高校专区
GaussiAnimate：通过动态层次重建和 rig 可动画类别
机构 * Westlake University（西湖大学） ； Nanjing University（南京大学） ； University of Hong Kong（香港大学） ； Macau University of Science and Technology（澳门科技大学）
AI总结 本文提出Skelebones系统，通过三个步骤将4D形状的动态层次压缩为可控且表达性强的骨架，实验证明在未见姿态下比LBS和BoB有显著提升，且在低数据条件下表现优异。
Comments Page: https://cookmaker.cn/gaussianimate
基于上下文的元学习实现无训练跨受试者脑解码
机构 * University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种基于上下文的元学习方法，无需微调即可实现跨受试者的脑解码，通过上下文学习和分层推理提升解码效率与鲁棒性。
Comments Accepted to CVPR 2026, website: https://github.com/ezacngm/brainCodec
在提交前验证：通过自我审计实现LLM代理中的忠实推理
机构 * The University of Hong Kong（香港大学） ； Sun Yat-sen University（中山大学）
AI总结 本文提出SAVeR框架，通过在行动承诺前验证内部信念状态，提升LLM代理的推理忠实性，实验表明其在保持任务性能的同时提升了推理可靠性。
Comments Accepted by ACL2026 Main Conference
人类-人工智能协作重构了群体调节从社会共享到混合共调节
机构 * The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Monash University（莫纳什大学）
AI总结 研究探讨了生成式AI对群体协作调节的影响，发现AI可用时协作调节更偏向混合共调节，且参与焦点分布相似，为AI支持的协作学习设计提供启示。
Comments 9 pages, 2 figures. Accepted at AIED 2026. Camera-ready version with updated references
神经符号知识追踪：将教育知识注入深度学习以实现负责任的学习者建模
机构 * Tallinn University（塔林大学） ； University of Jyväskylä（于韦斯屈莱大学） ； Czech Technical University（捷克技术大学） ； Kangwon National University（江原大学） ； University College London（伦敦大学学院） ； The University of Hong Kong（香港大学） ； Monash University（莫纳什大学） ； University of Central Florida（中佛罗里达大学）
AI总结 本文提出Responsible-DKT，通过整合教育符号知识提升学习者建模的性能与可解释性，实验表明其在预测准确率和时间可靠性方面优于传统方法。
面向增强大语言模型推理能力的分层多步奖励模型
机构 * the University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Georgia Institute of Technology（佐治亚理工学院） ； National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； Renmin University of China（中国人民大学） ； the Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出分层奖励模型和轻量数据增强策略，解决大语言模型推理中奖励黑客问题，提升多步推理评估的稳定性和泛化能力。
CausalVAE作为世界模型的插件：迈向可靠的反事实动力学
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Technology（INFIFORCE智能科技）
AI总结 本文提出CausalVAE作为潜在世界模型的插件模块，通过增强事实预测和反事实检索，提升模型在分布偏移和干预下的鲁棒性，尤其在物理基准上取得显著提升。
OpenSpatial: 一种原则性的数据引擎，以赋能空间智能
机构 * Joy Future Academy（京东探索研究院） ； The University of Hong Kong（香港大学） ； Monash University（莫纳什大学）
AI总结 本文提出OpenSpatial数据引擎，通过构建五类基础任务的空间数据层次，生成高质量大规模数据集，提升空间推理性能，并系统分析数据属性对空间感知的影响。
Comments Code: https://github.com/VINHYU/OpenSpatial
TurboAgent：一种基于大语言模型的自主多智能体框架用于涡轮机械气动设计
机构 * Digital Twin Research Center, Institute of Engineering Thermophysics, Chinese Academy of Sciences（中国科学院工程热物理研究所数字孪生研究中心） ； National Key Laboratory of Science and Technology on Advanced Light-duty Gas-Turbine, Chinese Academy of Sciences（中国科学院先进轻型燃气轮机科学与技术国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出TurboAgent框架，通过大语言模型实现涡轮机械气动设计的端到端自主设计，结合生成设计、性能预测、多目标优化和物理验证，实现数据驱动的协作流程，提升设计效率和精度。
对话行为模式在生成式人工智能中介的第二语言口语练习中的研究：学习者与聊天机器人互动的序列分析
机构 * University College London（伦敦大学学院） ； University of Hong Kong（香港大学）
AI总结 研究探讨了生成式人工智能中介的第二语言口语练习中学习者与聊天机器人互动的对话行为模式，通过分析12名学生10周内的70次互动，发现高进展会话中学习者提问更多，低进展会话中澄清寻求更频繁，反馈类型和时机对有效互动有重要影响。
Comments Accepted for publication as a full paper (Main Track) at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)
Reason-SVG：通过强化学习增强向量图形生成的结构化推理
机构 * Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学）
AI总结 Reason-SVG通过引入Drawing-with-Thought范式和混合奖励机制，提升大语言模型生成高质量SVG的能力，实现结构化推理与视觉一致性。
Comments Accepted by CVPR 2026. 16 pages, 7 figures
SVGFusion：一种用于矢量图形生成的VAE-扩散变换器
机构 * Beihang University（北京航空航天大学） ； Bambu AI ； The University of Hong Kong（香港大学）
AI总结 本文提出SVGFusion框架，结合VAE-扩散架构生成高质量可编辑SVG，通过融合矢量与像素信息提升结构理解与生成质量。
Comments project page: https://ximinng.github.io/SVGFusionProject/
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