高校专区
混合专家中的多语言路由
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Fudan University（复旦大学）
AI总结 本研究分析了混合专家模型在处理多语言文本时的路由机制，揭示了中间层的跨语言路由对齐现象，并通过简单干预提升了多语言性能。
Comments ICLR 2026, In The Fourteenth International Conference on Learning Representations, 2025
Journal ref The Fourteenth International Conference on Learning Representations (2026)
视觉如何转化为语言：多模态推理的逐层信息论分析
机构 * Duke kunshan University, Duke University（杜克昆山大学、杜克大学） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学） ； Fudan University, Shanghai, China（复旦大学）
AI总结 本研究通过逐层信息论分析揭示多模态Transformer中视觉信息如何转化为语言，发现视觉独特信息早期峰值，语言独特信息在晚期层主导预测，跨模态协同较低，且任务依赖性强。
PII-Bench：评估查询感知隐私保护系统
机构 * Institute of Fintech, Fudan University（复旦大学金融科技学院） ； Shanghai Key Laboratory of Data Science, School of Computer Science, Fudan University（复旦大学数据科学上海重点实验室） ； Laboratory of Data Analytics and Security, Fudan University（复旦大学数据安全分析实验室）
AI总结 PII-Bench通过评估查询感知隐私保护系统，揭示当前模型在识别PII相关性方面的不足，提出改进方向。
ExpertWeaver: 通过GLU激活模式解锁密集大语言模型中的内在MoE
机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Chinese University of Hong Kong（中国香港大学）
AI总结 ExpertWeaver通过GLU激活模式解锁密集大语言模型中的内在MoE，提供无需训练的高效转换方法。
ActionCodec：什么使好的动作分词器成为可能
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Tianjin University（天津大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文提出ActionCodec，通过信息论原则提升动作分词性能，实现无需机器人预训练的VLA模型新SOTA。
结合scEEG和PPG用于基于轻量可穿戴设备的可靠睡眠分期
机构 * School of Engineering, The University of Warwick（战争理大学工程学院） ； Department of Computer Science, The University of Warwick（战争理大学计算机科学系） ； College of Biomedical Engineering, Fudan University（复旦大学生物医学工程学院） ； Human Phenome Institute, Fudan University（复旦大学人类表型研究院） ； School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院）
AI总结 本研究提出结合scEEG和PPG的轻量可穿戴设备睡眠分期方法，通过融合策略提升浅睡识别性能。
ScholarGym：在深度研究的信息收集阶段评估大语言模型能力
机构 * Fudan University（复旦大学）
AI总结 ScholarGym通过分解深度研究信息收集阶段，评估大语言模型在查询规划、工具调用和相关性评估中的能力差异，揭示开源与专有模型性能差距的关键因素。
在Transformer中何处添加PDE扩散
机构 * The Chinese University of Hong Kong, Hong Kong, China（香港中文大学） ； Fudan University, Shanghai, China（复旦大学）
AI总结 研究通过分析PDE扩散与注意力的非交换性，探讨了在Transformer中插入扩散层的位置对模型性能的影响，提出了一种三层理论框架并验证了不同插入位置的效果。
融合像素与基因：计算病理学中的空间感知学习
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） ； Fysics Intelligence Technologies Co., Ltd. (Fysics AI)（菲茨斯智能科技有限公司（菲茨斯AI）） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Tencent Youtu Lab（腾讯优图实验室） ； ByteDance（字节跳动）
AI总结 STAMP通过整合空间解析基因表达数据，提升计算病理学中多模态学习的性能与泛化能力。
Comments accepted by ICLR 2026, 34 pages, 10 figures, 7tables
sleep2vec：用于异构夜间生物信号的统一跨模态对齐
机构 * Five Seasons Medical（五 Seasons 医疗） ； Tsinghua University（清华大学） ； Beijing Key Laboratory for Sleep Breathing Disorder（北京睡眠呼吸障碍重点实验室） ； Peking University（北京大学） ； Fudan University（复旦大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 sleep2vec通过统一跨模态对齐和原理化缩放，实现了对异构夜间生物信号的高效、通用建模。
通过场景去上下文化实现一致的文本到图像生成
机构 * University of Shanghai for Science and Technology（上海科技大学） ； Universität Hamburg（汉堡大学） ； ComOriginMat Inc（ComOriginMat公司） ； Fudan University（复旦大学） ； Western University（西敏大学） ； Vector Institute（向量研究所） ； University of Electronic Science and Technology of China（电子科技大学） ； University of Surrey（萨里大学）
AI总结 本文提出Scene De-Contextualization方法，通过去除文本到图像生成中主体与场景的固有相关性，提升生成图像的一致性与多样性。
Comments This paper is accepted by ICLR 2026
AWM: 用于大型语言模型的准确权重矩阵指纹
机构 * LUMIA Lab（LUMIA实验室） ； School of Artificial Intelligence（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学）
AI总结 AWM通过基于权重矩阵的无训练指纹方法，利用线性分配问题和无偏中心核对齐相似性，实现对大型语言模型训练来源的可靠识别。
Comments ICLR 2026
通过基于SVD的量化误差最小化增强LLM中的delta压缩
机构 * Shanghai University of Finance（上海财经大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Southern University of Science（南方科技大学）
AI总结 PrinMix通过基于SVD的量化误差最小化方法，提升LLM中delta压缩的效率与性能。
OmniEarth-Bench: 向全面评估地球六大球体及跨球体交互的多模态观测地球数据迈进
机构 * National University of Defense Technology, China（国防科技大学） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室） ； Beijing University of Posts and Telecommunications, China（北京邮电大学） ； Zhejiang University, China（浙江大学） ； Shanghai Jiao Tong University, China（上海交通大学） ； Fudan University, China（复旦大学） ； Sun Yat-sen University, China（中山大学） ； Nanjing University, China（南京大学） ； University of Science and Technology of China（中国科学技术大学） ； Wuhan University, China（武汉大学）
AI总结 OmniEarth-Bench是首个全面评估地球六大球体及跨球体交互的多模态基准测试，通过29,855个标准化注释揭示了地球系统认知能力的系统性差距。
DCDM：分而治之扩散模型用于保持一致性视频生成
机构 * Fudan University（复旦大学） ； Tencent（腾讯）
AI总结 DCDM通过分而治之的扩散模型，解决视频生成中的语义、几何和身份一致性问题，提升视频生成的连贯性和可控性。
Comments 7 pages, 2 figures
MedScope：通过粗到细的工具调用激励“通过视频思考”以进行临床推理
机构 * College of Health Science and Technology, Shanghai Jiao Tong University School of Medicine, Shanghai, China（上海交通大学医学院健康科学与技术学院） ； Fudan University, Shanghai, China（复旦大学） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Tsinghua University, Beijing, China（清华大学） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学） ； Ruijin Hospital, Shanghai Jiaotong University, Shanghai, China（上海交通大学瑞金医院）
AI总结 MedScope通过粗到细的工具调用机制，提升临床视频推理的准确性与可信度，实现基于时间局部化视觉证据的医疗AI代理。
KidMesh：基于深度神经网络的儿童先天性肾积水计算网格重建
机构 * School of Basic Medical Sciences, Intelligent Medicine Institute, Fudan University（基础医学学院，智能医学研究院，复旦大学） ； School of Medical Imaging, Fujian Medical University（医学影像学院，福建医科大学） ； College of Physics and Information Engineering, Fuzhou University（物理与信息工程学院，福州大学） ； department of pediatrics, Fuzhou University Affiliated Provincial Hospital（儿科部门，福州大学附属省医院） ； Interdisciplinary Institute of Medical Engineering, Fuzhou University（医学工程跨学科研究院，福州大学）
AI总结 KidMesh通过深度神经网络直接从MRU图像重建CH网格，无需后处理，实现快速准确的肾积水网格重建，为尿动力学模拟提供支持。
镜：一种用于AI辅助伦理审查的多智能体系统
机构 * Institute of Trustworthy Embodied AI（可信具身人工智能研究所） ； Institute of Technology Ethics for Human Future（人类未来技术伦理研究所） ； School of Philosophy（哲学学院） ； School of Life Sciences（生命科学学院） ； Ethics Committee of Zhongshan Hospital（中山医院伦理委员会） ； Department of Cardiology, Zhongshan Hospital of Fudan University, Institute of Cardiovascular Diseases, National Clinical Research Centre for Interventional Medicine（复旦大学中山医院心内科、心血管疾病研究所、介入医学临床研究中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 Mirror是一种多智能体系统，通过整合伦理推理和多智能体协商，提升AI辅助伦理审查的效率和专业性。
Comments 4 figures, 3 tables
语言模型预训练中概念的演变
机构 * OpenMOSS Team, Shanghai Innovation Institute（开放MOSS团队、上海创新研究院） ； Fudan University（复旦大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 本文通过crosscoders方法研究语言模型预训练中特征演变，揭示特征形成与下游性能的因果关系，并发现统计学习与特征学习两个阶段。
Comments 35 pages, 35 figures. Accepted to ICLR 2026
DeepGen 1.0: 一种轻量级统一多模态模型，用于推进图像生成与编辑
机构 * Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Nanjing University（南京大学） ； University of Southern California（南加州大学）
AI总结 DeepGen 1.0通过轻量级统一多模态模型在图像生成与编辑领域实现高性能，采用SCB框架和数据驱动训练策略，超越大参数模型表现。
TASO：任务对齐的稀疏优化用于参数高效模型适应
机构 * East China Normal University（东华师范大学） ； Honor Device Co., Ltd.（荣誉设备有限公司） ； Fudan University（复旦大学）
AI总结 TASO通过任务对齐的稀疏优化方法，有效减少LoRA中的参数冗余，提升微调性能。
Comments Accepted to EMNLP 2025 (Main Conference),13 pages,10 figures
快速思考与缓慢思考：面向LLM代理的步骤级认知深度适应
机构 * Fudan University（复旦大学） ； Tencent Hunyuan（腾讯文恩）
AI总结 CogRouter通过动态调整认知深度提升LLM代理在多轮决策任务中的性能与效率。
RQ-GMM：用于CTR预测的多模态语义离散化残差量化高斯混合模型
机构 * Tencent（腾讯） ； Fudan University（复旦大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 RQ-GMM通过残差量化高斯混合模型提升CTR预测中多模态语义离散化效果，实现代码本利用和重建准确性的显著提升。
Comments Under review
多头注意力作为MoE变换器中灾难性遗忘的来源
机构 * Fudan University, Shanghai, China（复旦大学） ； University of Bath, Bath, United Kingdom（巴斯大学） ； Oxford Suzhou Centre for Advanced Research, Suzhou, China（牛津苏滁研究中心） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Department of Computer Science, University of Colorado Boulder, Colorado, USA（计算机科学系，科罗拉多大学博尔德分校） ； Department of Electrical Engineering and Computer Science, University of Michigan（电气工程与计算机科学系，密歇根大学）
AI总结 本文提出MH-MoE方法，通过头级路由减少MoE变换器中的灾难性遗忘，有效降低连续学习中的遗忘率。
SD-MoE：通过谱分解实现有效的专家专业化
机构 * College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China（复旦大学计算机科学与人工智能学院） ； University of Bath, Bath, United Kingdom（巴斯大学） ； Oxford Suzhou Centre for Advanced Research, Suzhou, China（牛津苏泽研究中心） ； Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学电气工程与计算机科学系） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Department of Computer Science, University of Colorado Boulder, Colorado, USA（科罗拉多大学博尔德分校计算机科学系） ； Research Institute of Tsinghua University in Shenzhen, Shenzhen, China（清华大学深圳研究院） ； Greater Bay Area National Center of Technology Innovation, Research Institute of Tsinghua University in Shenzhen, Shenzhen, China（粤港澳大湾区国家技术创新中心，清华大学深圳研究院） ； School of Microelectronics, Fudan University, Shanghai, China（复旦大学微电子学院）
AI总结 SD-MoE通过谱分解解决MoE中专家专业化不足的问题，提升模型性能并兼容多种现有架构。
消解神经网络优化中的奇异性诅咒
机构 * Fudan University（复旦大学） ； University of Bath（巴斯大学） ； Oxford Suzhou Centre for Advanced Research（牛津苏滁研究中心） ； Huawei（华为）
AI总结 本文提出PSS方法，通过平滑权重矩阵的奇异谱来缓解神经网络优化中的奇异性诅咒，提升训练稳定性和泛化能力。
Sci-CoE: 通过稀疏监督与几何共识共演化科学推理LLM
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学）
AI总结 Sci-CoE 通过稀疏监督与几何共识共演化科学推理LLM，提升复杂推理能力与可扩展性。
STAR：连接统计推理与代理推理以提升大模型性能预测
机构 * Fudan University（复旦大学） ； 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 STAR框架通过结合统计推理与代理推理，有效提升大模型性能预测的准确性与可靠性，尤其在数据稀疏情况下表现突出。
Comments 10 pages, 8 figures, 17 tables. Code available at https://github.com/xiaoxiaostudy/star
去中心化非凸随机优化与异质方差
机构 * School of Data Science, Fudan University（数据科学学院，复旦大学）
AI总结 本文提出D-NSS算法，针对异质方差问题，通过节点特定采样和方差减少技术，实现更紧的样本复杂性界，并通过实验验证其有效性。
FormalJudge: 一种用于代理监管的神经符号范式
机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； State Key Laboratory of General Artificial Intelligence, Peking University（通用人工智能国家重点实验室，北京大学） ； Fudan University（复旦大学） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 FormalJudge通过神经符号框架结合形式验证，提升代理行为安全性和欺骗检测能力，实现数学保证而非概率评分。
Comments 27 pages
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