuaishou Technology（快手科技） ； Meta AI ； Monash University（墨尔本大学） ； Fudan University（复旦大学） ； Shanghai Academy of Artificial Intelligence for Science（上海人工智能科学研究院）
AI总结 本文提出三种简单有效的方法，用于在联邦微调大型语言模型中提取客户端私有数据，揭示了FedLLMs中的隐私风险并建立了评估框架。
Comments IJCNLP 2025 Findings
基于拓扑编码图的视觉推理用于机器人辅助血管内导航中的解歧
机构 * Department of Control Science and Engineering, College of Electronics and Information Engineering, and Shanghai Institute of Intelligent Science and Technology, Tongji University（控制科学与工程系，电子与信息工程学院和智能科学与技术上海研究院，同济大学） ； Department of Electronic Engineering, Faculty of Engineering, The Chinese University of Hong Kong（电子工程系，工程学院，香港中文大学） ； Shanghai Operation Robot Co., Ltd.（上海操作机器人有限公司） ； Department of Cardiology, Zhongshan Hospital, Fudan University, Shanghai Institute of Cardiovascular Diseases, National Clinical Research Center for Interventional Medicine（心内科，复旦大学中山医院，上海心血管疾病研究所，介入医学临床研究中心） ； State Key Laboratory of Cardiovascular Diseases and Medical Innovation Center, Shanghai East Hospital, School of Medicine, Tongji University（心血管疾病国家重点实验室和医学创新中心，上海东医院，同济大学医学院）
AI总结 本文提出SCAR-UNet-GAT框架，通过拓扑编码图实现机器人辅助血管内导航中的路径解歧，显著提升路径规划的准确性和鲁棒性。
Comments This paper has been accepted by IEEE ICRA 2026. 8 pages, 3 figures, 3 tables
窥探未知：基于神经不确定性地图的主动视角选择用于3D重建
机构 * Deep NeuroCognition Lab, Nanyang Technological University, Singapore（深神经认知实验室，南洋理工大学，新加坡） ； Fudan University, China（复旦大学，中国）
AI总结 本文提出了一种基于神经不确定性地图的主动视角选择方法，通过轻量级神经网络预测视角不确定性，从而提升3D重建的准确性和效率。
Comments 10 pages, 4 figures in the main text. Published at ICLR 2026
通过深度多感官融合与稀疏专家扩展实现灵巧的具身体验
机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（智能机器人与先进制造学院，复旦大学） ； School of Information Science and Engineering, Harbin Institute of Technology（信息科学与工程学院，哈尔滨工业大学）
AI总结 DeMUSE通过深度多感官融合与稀疏专家扩展，实现复杂物理互动的高成功率。
CLCR：多模态学习中的跨层语义协作表示
机构 * Fudan University（复旦大学） ； Shantou University（汕头大学） ； University of Macau（澳门大学） ； Guangzhou Huashang College（广州华商学院）
AI总结 CLCR通过跨层语义协同表示方法，有效解决多模态数据中的语义错位问题，提升多模态学习的表示质量与任务泛化能力。
Comments This study has been Accepted by CVPR 2026
三子空间解耦用于多模态情感分析
机构 * Fudan University（复旦大学） ； Peking University（北京大学） ； University of Macau（澳门大学）
AI总结 本文提出三子空间解耦框架，通过分解多模态特征为公共、子模态共享和私人子空间，提升多模态情感分析的性能和鲁棒性。
Comments This study has been Accepted by CVPR 2026
基于接近性的多轮优化：LLM代理训练中的实用信用分配
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Peking University（北京大学） ； Lanzhou University（兰州大学） ； Tencent Inc.（腾讯公司） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 ProxMO通过动态调整梯度强度和连续语义加权，提升LLM代理在多轮训练中的信用分配效率与稳定性。
如何分配，如何学习？动态回放分配与优势调节用于策略优化
机构 * Meituan（美团） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Peking University（北京大学）
AI总结 DynaMO通过动态回放分配和梯度感知优势调节，优化策略学习中的资源分配与梯度更新稳定性，提升数学推理任务的性能。
OffSeeker：在线强化学习并非构建深度研究代理的全部需求
机构 * Fudan University（复旦大学） ； Tencent Hunyuan（腾讯文言） ； The University of Hong Kong（香港大学）
AI总结 本文提出OffSeeker，通过离线训练和任务合成框架，无需在线强化学习即可构建高效深度研究代理。
LAMMI-Pathology: 一种以工具为中心的自下而上LVLM-智能体框架用于分子信息引导的病理学智能
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） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 LAMMI-Pathology提出了一种以工具为中心的自下而上智能体框架，通过分子信息引导的病理学智能提升病理图像分析的证据驱动能力。
MolReasoner：迈向分子大语言模型的有效且可解释的推理
机构 * DP Technology, Beijing, China（DP技术有限公司） ； AI for Science Institute, Beijing, China（AI for Science研究院） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Fudan University, Shanghai, China（复旦大学）
AI总结 MolReasoner通过两阶段框架提升分子大语言模型的推理能力和可解释性，有效减少幻觉并提高生成质量。
BioBridge: 蛋白质与语言的桥梁：利用大语言模型增强生物推理
机构 * School of Computer Science and Technology（计算机科学与技术学院） ； College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Fudan University（复旦大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 BioBridge结合蛋白质领域知识与通用语言能力，通过领域自适应持续预训练框架提升生物推理性能。
UniReason 1.0: 一个统一的推理框架，用于世界知识对齐的图像生成与编辑
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） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； University of Southern California（美国南加州大学）
AI总结 UniReason 1.0通过统一推理框架整合图像生成与编辑，利用世界知识增强文本推理和视觉优化，提升复杂合成任务的性能。
从医学文献合成高质量的视觉问答系统：基于生成-验证框架的大型多模态模型
机构 * UC Santa Cruz（加州大学圣克ruz分校） ； Fudan University（复旦大学） ； Amazon Research（亚马逊研究）
AI总结 MedVLSynther通过生成-验证框架从开放文献合成高质量医学VQA数据，提升六个基准测试的准确率，达到77.57的VQA-RAD表现。
Comments Project page, code, data, and models: https://ucsc-vlaa.github.io/MedVLSynther/ ; Accepted by ICLR'26
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