高校专区
MOPD: 面向LLM后训练中能力集成的多教师同策略蒸馏
机构 * Peking University（北京大学） ； LLM Core Xiaomi（小米大模型核心团队） ； University of Hong Kong（香港大学） ； Renmin University of China（中国人民大学）
AI总结 提出多教师同策略蒸馏（MOPD）范式，通过先训练领域专家再在学生自生成数据上蒸馏，消除暴露偏差并提供密集优化信号，在Qwen3-30B-A3B上优于多种基线，并已部署于工业级模型MiMo-V2-Flash。
潜在噪声掩码：减少多模态大语言模型中的视觉冗余
机构 * School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University（人工智能学院、光学和电子学（iOPEN）、西北工业大学） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（人工智能研究院、中国电信（TeleAI）） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学）
AI总结 提出Lens框架，通过轻量级LET令牌为视觉令牌评分，并注入自适应噪声抑制低相关令牌，在不改变模型结构的情况下提升多模态推理性能。
Comments 21 pages, 7 figures;
MuseBench: 多模态大语言模型中意图级视听艺术理解的基准测试
机构 * NTU Singapore（南洋理工大学） ； The University of Hong Kong（香港大学） ； Johns Hopkins University（约翰霍普金斯大学） ； AI2（人工智能研究所） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 提出MuseBench基准，通过4016道涵盖电影、视觉艺术、舞台表演和游戏艺术的选择题，评估多模态大模型对艺术创作意图的理解，发现最佳模型准确率仅48.29%，远低于人类专家的87.18%。
Comments Project page: https://musebench.github.io
面向可泛化与可证据的核磁共振分子结构解析：基于大语言模型智能体的方法
机构 * Information Hub, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）信息中心） ； State Key Laboratory of Precision and Intelligent Chemistry, University of Science and Technology of China（中国科学技术大学精密与智能化学国家重点实验室） ； State Key Laboratory of Physical Chemistry of Solid Surface, College of Chemistry and Chemical Engineering, Xiamen University（厦门大学化学系固态表面物理化学国家重点实验室） ； The University of Hong Kong（香港大学） ； Peking Union Medical College and Chinese Academy of Medical Sciences（北京协和医学院中国医学科学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； Hunan University（湖南大学） ； AI for Science Center, Shanghai Artificial Intelligence Laboratory（上海人工智能实验室人工智能科学中心）
AI总结 提出NMRAgent智能体，结合大语言模型、光谱分析工具和化学知识图谱，通过证据推理实现高精度、可解释的分子结构解析，在新型骨架测试集上Top-1准确率提升46.5%。
Pointer-CAD v2: 先规划后构建的尺寸感知参数化CAD生成
机构 * The University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； TranscEngram ； Monash University（墨尔本大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Pointer-CAD v2，采用先规划后构建范式，通过指针机制直接预测连续参数值，消除量化误差，并在顶点、边和面层级引入层次化几何精度指标，显著提升CAD生成的几何精度。
Comments Accepted to ECCV 2026. Code is available at https://github.com/Snitro/Pointer-CAD-v2
度量聚合分歧：基于智能体的策略优化中隐藏的有效性威胁及其契约式补救
机构 * Department of Politics and Public Administration（政治与公共行政系） ； The University of Hong Kong（香港大学） ； Department of Applied Social Sciences（应用社会科学系） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文揭示基于智能体模型与多目标进化算法（ABM+MOEA）中因各阶段独立重实现度量聚合导致的“度量聚合分歧”（MAD）问题，通过流行病策略工具复现和实验证明其严重性，并提出“度量契约”作为统一接口的工程补救方案。
Comments 13 pages, 2 figures
关键姿态探索：高效的自动轨迹标注与跨实体策略迁移
机构 * School of Computing and Data Science, The University of Hong Kong, HKSAR（计算与数据科学学院，香港大学，香港特别行政区）
AI总结 提出结合视觉语言模型与经典轨迹分析的关键姿态自动标注流程，并利用关键姿态引导扩散策略实现零样本跨实体迁移。
Comments Accepted by IROS2026. Code available at: https://github.com/YupuLu/keypose_labelling
Fisher路由专家混合模型用于联邦类增量学习
机构 * Department of Electrical and Computer Engineering, The University of Hong Kong（香港大学电子与计算机工程系） ； School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）
AI总结 提出FedFMX框架，通过Fisher路由专家混合模型解决联邦类增量学习中的容量冲突、灾难性遗忘、数据异构和类别错位问题，实现自适应专家专业化。
Comments Accepted by ECCV2026
UniMamba：一种集成状态空间与注意力机制的时空建模框架
机构 * School of Computing and Data Science, The University of Hong Kong, Hong Kong, China（计算与数据科学学院，香港大学，香港，中国） ； School of Information Engineering, Beijing Institute of Graphic Communication, Beijing, China（信息工程学院，北京印刷学院，北京，中国） ； Innovation Engineering College, Macau University of Science（创新工程学院，澳门科学技术大学） ； Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国）
AI总结 UniMamba整合了高效的状态空间动态与注意力依赖学习，通过Mamba变体通道编码层和时空注意力层，提升多变量时间序列预测的准确性和效率。
Comments The authors wish to withdraw this preprint due to a lack of consensus regarding the final authorship list and the order of authors
学习如何使用工具，而非仅仅何时：基于模式的工具集成推理
机构 * University of Georgia（佐治亚大学） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） ； The University of Hong Kong（香港大学）
AI总结 本文提出一种两阶段框架，通过构建代码能力并对齐模式选择与教师偏好，提升工具集成推理的代码使用和准确性，实验显示在数学数据集上显著提升。
Journal ref The 5th Workshop on Mathematical Reasoning and AI at NeurIPS 2025
SRUM：细粒度自奖励用于统一多模态模型
机构 * HKU MMLab（香港大学多媒体实验室） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） ； Noah’s Ark Lab, Huawei（华为诺亚方舟实验室） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 SRUM通过内部评估模块对生成模块进行自奖励，提升统一多模态模型的视觉生成能力，实验证明在T2I-CompBench和T2I-ReasonBench上性能显著提升。
Comments Accepted to ECCV 2026. 20 pages, 8 figures, webpage can be seen in https://waynejin0918.github.io/srum_web/
语义对应：统一的基准测试与强大的基线
机构 * The University of Hong Kong（香港大学）
AI总结 本文首次全面调研语义对应方法，提出分类体系并汇总多基准结果，提出高性能基线，为未来研究奠定基础。
Comments accepted by TPAMI 2025
Journal ref IEEE Trans. Pattern Anal. Mach. Intell. 48, no. 3 (2026) 3911-3930
GraphChase：城市网络安全博弈的平台与基准
机构 * City University of Hong Kong（香港城市大学） ； CAIR, Hong Kong Institute of Science & Innovation, CAS（中国科学院香港创新研究院人工智能与机器人创新中心） ； Nanyang Technological University（南洋理工大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Toronto（多伦多大学） ； The University of Hong Kong（香港大学）
AI总结 GraphChase为城市网络安全博弈提供统一平台，支持算法开发与评估，揭示现有方法在鲁棒性和可扩展性上的不足，强调仿真到现实的泛化差距。
联邦图学习在对抗网络攻击中的电动汽车充电需求预测与个性化
机构 * College of Electronic and Information Engineering, Southwest University（西南大学电子信息工程学院） ； School of Electrical Engineering and Telecommunications, the University of New South Wales（新南威尔士大学电气工程与电信学院） ； Department of Electrical Engineering, City University of Hong Kong（香港城市大学电气工程系） ； Department of Electrical and Electronic Engineering, the University of Hong Kong（香港大学电气与电子工程系）
AI总结 本文提出联邦图学习方法，通过捕捉不同站点的空间相关性，提升电动汽车充电需求预测的鲁棒性，以应对网络攻击带来的数据异质性问题。
Comments 19 pages,8 figures
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