The University of Hong Kong（香港大学）

Massive Activations in Hybrid Linear Attention Large Language Models: Pre-Attention Spikes and Inter-Spike Plateaus

混合线性注意力大语言模型中的大规模激活：注意力前峰值与峰间平台期

Zunhai Su, Bohan Sun, Xialie Zhuang, Shuibai Zhang, He Xiao, Jing Xiong, Hengyuan Zhang, Zhongzhu Zhou, Tiantian Zhang, Ngai Wong, Chuan-Wei Kuo

机构 * Startlux（星创公司） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Hong Kong（香港大学） ； University of Sydney（悉尼大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本研究系统揭示混合线性注意力大语言模型中大规模激活的两种形态，证实其在多架构、多配置等场景下的重复性，明确其对输出门控的响应规律及机制，为相关模型优化提供依据。

Comments Under review

Learning with Bilevel-Minimax Optimization for Efficient and Reliable Transfer Attacks

基于双层极小极大优化的高效可靠迁移攻击学习

Yaohua Liu, Yifan Guo, Jiaxin Gao

机构 * The University of Hong Kong（香港大学） ； Dalian University of Technology（大连理工大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 该研究提出BMAT方法，通过双层极小极大优化实现初始化、代理适配与扰动的三元耦合，在30余种受害者模型上优于10余种基线，可高效可靠地生成迁移对抗样本。

Comments Accepted by ECCV 2026. 21 pages in total. Code available at https://github.com/callous-youth/BMAT

Hybrid-LUT: Channel-Aware Hybrid Lookup Table and Filtering for Efficient Image Denoising

Hybrid-LUT：用于高效图像去噪的通道感知混合查找表与滤波

Zhilin Ai, Boyu Li, Sidi Yang, Wenqing Shi, Wenyong Zhou, Binxiao Huang, Chenchen Ding, Ngai Wong

机构 * The University of Hong Kong（香港大学） 纠错

AI总结 本研究提出Hybrid-LUT框架，通过Y通道用带像素级权重融合的多波段LUT、UV通道用轻量级滤波的非对称设计，在减少三分之二LUT存储的同时，于真实数据集上较现有LUT去噪方法提升至少0.63 dB CPSNR，实现SOTA性能。

Comments Accepted by ECCV2026

Making AI-Generated Feedback Matter: From Provision to Student Enactment

让AI生成的反馈发挥作用：从提供到学生执行

Omar Alsaiari, Nilufar Baghaei, Jason M. Lodge, Dragan Gaševi'c, Naomi Winstone, Hassan Khosravi

机构 * The University of Queensland（昆士兰大学） ； University of Surrey（萨里大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 该研究通过13037名学生的大规模准实验，发现主动构建的AI反馈执行工作流可显著提升学生对AI反馈的接受度、自我评估信心及作品质量，强调需设计针对性AI反馈工作流。

Repurposing RGB-based Foundation Model for Depth Estimation on Thermal Images Using Hierarchical Supervision

利用分层监督将基于RGB的基础模型重新用于热图像的深度估计

Jie Hong, Tingtian Li, Xuesong Li, Xiao Li

机构 * The University of Hong Kong（香港大学） ； Commonwealth Scientific and Industrial Research Organisation (CSIRO)（英联邦科学与工业研究组织） 纠错

AI总结 针对热图像深度估计中RGB基础模型分层表示利用不足的问题，提出RGB-HS框架，通过分层监督和基于图像质量的标记加权对齐，在基准上实现了有竞争力的性能。

Comments Accepted in IROS 2026

Harnessing agent memory to build lifelong AI partners for materials scientists

利用智能体记忆构建面向材料科学家的终身AI合作伙伴

Siyu Liu, Bo Hu, Beilin Ye, He Cao, David J. Srolovitz, Tongqi Wen

机构 * The University of Hong Kong（香港大学） ； Materials Innovation Institute for Life Sciences and Energy (MILES), HKU-SIRI（香港大学-深圳国际研究院生命科学与能源材料创新研究院） ； International Digital Economy Academy (IDEA)（国际数字经济学院） 纠错

AI总结 该研究提出一种自进化记忆框架，可跨模型迁移材料研究经验，使GPT-5.2任务成功率翻倍，减少重复错误，降低材料模拟工作流程的追踪负担与工具调用次数。

Comments 21 pages, 7 figures