高校专区
FUSAR-KLIP：迈向遥感多模态基础模型
机构 * Key Laboratory for Information Science of Electromagnetic Waves (MoE), Fudan University（电磁波信息科学重点实验室（MoE），复旦大学） ； Institute of Zhejiang Laboratory（浙江实验室研究院） ； College of Electronic Science and Technology, NUDT（电子科学与技术学院，南大学）
AI总结 FUSAR-KLIP是首个针对SAR图像的多模态基础模型，通过构建大规模数据集、生成结构化文本、设计自洽优化机制和建立统一评估基准，解决遥感图像与通用视觉表示之间的认知不一致问题。
CoNRec：基于大语言模型的上下文辨识负向推荐
机构 * Alibaba Inc.（阿里巴巴公司） ； Fudan University（复旦大学）
AI总结 CoNRec提出了一种基于大语言模型的负向反馈建模框架，通过上下文辨识模块和渐进式训练方法，提升对用户负向偏好的建模能力。
皮层：通过组合潜在建模实现零样本跨主体fMRI到图像重建
机构 * Institute of Science and Technology for Brain-inspired Intelligence (ISTBI), Fudan University（脑启发智能科学与技术研究院，复旦大学） ； School of Data Science, Fudan University（复旦大学数据科学学院） ； Fudan ISTBI–ZJNU Algorithm Centre for Brain-Inspired Intelligence, Zhejiang Normal University（复旦ISTBI-浙师大脑启发智能算法中心，浙江师范大学） ； Shanghai Innovation Institute（上海创新研究院） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出PictorialCortex模型，通过组合潜在建模和多数据集训练，实现零样本跨主体fMRI到图像重建。
CI4A: 为网络自动化赋能的语义组件接口
机构 * School of Cyberspace Science and Technology, Beijing Institute of Technology（电子信息学院，北京理工大学） ； College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学）
AI总结 CI4A 通过构建语义组件接口，提升代理在网页自动化中的表现，实现 86.3% 的任务成功率。
Comments 9 pages, 5 figures
FSX: 基于信息流敏感性的结构解释器用于图神经网络
机构 * Fudan University（复旦大学） ； Communication University of China（通信大学）
AI总结 FSX通过结合信息流敏感性分析与协作博弈方法，提升图神经网络的可解释性，实现更高效且准确的结构解释。
Comments 8 pages, 4 figures, Preprint
交错的潜在视觉推理与选择性感知建模
机构 * China University of Geosciences, Wuhan（中国地质大学（武汉）） ； Shanghai Innovation Institute（上海创新研究院） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 ILVR通过交错潜在视觉表示与文本生成，实现动态状态演变与精确感知建模的统一，提升多模态推理性能。
Comments 18 pages, 11 figures. Code available at https://github.com/XD111ds/ILVR
动态微分线性注意力：增强线性扩散变换器以实现高质量图像生成
机构 * Fudan University（复旦大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文提出动态微分线性注意力机制，通过缓解过度平滑问题提升线性扩散变换器的生成质量。
CommunityBench: 跨多样化群体和任务的社区级对齐基准测试
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 CommunityBench通过四个基于共同身份和共同纽带理论的任务，评估了社区级对齐方法，揭示了现有LLMs在建模社区特定偏好上的局限性，并探索了社区级对齐在促进个体建模中的潜力。
在动作前解耦时序与空间：用于多模态情感分析的解耦表示学习
机构 * Fudan University（复旦大学） ； Shantou University（汕尾大学） ； University College London（伦敦大学学院） ； University of South Australia（澳大利亚南澳大学）
AI总结 本文提出TSDA方法，在动作前解耦时序与空间信息，通过因子一致对齐和门控重联模块提升多模态情感分析性能。
Comments This study has been accepted by IEEE ICASSP2026
Logics-STEM: 通过故障驱动的微调和文档知识增强赋能大语言模型推理
机构 * Alibaba Group（阿里巴巴集团） ； Shanghai Key Laboratory of Data Science, Fudan University（上海数据科学国家重点实验室，复旦大学） ； 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） ； School of Data Science, Fudan University（复旦大学数据科学学院）
AI总结 Logics-STEM通过故障驱动微调和文档知识增强，提升大语言模型在STEM领域的推理能力。
预训练策略判别器是通用奖励模型
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学）
AI总结 POLAR通过策略判别器方法构建通用奖励模型，显著提升奖励建模性能和泛化能力。
学习模拟：通过分位数回归的生成元模型
机构 * Department of Industrial and Systems Engineering, University of Minnesota（明尼苏达大学工业与系统工程系） ； School of Data Science, Fudan University（复旦大学数据科学学院） ； School of Management, Fudan University（复旦大学管理学院） ； Department of Decision Analytics and Operations, City University of Hong Kong（香港城市大学决策分析与运营系） ； Department of Industrial Engineering and Decision Analytics, The Hong Kong University of Science and Technology（香港科技大学工业工程与决策分析系）
AI总结 本文提出基于分位数回归的生成元模型，通过快速生成随机输出以提升实时决策效率。
MirrorGuard：通过模拟到现实推理校正实现安全的计算机使用代理
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 MirrorGuard通过模拟到现实推理校正提升计算机使用代理的安全性，有效降低系统风险并保持代理实用性
FRoM-W1: 向通用人形机器人全身控制迈进：利用语言指令
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 FRoM-W1通过语言指令实现人形机器人全身控制，结合大规模语言模型和强化学习提升动作生成与执行能力。
Comments Project Page: https://openmoss.github.io/FRoM-W1
OpenNovelty: 一种基于大语言模型的代理系统，用于可验证的学术新颖性评估
机构 * Fudan University（复旦大学） ； Claremont McKenna College（克莱蒙特麦肯纳学院）
AI总结 OpenNovelty通过基于大语言模型的代理系统，提供可验证的学术新颖性评估，提升同行评审的公平性和证据支持性。
SmallKV: 小模型辅助补偿KV缓存压缩以实现高效大语言模型推理
机构 * AGI Institute, School of Computer Science, Shanghai Jiao Tong University（AGI研究院，计算机科学学院，上海交通大学） ； Shanghai Key Laboratory for Intelligent Information Processing, Fudan University（上海智能信息处理重点实验室，复旦大学） ； State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； School of Artificial Intelligence, Wuhan University（人工智能学院，武汉大学） ； Institute of Computer Science, University of Göttingen（计算机科学研究所，哥廷根大学）
AI总结 SmallKV通过小模型辅助补偿KV缓存压缩，提升大语言模型在资源受限环境下的推理效率和性能。
PositionIC: 统一的位置和身份一致性用于图像定制
机构 * MeiGen AI Team, Meituan（美团MeiGen AI团队） ； Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（上海智能信息处理关键实验室，计算机科学与人工智能学院，复旦大学） ； 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）
AI总结 PositionIC通过统一框架实现高保真、空间可控的多主体图像定制，引入BMPDS数据合成和可视化感知注意力机制，提升空间精度与身份一致性。
长链式思维中的思维陷阱：可测量研究与陷阱感知的自适应重启
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文提出TAAR框架，通过陷阱感知的自适应重启解决长链式思维中的思维陷阱问题，提升推理性能。
IPEC: 用于少样本学习的测试时增量原型增强分类器
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 Microelectronics, Fudan University（微电子学院，复旦大学） ； Key Laboratory of Advanced Control and Optimization for Chemical Processes of Ministry of Education, East China University of Science and Technology（教育部先进化工过程控制与优化重点实验室，东华大学）
AI总结 IPEC是一种用于少样本学习的测试时增量原型增强分类器，通过动态辅助集和双过滤机制优化原型估计，提升模型在少样本场景下的性能。
大语言模型对顺序敏感性如何？OrderProbe用于确定性结构重建
机构 * Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Marquette University（马凯特大学） ； Juniata College（朱尼阿特学院）
AI总结 研究通过OrderProbe基准评估大语言模型对输入顺序的敏感性，发现即使在前沿模型上，结构重建仍面临挑战，且语义能力与结构鲁棒性存在脱节。
自我进化代理的综述：何时、何地、如何进化以实现人工超级智能
机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。
Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)
MIRAGE：探索大型语言模型在复杂社会互动环境中的表现
机构 * Institute of Big Data, Fudan University（复旦大学大数据研究院） ； Shanghai Key Laboratory of Data Science, School of Computer Science, Fudan University（复旦大学计算机学院） ； School of Computer Science, Fudan University（复旦大学计算机学院） ； Xiaohongshu Inc.（小红书公司）
AI总结 MIRAGE通过谋杀谜案游戏评估LLMs在复杂社会互动环境中的表现，揭示其在信任、线索调查、互动和指令遵循方面的挑战。
释放轨迹片在无监督视频人物重识别中的潜力
机构 * School of Computer Science, and Shanghai Key Lab of Intelligent Information Processing, Fudan University, China（计算机学院，智能信息处理上海重点实验室，复旦大学）
AI总结 本文提出SSR-C框架，通过自监督信号和噪声过滤技术提升无监督视频人物重识别性能，实现最先进的实验结果。
Comments Accepted by TIFS 2025. The first two authors contributed equally
GPT-5.2、Gemini 3 Pro、Qwen3-VL、Grok 4.1 Fast、Nano Banana Pro 和 Seedream 4.5 的安全报告
机构 * Fudan University（复旦大学） ； Shanghai Innovation institute（上海创新研究院） ； Deakin University（德克萨斯大学） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本报告对六个前沿模型进行综合安全性评估，揭示其在安全性和鲁棒性方面的差异，强调需要标准化评估以指导负责任的部署。
Comments 41 pages, 22 figures
跨脚本手写检索的语言无关视觉嵌入
机构 * School of Integrated Circuits, Zhejiang University（浙江大学集成电路学院） ； Shanghai Innovation Institute（上海创新研究院） ； School of Electrical and Electronic Engineering (EEE), Nanyang Technological University（南洋理工大学电子与电气工程学院） ； School of Data Science, Fudan University（复旦大学数据科学学院）
AI总结 本文提出了一种轻量级双编码框架，通过学习语言无关的视觉嵌入，实现跨脚本手写检索的高精度与低资源消耗。
Comments 9 pages,5 figures
ABC-Bench: 评估现实世界开发中自主后端编码的基准测试
机构 * Fudan University（复旦大学） ； Shanghai Qiji Zhifeng Co., Ltd.（上海启济智风有限公司） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 ABC-Bench是一个评估自主后端编码在真实可执行工作流中性能的基准测试，通过224个实际任务揭示了当前模型在复杂后端工程任务中的不足。
IDDR-NGP: 结合检测器去除干扰物的瞬时神经辐射场
机构 * Fudan University（复旦大学） ； Tongji University（同济大学）
AI总结 IDDR-NGP通过结合检测器与隐式3D表示，实现对多种干扰物的高效去除，具有端到端训练和高鲁棒性。
Comments 8 pages, 7 figures, accepted by ACM-MM23
Journal ref Proceedings of the 31st ACM International Conference on Multimedia. 2023: 1343-1351
OctoBench：面向仓库基础代理编程的支架意识指令遵循基准测试
机构 * Fudan University（复旦大学） ； MiniMax ； Peking University（北京大学）
AI总结 OctoBench通过评估仓库基础代理编程中的支架意识指令遵循能力，揭示了任务解决与合规性之间的差距，推动更高效的编码代理发展。
QuantEval：大型语言模型中金融量化任务的基准测试
机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； University of Macau（澳门大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Imperial College London（伦敦帝国理工学院） ； University of Chicago（芝加哥大学） ； Shanghai Weina Software Technology（上海韦纳软件技术） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 QuantEval是一个用于评估大型语言模型在金融量化任务中能力的基准测试，涵盖知识问答、数学推理和策略编程，通过回测框架评估模型性能，并展示了改进方法。
超越单一提示：协同融合与排列用于VICL
机构 * College of Intelligent Robotics and Advance Manufacturing, Fudan University（智能机器人与先进制造学院，复旦大学） ； School of Microelectronics, Fudan University（微电子学院，复旦大学） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； ByteDance Ltd.（字节跳动有限公司）
AI总结 本文提出一种端到端的VICL框架，通过自适应融合模块和排列特定MLP，解决单一提示选择和结构信息利用的问题，提升跨任务的修复性能。
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