The University of Hong Kong（香港大学）

When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models

在推理中何时检索：面向大推理模型的自适应检索

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Brain Investing Limited（Brain Investing有限公司） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

AI总结 本文提出ReaLM-Retrieve框架，通过三方面创新解决推理模型与检索增强生成的不匹配问题，提升答案F1分数并减少检索调用次数。

Comments 12 pages, 3 figures, 9 tables. Accepted at SIGIR 2026 (49th International ACM SIGIR Conference on Research and Development in Information Retrieval), Melbourne, Australia

OCR-Memory: Optical Context Retrieval for Long-Horizon Agent Memory

OCR-Memory：光学上下文检索用于长周期智能体记忆

Jinze Li, Yang Zhang, Xin Yang, Jiayi Qu, Jinfeng Xu, Shuo Yang, Junhua Ding, Edith Cheuk-Han Ngai

机构 * The University of Hong Kong（香港大学） ； University of North Texas（北得克萨斯大学） ； University of Tsukuba（筑波大学） ； Yonsei University（延世大学） 纠错

AI总结 OCR-Memory通过视觉模态高密度表示智能体经验，实现长周期记忆存储与检索，减少token消耗并提升证据恢复准确性。

Comments Accepted to ACL 2026 (Main Conference)

SplitFT: An Adaptive Federated Split Learning System For LLMs Fine-Tuning

SplitFT: 一种适用于大语言模型微调的自适应联邦分裂学习系统

Yimeng Shan, Zhaorui Zhang, Sheng Di, Yu Liu, Xiaoyi Lu, Benben Liu

机构 * Hong Kong Polytechnic University（香港理工大学） ； University of California, Merced（加州大学梅尔德分校） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出SplitFT系统，通过自适应设置切层和降低LoRA秩来提升联邦分裂学习在大语言模型微调中的效率与性能，实验表明其在多个基准测试中表现优异。

SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces

SAND: 用于神经隐式表面快速采样的空间自适应网络深度

Chuanxiang Yang, Junhui Hou, Yuan Liu, Siyu Ren, Guangshun Wei, Taku Komura, Yuanfeng Zhou, Wenping Wang

机构 * Shandong University China ； City University of Hong Kong China ； Hong Kong University of Science ； The University of Hong Kong China ； Texas A\&M University USA ； Shandong University ； City University of Hong Kong ； The University of Hong Kong ； Texas A\&M University 纠错

AI总结 本文提出SAND框架，通过空间自适应网络深度提升隐式神经表示的推理速度，利用体积网络深度图和改进的MLP，优化计算资源分配，提高效率。

Pointer-CAD: Unifying B-Rep and Command Sequences via Pointer-based Edges & Faces Selection

Pointer-CAD：通过基于指针的边与面选择统一B-Rep和命令序列

Dacheng Qi, Chenyu Wang, Jingwei Xu, Tianzhe Chu, Zibo Zhao, Wen Liu, Wenrui Ding, Yi Ma, Shenghua Gao

机构 * Transcengram ； Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； ShanghaiTech University（上海科技大学） ； DeepSeek ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 Pointer-CAD通过基于指针的命令序列表示，将B-Rep模型的几何信息融入顺序建模，有效生成复杂几何结构并降低分割误差，显著提升CAD生成精度。

Comments Accepted by CVPR2026

Verified Critical Step Optimization for LLM Agents

用于大语言模型代理的验证关键步骤优化

Mukai Li, Qingcheng Zeng, Tianqing Fang, Zhenwen Liang, Linfeng Song, Qi Liu, Haitao Mi, Dong Yu

机构 * Tencent AI Lab（腾讯AI实验室） ； The University of Hong Kong（香港大学） ； Northwestern University（西北大学） 纠错

AI总结 本文提出CSO方法，通过验证关键步骤进行强化学习，以提升代理在复杂任务中的表现，实验显示其在GAIA-Text-103和XBench-DeepSearch上优于SFT基线。

Comments ACL 2026 Findings

Training-Free Loosely Speculative Decoding: Accepting Semantically Correct Drafts Beyond Exact Match

无需训练的宽松推测解码：在精确匹配之外接受语义正确的草稿

Jinze Li, Yixing Xu, Guanchen Li, Shuo Yang, Jinfeng Xu, Xuanwu Yin, Dong Li, Edith C. H. Ngai, Emad Barsoum

机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） 纠错

AI总结 本文提出无需训练的宽松推测解码方法FLy，通过利用目标模型的自我纠正行为来判断草稿-目标不匹配是否仍具有语义有效性，从而在保持高精度的同时提升解码效率。

Comments Published as a conference paper at ICLR 2026

ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models

ComboStoc: 差分生成模型中的组合随机性

Rui Xu, Jiepeng Wang, Hao Pan, Yang Liu, Xin Tong, Shiqing Xin, Changhe Tu, Taku Komura, Wenping Wang

机构 * The University of Hong Kong Work partially done at MSRA. † Corresponding authors. China ； The University of Hong Kong China ； Tsinghua University China ； Microsoft Research Asia China ； Shandong University China ； Texas A\&M University USA ； The University of Hong Kong ； Tsinghua University ； Microsoft Research Asia ； Shandong University ； Texas A\&M University 纠错

AI总结 本文研究了差分生成模型中未被充分探索但重要的组合复杂性问题，提出 ComboStoc 方法通过构建随机过程充分利用组合结构，提升训练效率并实现测试时生成的灵活控制。

Comments ACM Transactions on Graphics, SIGGRAPH 2026