高校专区
CoRE-VLA：通过专家的条件路由实现可扩展且稳健的视觉-语言-动作建模
机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Jilin University（吉林大学）
AI总结 研究视觉-语言-动作模型在实际部署中的挑战，提出CoRE-VLA框架，通过上下文条件稀疏计算生成动作，利用传感器可用性和任务意图进行专家路由，实验证明其在多任务等方面表现出色。
用于少步生成建模的感知流匹配
机构 * Joy Future Academy（京东探索研究院） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； USTC（中国科学技术大学）
AI总结 提出感知流匹配框架，在感知特征空间监督流匹配，改进少步生成能力，减少采样步骤，无需教师模型和辅助分数网络，实验表明其能产生高质量结果。
HiMe：用于长距离视觉-语言-动作控制的分层具身记忆
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； East China Normal University（华东师范大学）
AI总结 针对视觉-语言-动作模型处理非马尔可夫任务的不足，提出HiMe分层具身记忆框架，解耦智能为高频执行器等，引入动态知识系统，平衡实时执行与思考规划冲突，提升长距离任务成功率。
FairFlow：揭开文本到图像扩散变换器中刻板印象偏差的面纱并减轻其影响
机构 * Fudan University（复旦大学） ； East China University of Science and Technology（华东理工大学）
AI总结 研究文本到图像扩散变换器中刻板印象偏差问题，通过机理分析找到偏差根源，提出FairFlow框架，能有效中和刻板印象偏差，实现公平与保真平衡，且推理开销小、对复杂提示鲁棒。
Comments 15 pages, 11 figures
STAC：用于视频推理分割的选择性时空聚合与压缩
机构 * School of EEE, Nanyang Technological University, Singapore（新加坡南洋理工大学电气与电子工程学院） ； Institute for Infocomm Research, A*STAR, Singapore（新加坡资讯通信研究院） ； VCIP, CS, Nankai University, Tianjin, China（中国天津南开大学计算机科学学院视觉计算与模式识别实验室） ； AAIS, Nankai University, Tianjin, China（中国天津南开大学人工智能学院） ； NKIARI, Shenzhen Futian, China（中国深圳福田国家知识创新工程研究院） ； Guizhou University, Guizhou, China（中国贵州大学） ； Fudan University, Shanghai, China（中国上海复旦大学）
AI总结 视频推理分割面临高成本问题，现有方法有局限。基于状态空间模型，STAC通过解耦的空间和时间扫描丰富特征，利用冗余进行分层压缩，在零样本流兼容设置下减少令牌、加速并超越基线。
PraMem：用于长时行为预测的实践衍生经验记忆
机构 * Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所中文信息处理实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Fudan University（复旦大学） ； Kuaishou Technology（快手科技）
AI总结 研究长时行为预测问题，针对大语言模型在该任务中的不足，提出PraMem范式，通过对历史序列预实践构建经验记忆辅助长时行为预测，实验证明其性能优于现有方法。
CIPHER：用于医疗公平性和稳健性的因果干预路径
机构 * College of Biomedical Engineering, Fudan University（复旦大学 生物医学工程学院）
AI总结 研究医疗诊断深度学习模型在敏感亚组间表现差异问题，基于结构因果模型揭示敏感属性影响图像内容的四条路径，引入CIPHER框架干预因果路径，提升诊断准确性并减少差异。
Comments 8 pages, 2 figures. Accepted by MICCAI 2026
大规模安全测试LLM智能体：从风险发现到基于证据的验证
机构 * AntGroup（蚂蚁集团） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Alibaba Group（阿里巴巴集团） ； Hunan Institute of Advanced Technology（湖南先进技术研究院） ； Deakin University（迪肯大学）
AI总结 提出Vera框架，通过文献驱动的风险发现、组合生成可执行安全用例和自适应执行与证据验证三阶段流水线，实现端到端自动化安全测试，在四个生产级智能体框架上发现严重漏洞，平均攻击成功率93.9%。
AutoSpeed：面向机器人操作的无标注阶段自适应运动速度学习
机构 * Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出AutoSpeed框架，通过频域速度调制和复合代价优化，使视觉运动策略能根据任务阶段自适应调整执行速度，减少执行时间并提高成功率。
Comments Accepted by ECCV 2026
面向机器人控制的上下文世界建模
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Tongji University（同济大学）
AI总结 提出上下文世界建模（ICWM）框架，通过任务无关的交互历史推断系统变量，使机器人策略无需参数更新即可适应新配置，在仿真和真实实验中显著优于标准VLA基线。
VT-WAM: 面向密集接触操作的视觉-触觉世界动作模型
机构 * SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统管理与控制国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； TARS Robotics ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学）
AI总结 提出VT-WAM，在统一流匹配框架中联合学习视觉预测、触觉变形预测和动作预测，通过非对称混合Transformer注意力和接触门控注意力引导，在六项真实密集接触操作任务中平均成功率71.67%。
寻求分割：全景指代分割的主动感知
机构 * Fudan University（复旦大学）
AI总结 提出主动全景指代分割任务，通过记忆增强智能体PanoSeeker结合视觉语言模型与空间记忆，实现高效搜索与分割。
Comments ECCV 2026, Project Page: https://henghuiding.com/APRS/
先学移动再学做事：面向VLA的任务无关预训练
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 提出任务无关预训练（TAP）框架，先通过自监督逆动力学从廉价无标签交互数据学习可迁移运动先验，再用少量专家数据将先验与语言对齐，显著降低VLA模型对专家演示的依赖。
Comments Accepted to ICML 2026, 21 pages,6 figures
乳腺纤维腺瘤与叶状肿瘤细粒度分类的多模态融合
机构 * School of Integrated Circuits, Wuxi Vocational College of Science and Technology（集成电路学院，无锡科学技术职业技术学院） ； School of Advanced Technology, Xi’an Jiaotong-Liverpool University（先进科技学院，西安交通大学利物浦大学） ； Shanghai Gem Science and Technology Co., Ltd.（上海 gems 科技有限公司） ； Department of Oncology, Shanghai Medical College, Fudan University（肿瘤科，复旦大学上海医学院） ； Department of Medical Ultrasound, Fudan University Shanghai Cancer Center（医学超声科，复旦大学上海癌症中心）
AI总结 针对B超下乳腺纤维腺瘤和叶状肿瘤高度重叠导致误诊的问题，构建FAPT-M多模态数据集，提出临床引导的多模态框架，集成视觉、文本和临床特征，通过自适应调制、跨模态Transformer和双路径表示学习，实现细粒度分类，准确率77.64%，AUC 89.74%。
多模态知识编辑范围泛化用于在线递归MLLM编辑
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； Peking University（北京大学） ； Fudan University（复旦大学）
AI总结 针对在线多模态知识编辑中编辑范围难以控制的问题，提出ScopeEdit方法，通过模态局部吸收分支和证据门控共享泛化分支实现范围分离的在线编辑，在保持可靠性的同时提升跨模态泛化与无关输入隔离。
SFKD: 通过多级小波频谱交互的空间-频率联合感知异质知识蒸馏
机构 * Key Laboratory for Information Science of Electromagnetic Waves, Ministry of Education, Fudan University（复旦大学电磁波信息科学教育部重点实验室） ； Discipline and Technology Center of Microwave Vision Intelligent Sensing, Fudan University（复旦大学微波视觉智能感知学科与技术中心）
AI总结 提出空间-频率联合感知异质知识蒸馏框架SFKD，利用多级离散小波变换解耦空间信息，结合双流双阶段精化模块和高斯滤波频率损失，实现异质模型间的有效知识迁移。
Comments Accepted by ECCV 2026
LLMs 在分子领域真的能泛化吗？基于扰动的分析
机构 * The Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； Shanghai AI Lab（上海人工智能实验室） ； Fudan University（复旦大学）
AI总结 提出分子扰动框架，通过控制图编辑距离生成结构变体，揭示分子LLMs对微小结构变化敏感，局部信任区域狭窄；上下文调优可部分缓解脆弱性。
Comments 21 pages
何时生成更多有帮助？从源扩展中解耦固定源合成在合成数据缩放中的作用
机构 * 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）
AI总结 本文通过固定源合成（FSS）与源扩展（SE）的对比实验，发现FSS遵循修正缩放定律，在低预算下可预测高预算性能，且SE在大预算下优于FSS，但FSS内多种合成策略均未超越拒绝采样。
统一全景-高斯表示用于单目4D场景合成
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究院）
AI总结 提出PanoGaussian，结合全景轨迹引导与显式动态高斯表示，解决单目视频4D场景合成中视角外区域推断不一致和动态内容建模问题。
Comments Accepted at ECCV 2026
DriveWeaver: 基于点云条件的视频修复用于自动驾驶仿真中的可控车辆插入
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）
AI总结 提出DriveWeaver框架，通过点云条件视频修复实现自动驾驶仿真中可控车辆插入，解决光照不一致和3D资产依赖问题，支持大规模场景增强。
Comments Accepted at ECCV 2026, Project Page: https://github.com/LogosRoboticsGroup/DriveWeaver
Kolmogorov-Arnold 储层计算
机构 * Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China（电子科技大学基础与前沿科学研究所） ； Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所） ； Department of Physics, Humboldt University Berlin（柏林洪堡大学物理系） ； Research Institute of Intelligent Complex Systems, Fudan University（复旦大学智能复杂系统研究所） ； School of Physics, University of Electronic Science and Technology of China（电子科技大学物理学院） ； Key Laboratory of Quantum Physics and Photonic Quantum Information, Ministry of Education, University of Electronic Science and Technology of China（电子科技大学教育部量子物理与光子量子信息重点实验室） ； Non-classical Information Science Basic Discipline Research Center of Sichuan Province, University of Electronic Science and Technology of China（电子科技大学四川省非经典信息科学基础学科研究中心）
AI总结 提出Kolmogorov-Arnold储层计算（KARC），用显式基函数展开替代储层，结合KAN的表达能力和储层计算的闭式训练，在偏微分方程等基准上优于现有方法。
SenseWalk: 基于智能体的语义轨迹模拟——由大型语言模型在分区环境中驱动
机构 * School of Data Science, Fudan University（复旦大学数据科学学院）
AI总结 提出SenseWalk系统，结合大语言模型与社会力模型，通过智能体模拟语义轨迹，并提供用户界面以简化配置与分析，实验验证了其有效性和效率。
Comments 18 pages, 7 figures
AV-SyncBench：音视频时间与语义同步的解耦基准测试
机构 * Alibaba Group（阿里巴巴集团） ； Tsinghua University（清华大学） ； Fudan University（复旦大学）
AI总结 提出AV-SyncBench，首个完全分离音视频时间与语义一致性评估的基准，涵盖语音、音乐和声音三大类10个场景5项挑战任务，基于野外视频构建并人工验证，用于量化特征提取模型的对齐质量。
Comments Accepted by Interspeech 2026
MECoBench：具身环境中多模态智能体协作的系统研究
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出MECoBench基准，通过多任务、多结构、多模式的实验，系统研究多模态大模型在具身环境中的协作机制，发现协作能提升任务完成度但需平衡收益与复杂度，通信是关键，且协作增强鲁棒性。
Comments Project website: https://q-i-n-g.github.io/MECoBench-Website/
RoboTacDex：用于人形机器人操作的灵巧视觉-触觉-动作数据集
机构 * Fudan University（复旦大学） ； ByteDance Intelligent Creation（字节跳动智能创作） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出RoboTacDex，一个包含6k轨迹、19个任务、23种技能和22个物体的大规模多模态灵巧操作数据集，基于Unitree G1人形机器人构建，提供多视角RGB-D、触觉反馈和语义标注，并评估了三种模仿学习模型。
MemLearner: 学习查询上下文记忆用于视频世界模型
机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Kuaishou Technology（快手科技）
AI总结 提出基于学习的自适应上下文查询方法MemLearner，利用视频生成模型自身进行上下文记忆查询，解决视频世界模型在遮挡和动态场景下的场景一致性问题。
Comments ECCV 2026, Project Page: https://yujiwen.github.io/memlearner/
UniTacVLA：视觉语言动作模型中的统一触觉理解与预测
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Great Bay University（大湾区大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics
AI总结 提出统一触觉学习框架，通过触觉链式推理和由粗到细的未来触觉预测构建状态与动力学感知先验，并设计触觉-动作混合控制器，在接触丰富操作任务中提升成功率、精度和鲁棒性。
Agentic RAG-VLM：基于自反规划与可操作性感知的检索增强生成在机器人抓取中的应用
机构 * Fudan University（复旦大学） ； Kean University（肯恩大学）
AI总结 提出Agentic RAG-VLM框架，通过可操作性感知检索、场景图推理和自反规划，在杂乱环境中实现鲁棒抓取，成功率78.3%，比纯VLM基线提升53.3个百分点。
Comments 8 pages,5 figures,5 tables
通过知识图谱注入的表格医疗数据跨域特征扩展
机构 * School of Computing and Artificial Intelligence, Shanghai University of Finance and Economics（上海财经大学计算机与人工智能学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学技术学院） ； Independent Researcher（独立研究者） ； School of Basic Medical Sciences, Shanghai University of Traditional Chinese Medicine and Pharmacology（上海中医药大学基础医学院）
AI总结 提出MedKGTab框架，利用知识图谱和注意力机制从现有特征推断未收集的生物医学特征，实现跨域特征扩展，优于现有模型。
当校准排名反转：面向LLM公平比较的精度控制评估框架
机构 * Fudan University（复旦大学） ； University of Cambridge（剑桥大学）
AI总结 针对全局校准指标因模型精度差异导致比较不公平的问题，提出ACE精度控制评估框架，通过实例对齐、分布对齐和候选对齐三种视角实现公平比较，发现原始指标下的优势在控制精度后大幅减弱，排名反转频繁。
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