Harbin Institute of Technology（哈尔滨工业大学）

E3-TIR: Enhanced Experience Exploitation for Tool-Integrated Reasoning

E3-TIR: 增强经验利用以实现工具集成推理

Weiyang Guo, Zesheng Shi, Liye Zhao, Jiayuan Ma, Zeen Zhu, Junxian He, Min Zhang, Jing Li

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出E3-TIR方法，通过整合专家前缀、专家引导和自探索三种经验类型，提升工具集成推理的效率与性能，实验显示在工具使用任务中性能提升6%，数据成本降低。

Comments 22 pages 10 figures, published in acl2026

Truncated Rectified Flow Policy for Reinforcement Learning with One-Step Sampling

截断修正流策略用于具有一步采样的强化学习

Xubin Zhou, Yipeng Yang, Zhan Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 本文提出TRFP框架，通过混合确定性-随机性架构解决MaxEnt RL中连续时间生成策略的可微性问题，实现稳定训练和有效一步采样，实验表明其在多目标环境和MuJoCo基准中表现优异。

Feature-Label Modal Alignment for Robust Partial Multi-Label Learning

特征-标签模态对齐用于鲁棒的半多标签学习

Yu Chen, Weijun Lv, Yue Huang, Xiaozhao Fang, Jie Wen, Yong Xu, Guanbin Li

机构 * School of Automation, Guangdong University of Technology（广东工业大学自动化学院） ； Shenzhen Key Laboratory of Visual Object Detection and Recognition, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）深圳市视觉目标检测与识别重点实验室） ； School of Computer Science and Engineering, Sun Yat-Sen University（中山大学计算机科学与工程学院） 纠错

AI总结 本文提出PML-MA方法，通过特征-标签模态对齐恢复一致性，利用低秩正交分解生成伪标签并增强判别性，实验表明在真实和合成数据集上优于现有方法。

From Selection to Scheduling: Federated Geometry-Aware Correction Makes Exemplar Replay Work Better under Continual Dynamic Heterogeneity

从选择到调度：联邦几何感知修正使示例回放在持续动态异质性下表现更佳

Zhuang Qi, Ying-Peng Tang, Lei Meng, Guoqing Chao, Lei Wu, Han Yu, Xiangxu Meng

机构 * School of Software, Shandong University（山东大学软件学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） 纠错

AI总结 本文提出FEAT方法，通过几何结构对齐模块和能量基几何修正模块，解决联邦持续学习中示例回放在持续动态异质性下的性能问题。

Comments CVPR 2026 accepted

ViSAGE @ NTIRE 2026 Challenge on Video Saliency Prediction

在NTIRE 2026上视频显著性预测挑战中的ViSAGE

Kun Wang, Yupeng Hu, Zhiran Li, Hao Liu, Qianlong Xiang, Liqiang Nie

机构 * Shandong University（山东大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； City University of Hong Kong（香港城市大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 本文提出ViSAGE框架，通过多专家集合方法融合互补的归纳偏置，提升视频显著性预测性能，在私人测试集上取得优异成绩。

SelfHVD: Self-Supervised Handheld Video Deblurring

SelfHVD：基于自身监督的手持视频去模糊

Honglei Xu, Zhilu Zhang, Junjie Fan, Xiaohe Wu, Wangmeng Zuo

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 本文提出SelfHVD方法，通过提取视频中的清晰线索进行自监督学习，结合SEVD和SCSCM技术提升手持视频去模糊性能，实验表明其优于现有方法。

Comments CVPR 2026

Growing a Multi-head Twig via Distillation and Reinforcement Learning to Accelerate Large Vision-Language Models

通过蒸馏和强化学习生长多头Twig以加速大视觉-语言模型

Zhenwei Shao, Mingyang Wang, Weijun Zhang, Zhou Yu, Wenwen Pan, Yan Yang, Tao Wei, Hongyuan Zhang, Jun Yu

机构 * Zhejiang Key Laboratory of Space Information Sensing and Transmission, School of Computer Science, Hangzhou Dianzi University（浙江省空间信息感知与传输重点实验室，计算机学院，杭州电子科技大学） ； Li Auto Inc.（理想汽车） ； School of Intelligence Science and Engineering, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）智能科学与工程学院） 纠错

AI总结 本文提出TwigVLM，通过在基础VLM早期层上生长轻量模块Twig，结合 Twig 引导的 token 剪枝和自推测解码策略，实现更高的准确性和速度。实验表明， TwigVLM 在剪枝88.9%的视觉token后仍保持96%的原始性能，并在生成长响应时达到154%的速度提升。

Comments An extended version of our ICCV paper at ICCV2025/html/Shao_Growing_a_Twig_to_Accelerate_Large_Vision-Language_Models_ICCV_2025_paper.html" target="_blank" rel="noopener">https://openaccess.thecvf.com/content/ICCV2025/html/Shao_Growing_a_Twig_to_Accelerate_Large_Vision-Language_Models_ICCV_2025_paper.html