高校专区
DEEPRUBRIC: 基于证据树规则监督的高效深度研究智能体强化学习
机构 * Shandong University（山东大学） ； Zhongguancun Academy（中关村学院） ； Fudan University（复旦大学）
AI总结 提出DeepRubric框架，通过构建证据树生成查询-规则对，确保奖励信号准确评估查询所需信息，以13倍少的RL GPU时间达到与先前最优模型相当的性能。
ROVE: 通过强化学习解锁人类干预用于人形机器人操作
机构 * XPENG Robotics（小鹏机器人） ； Fudan University（复旦大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出ROVE框架，利用强化学习和乐观价值估计，从次优人类干预轨迹中学习高价值行为，提升人形机器人操作性能。
理解环境感知的信息检索行为
机构 * Fudan University（复旦大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； Chinese University of Hong Kong（香港中文大学） ； Stanford University（斯坦福大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 通过强化学习使LLM适应不同检索器的查询策略，发现不同检索器偏好不同查询风格，并提出分支式滚动技术提升训练稳定性。
Comments ACL 2026 Main
LLM策略优化的第一性原理推导：从期望奖励到GRPO及其结构扩展
机构 * Nanjing University（南京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； Fudan University（复旦大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文从第一性原理出发，基于轨迹概率和奖励两个轴，统一分析了从REINFORCE、PPO到GRPO及其变体的LLM策略优化方法，揭示了设计选择背后的原理和复合失败模式。
超越伪影：基于音乐内在特征的可泛化合成歌曲检测
机构 * Central Conservatory of Music（中央音乐学院） ； Southern University of Science and Technology（南方科技大学） ； Fudan University（复旦大学）
AI总结 提出Sofia框架，通过特征特定专家和自适应混合专家模型利用音乐内在特征（人声、音频效果、全局结构）进行合成歌曲检测，在MUSIC8K基准上F1提升18.5点，具有强鲁棒性。
ArtNet：一种类似JEPA的发音预测框架，用于鲁棒的零样本音素识别
机构 * Fudan University（复旦大学） ； Pedawise
AI总结 提出ArtNet框架，通过基于发音特征的结构化预测任务和变分信息瓶颈抑制语言特定变化，在零样本跨语言音素识别中实现20.56%的音素错误率降低。
Comments Accepted at Interspeech 2026
AME：生成式AI市场中的多类型贡献者归属框架
机构 * University of Shanghai for Science and Technology（上海理工大学） ； Fudan University（复旦大学）
AI总结 针对生成式AI中多阶段协作的价值分配问题，提出AME框架，整合异构数据贡献评估、数据权利映射和可信执行，实现与人类判断一致的低成本价值分配。
Metis: 一种用于自动驾驶和城市导航的通用高效世界-动作模型
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； The University of Hong Kong（香港大学） ； Tongji University（同济大学） ； Li Auto Inc.（理想汽车） ； Huazhong University of Science and Technology（华中科技大学） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学）
AI总结 提出Metis框架，通过解耦视频生成与动作预测，采用混合专家架构和不对称注意力掩码，实现高效推理与泛化，在多个导航基准上取得最优性能。
Vernier: 探测因果推理中词汇间隙背后的表征错位
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）
AI总结 通过配对视图权重更新和激活修补，发现语言模型在因果推理中因变量名替换导致的答案差异源于表征错位而非信息丢失，并在Qwen和Llama模型上验证了反事实增强的对齐效果。
InstantForget: 无需更新的后门遗忘与推理时特征重置
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）
AI总结 提出InstantForget方法，通过推理时特征重置实现无需参数更新的后门遗忘，利用马氏距离检测异常特征并重置为中性表示，在CIFAR-10上平均ASR降至0.071。
自监督单目视频深度估计的3D一致性优化
机构 * Fudan University（复旦大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出一种将视频深度估计转化为多视图3D重建的框架，通过光度渲染、世界坐标对齐和多尺度时间梯度一致性约束，实现全局3D结构一致性，在自监督和零样本临床场景中达到最先进的空间精度。
内在计算功能主义与模拟意识
机构 * Araya Inc.（Araya公司） ； School of Philosophy, Fudan University（复旦大学哲学学院） ； Sussex Centre for Consciousness Science, University of Sussex（Sussex大学意识科学中心）
AI总结 本文从内在计算功能主义出发，提出机制丰富的规范结构，论证若意识是计算构成的，则任何满足内在因果-计算实现关系的系统（生物、人工或模拟）都实现相同的意识相关属性。
语义DLM+：通过转移核设计中的偏差-方差权衡改进扩散语言模型
机构 * Alibaba Group（阿里巴巴集团） ； Fudan University（复旦大学） ； University College London（伦敦大学学院） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学）
AI总结 本文通过分析泛化误差的三个关键因素，提出SemDLM+模型，通过全局转移和语义频率惩罚解决语义盆地问题，在LM1B和OpenWebText上提升了训练动态和生成质量。
Mask-Proof: 一种基于LLM的数学证明自动数据整理流水线
机构 * School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院） ； Graduate College for Engineers, Beijing University of Posts and Telecommunications（北京邮电大学研究生院工程师学院） ； School of Mathematical Sciences, Fudan University（复旦大学数学科学学院） ； School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络空间安全学院） ； School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院） ； Chu Kochen Honors College, Zhejiang University（浙江大学竺可桢学院） ； Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理学与认知科学系） ； State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北京航空航天大学虚拟现实技术与系统国家重点实验室） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）
AI总结 提出Mask-Proof流水线，将真实证明转化为可自动检查的掩码步骤任务，通过LLM等价性判断器评估模型推理，构建包含292个问题的基准，推理增强模型性能提升12%-27%。
自适应推理时间缩放：基于早期步骤潜在验证的图像编辑
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） ； Microsoft Research Asia（微软亚洲研究院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究所）
AI总结 提出VeriLatent框架，通过早期步骤潜在空间编辑激活图验证初始噪声，实现自适应推理时间缩放，提升图像编辑质量和效率。
FreeSonic: 无需训练的时序感知解耦注意力用于精确音频编辑
机构 * Tsinghua University（清华大学） ； Alibaba Group（阿里巴巴集团） ； Monash University（蒙纳士大学） ； Renmin University of China（中国人民大学） ； Fudan University（复旦大学）
AI总结 提出FreeSonic，一种无需训练的框架，利用基于Rectified Flow的TangoFlux模型，通过优化反转-逆过程、联合文本-音频注意力图以及调度注意力解耦，实现精确且一致的音频编辑，同时保持背景保真度。
Comments Accepted at Interspeech 2026
智能体能否读懂房间气氛？多模态模拟中的视觉社交智能基准测试
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AgentViSS基准，通过240个场景和四项角色级任务评估多模态大模型的视觉社交智能，发现局部角色扮演接近饱和而交互调控仍困难。
从物理到表示：通过程序化生成进行合成预训练的音频学习
机构 * East China Normal University（华东师范大学） ； Southeast University（东南大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出AudioPG框架，利用程序化合成生成波形进行掩码自编码器预训练，无需真实音频数据，在多个基准上取得高精度，且单GPU训练不到20分钟。
Comments Accepted to ACM ICMR 2026
RepWAM：基于表示视觉-动作分词器的世界动作建模
机构 * Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究所） ； Robbyant, Ant Group（蚂蚁集团 Robbyant） ； Hongkong University of Science and Technology（香港科技大学）
AI总结 提出RepWAM，一种基于表示视觉-动作分词器的世界动作模型，通过联合建模未来视觉状态和潜在动作，在真实和仿真机器人操作任务中取得优异性能。
Comments Project page: https://wdrink.github.io/RepWAM
EA-WM: 基于任务规范基础的事件感知世界模型用于长时域操作
机构 * AI Lab, Country Garden Services Group（碧桂园服务集团AI实验室） ； Fudan University（复旦大学） ； Omni AI
AI总结 提出EA-WM框架，通过事件预测和验证增强预训练特征世界模型，实现长时域操作中任务进展信号的可靠评估与规划。
LIBERO-Occ：通过视角想象评估和改进场景诱导遮挡下的视觉-语言-动作模型
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Chinese University of Hong Kong（香港中文大学）
AI总结 针对VLA模型在场景遮挡下性能下降的问题，提出LIBERO-Occ基准和视角想象方法，通过生成互补视图提升鲁棒性。
Comments 14 pages, 7 figures
StreamMemBench: 面向未来辅助的智能体记忆流式评估
机构 * Fudan University（复旦大学） ； Amazon Stream（亚马逊流）
AI总结 提出StreamMemBench基准，通过两步任务序列测试智能体记忆从流式观察到后续任务中证据回忆、反馈整合与重用能力，实验发现现有系统在证据使用和反馈转化上存在不足。
MUSE: 基于记忆的增量需求满足的智能体3D场景创作
机构 * East China Normal University（华东师范大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出MUSE多智能体框架，通过增量需求满足实现可控3D场景构建与编辑，在AuthorBench上显著提升目标达成率和场景保持率。
ReactSim-Bench：自动驾驶中反应性行为世界模型模拟的基准测试
机构 * School of Computer Science & School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学计算机科学与技术学院、人工智能学院） ； Great Wall Motor（长城汽车） ； Institute of Trustworthy Embodied AI (TEAI), Fudan University（复旦大学可信具身人工智能研究所） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出ReactSim-Bench，通过解耦自车与周围智能体控制，使用偏离日志的自车行为作为输入，评估行为世界模型模拟的反应性能力，并基于碰撞、地图和运动学指标系统评测多种模型。
MaxProof: 通过生成-验证器强化学习与群体级测试时扩展实现数学证明规模化
机构 * MiniMax ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； Peking University（北京大学） ； Tsinghua University（清华大学）
AI总结 提出MaxProof框架，结合生成-验证器强化学习与群体级测试时扩展，在MiniMax-M3系列上实现竞赛级数学证明，在IMO 2025和USAMO 2026上超越人类金牌阈值。
SmartFont: 少样本字体生成的动态条件分配
机构 * Fudan University（复旦大学）
AI总结 提出SmartFont扩散框架，通过全局内容-风格生成与弱监督局部校正专家结合，并引入去噪状态条件分配模块动态加权全局与局部特征，实现少样本字体生成的全局完整性与局部细节保真度平衡。
JointEdit3D：统一潜在空间中的前馈3D场景编辑
机构 * East China Normal University（华东师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Tencent（腾讯）
AI总结 提出JointEdit3D，在统一RGB-几何重建生成潜在空间中通过非对称潜在修复实现前馈3D场景编辑，引入SceneAnchor分支和编辑/背景感知损失，并构建SceneEdit3D-15K数据集和SceneEdit3D-Bench基准，显著提升编辑区域质量和3D结构完整性。
Comments Preprint. Project page: https://xinnan-zhu.github.io/JointEdit3D-Page/
大型语言模型驱动的AI系统中自主渗透能力的涌现
机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Concordia AI ； Shanghai Innovation Institute（上海创新研究院）
AI总结 针对现有评估方法不透明、场景简化等问题，构建包含两级目标服务器和通用代理框架的自主渗透评估体系，测试19个LLM发现成功率10.7%-69.3%，且能力随模型整体能力提升。
UniDexTok：基于真实数据的统一灵巧手分词器
机构 * Fudan University（复旦大学） ； Hefei University of Technology（合肥工业大学） ； Rimbot ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 提出统一灵巧手模型(UDHM)将人手和机器人手状态映射到共享22自由度语义接口，并基于此开发UniDexTok，一种免重定向的状态分词器，学习基于真实关节状态的离散token，实现异构灵巧手的统一表示，误差降低98%以上。
ARM: 一种具有统一离散表示的自回归大型多模态模型
机构 * Shanghai Key Lab of Intelligent Information Processing, Fudan University（复旦大学上海智能信息处理重点实验室） ； School of Computer Science, Fudan University（复旦大学计算机科学技术学院） ； Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心） ； Youtu Lab, Tencent（腾讯优图实验室） ； Meta AI ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 提出ARM模型，通过离散语义视觉分词器将图像映射为紧凑token序列，结合自回归建模和强化学习，统一实现图像理解、生成和编辑，并提升任务性能与跨任务协同。
Comments technical report
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