高校专区
CktFormalizer: 自然语言到电路表示的自动形式化
机构 * The University of Hong Kong（香港大学）
AI总结 CktFormalizer通过依赖类型HDL在Lean 4中实现LLM生成硬件描述的自动形式化，解决Verilog中的宽度不匹配、组合环和不完整案例逻辑问题，提升后端实现率和仿真通过率。
在测试时间视角下，后训练应优化什么？
机构 * Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系） ； Department of AI and Data Science, The University of Hong Kong（香港大学人工智能与数据科学系）
AI总结 本文研究了测试时间预算不匹配场景下，基于奖励尾部统计的后训练优化方法，提出TEA和Prefix-TEA估计器提升最佳N性能。
FORGE：面向上下文的分子优化片段排序与生成
机构 * University of Science and Technology of China（中国科学技术大学） ； International Digital Economy Academy（国际数字经济学院） ； Peking University（北京大学） ； Yale University（耶鲁大学） ； National University of Singapore（新加坡国立大学） ； Macao Polytechnic University（澳门理工学院） ； Zhongguancun Academy（中关村学院） ； University of Hong Kong（香港大学）
AI总结 FORGE通过上下文感知的局部编辑方法改进分子结构，在保持起始化合物相似性的同时，利用自动挖掘的低到高编辑对进行片段排序与生成，优于现有方法。
相对分数策略优化用于扩散语言模型
机构 * University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出RSPO方法，通过可验证奖励校准扩散语言模型中的噪声似然估计，提升推理能力，在规划任务中表现优异。
$(α,β)$-稳定性用于提升向量值预测
机构 * The University of Hong Kong（香港大学） ； Independent Researcher（独立研究者）
AI总结 本文研究了向量值预测中的几何稳定性，提出$(α,β)$-稳定性概念，通过指数重加权和几何中位数聚合框架，实现弱保证到强保证的提升，并在多种距离度量下验证了其有效性。
通过强化微调克服视觉连续学习中的灾难性遗忘
机构 * The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Hong Kong Generative AI Research and Development Center（香港生成式人工智能研究与开发中心）
AI总结 本文提出RaPO方法，通过轨迹级奖励塑造缓解强化微调在连续学习中的遗忘问题，实验证明其在视觉连续学习中有效减少灾难性遗忘。
字节级语言模型中的Scratchpad补丁：解耦计算与补丁大小
机构 * Google DeepMind（谷歌DeepMind） ； The University of Hong Kong（香港大学）
AI总结 本文提出Scratchpad补丁方法，通过在每个补丁中插入临时缓存来优化字节级语言模型的计算效率，提升模型质量并减少KV缓存和推理计算需求。
Comments 23 pages, 15 figures
从像素到概念：分割模型是否理解它们所分割的内容？
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 Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； CASIC, The University of Hong Kong（香港大学中国科学院自动化所）
AI总结 本文提出CAFE基准，评估可提示分割模型对概念的忠实性。通过属性层面的反事实操纵，测试模型在误导性提示下的表现，揭示分割模型可能依赖视觉显著但语义误导的线索。
Comments 30 pages, 8 figures
具有噪声观测和弱对称条件的通用特征选择
机构 * Department of Mathematics The University of Hong Kong Hong Kong, China（数学系香港大学中国香港）
AI总结 本文放宽了严格对称条件，提出基于噪声观测和弱对称性的通用特征选择框架，通过二阶矩距离量化允许受控偏离旋转不变性，证明在小偏差下可恢复原有结果，突显了框架对噪声和偏差的鲁棒性。
Comments 6 pages, 0 figures. This work has been submitted to the 2026 IEEE Information Theory Workshop (ITW) for possible publication
HiVLA：一种以视觉为基础的分层具身操作系统
机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 HiVLA提出一种分层框架，将高层语义规划与底层动作控制解耦，通过视觉 grounding 和 Diffusion Transformer 专家提升机器人操作能力，实验证明其在长时序技能组合和精细操作中表现优异。
Comments Project Page: https://tianshuoy.github.io/HiVLA-page/
Pair2Scene：学习局部物体关系以生成程序化场景
机构 * The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出Pair2Scene框架，通过学习局部规则与场景层次和物理算法，生成高保真的3D室内场景，优于现有方法。
Comments ICML 2026
MineEvolve: 基于积累知识的长周期具身Minecraft智能体自进化
机构 * USTC（中国科学技术大学） ； NTU（国立台湾大学） ； CityU-DG（城市大学-数据科学） ； THU（清华大学） ； ZJU（浙江大学） ； HKU（香港大学） ； CUHK-SZ（香港大学-深圳）
AI总结 本文提出MineEvolve框架，通过将执行反馈转化为可操作的行为知识，提升长周期具身智能体在Minecraft中的表现，实验表明其在高依赖任务组中效果显著。
大卫能否击败歌利亚？关于资源受限代理的多跳推理
机构 * ETRI（电子技术研究所） ； The University of Hong Kong（香港大学） ； Seoul National University（首尔国立大学）
AI总结 本文提出David-GRPO方法，通过结合专家引导和证据指导探索，提升小批量学习效果，在多跳问答基准上优于现有RL基线，使代理更深入检索并覆盖更多证据。
Comments Preprint
CHARMS：用于自动驾驶中的推理与运动风格化的认知层次代理
机构 * School of Mechanical and Electronic Engineering, Wuhan University of Technology（武汉理工大学机械与电子工程学院） ； Intelligent Transportation Systems Research Center, Wuhan University of Technology（武汉理工大学智能交通系统研究所） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院） ； School of Mechanical Engineering, Southeast University（东南大学机械工程学院）
AI总结 CHARMS通过强化学习预训练和监督微调pipeline，实现人类般的决策行为和交互真实性，同时利用泊松认知层次理论生成多样化驾驶场景。
Journal ref ITSC 2025
基于时空均流的物理信息神经PDE求解器
机构 * Fudan University（复旦大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出时空均流求解器，通过将生成速度场替换为物理PDE算子，实现高效预测，同时扩展均流约束到时空域，统一处理时变和静态PDE，实验表明其在精度和效率上优于基线方法。
基于频率监督的傅里叶轮廓的桥体缺陷检测与紧凑数字存档
机构 * State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University（测绘遥感信息工程国家重点实验室，武汉大学） ； Sustainability X-Lab, The University of Hong Kong（可持续性X实验室，香港大学） ； Department of Cyber Security, Southeast University（安全与保密系，东南大学） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港理工大学电子与计算机工程系）
AI总结 本文提出频率监督傅里叶系列检测方法，用于将桥体缺陷表示为紧凑可恢复的轮廓向量记录，提升工程审查和后续信息流程的效率。
Comments 46 pages,13 figures
SynerMedGen：通过任务对齐协同医疗多模态理解与生成
机构 * The University of Hong Kong, Hong Kong, China（香港大学）
AI总结 SynerMedGen通过任务对齐实现医疗多模态理解与生成的协同，提出生成对齐理解任务和两阶段训练策略，实现零样本性能和跨数据集泛化，释放大规模数据集支持进一步研究。
Comments Accepted by ICML 2026
必要偏差：具有收敛AI和人类验证的序列处理的不可能定理
机构 * Stellaris AI Limited（Stellaris AI有限公司） ； Brain Investing Limited（Brain Investing有限公司） ； The University of Hong Kong（香港大学）
AI总结 本文探讨了序列信息处理中某些认知偏差是否不可避免，通过三个不可能定理证明了优先效应、锚定和顺序依赖在自回归语言模型中的必要性，并通过实验验证了这些偏差的量化预测。
Comments 6 pages, 3 figures, 5 tables. Accepted to CogSci 2026
人类-人工智能团队何时能超越个体？具有不可能保证的紧界
机构 * The University of Hong Kong（香港大学） ； Stellaris AI Limited（Stellaris AI有限公司） ； Brain Investing Limited（Brain Investing有限公司）
AI总结 研究通过整合信号检测理论与信息论分析，推导出信心基于聚合规则的紧界，揭示互补性实现的条件及限制，提供设计公式并验证在多类任务中的有效性。
Comments 8 pages, 2 figures, 7 tables. Accepted at CogSci 2026
核心-环分解：解大规模固定点问题的去中心化
机构 * Purdue University（普渡大学） ； The University of Hong Kong（香港大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出核心-环分解方法，通过分离写入所有权与只读评估上下文，解决严格分解导致的结构偏差问题，实现去中心化多智能体系统中大规模固定点问题的准确求解。
SwiftI2V: 通过条件分段生成实现高效的高分辨率图像到视频生成
机构 * HKUST（香港科技大学） ； CUHK（香港大学） ； Joy Future Academy（京东探索研究院） ； HKU（香港大学） ； HUAWEI Research（华为研究）
AI总结 本文提出SwiftI2V框架，通过分段生成和双向上下文交互，在2K分辨率下实现高效图像到视频生成，相比端到端模型减少GPU时间202倍。
Comments 27 pages, 17 figures
何时相信想象：为世界动作模型的自适应动作执行
机构 * Southern University of Science and Technology（南方科技大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出FFDC和混合时间 horizon训练，通过预测-观察一致性实现自适应动作执行，提升机器人在复杂场景中的鲁棒性和效率。
隐式神经网络点云压缩
机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）
AI总结 本文提出NeRC³框架，利用隐式神经表示实现点云的高效压缩，通过坐标基神经网络编码几何与属性，并扩展至动态点云压缩，实验验证其在静态和动态点云压缩中的优越性能。
Journal ref IEEE Transactions on Image Processing, vol. 35, pp. 260-275, 2026
高效交通预测的提示学习
机构 * School of Computing and Data Science（计算与数据科学学院） ； The University of Hong Kong（香港大学） ； School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） ； The University of Queensland（昆士兰大学） ； Department of Computing（计算学院）
AI总结 本文提出SimpleST框架，通过高效提示学习提升时空图神经网络的泛化能力，实验证明在五个真实世界交通数据集上预测准确性和计算效率均优于现有方法。
Comments 24 pages. This paper is accepted by VLDBJ
Journal ref The VLDB Journal of 2026
视频理解奖励建模：一个稳健的基准和高效的奖励模型
机构 * South China University of Technology（华南理工大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学） ； Tencent（腾讯）
AI总结 本文提出Video Understanding Reward Bench基准和VideoDRM/VideoGRM模型，通过大规模高质量数据提升视频理解奖励建模性能。
将Bi-Level路由混合专家扩展到300+任务的持续学习
机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； Center for Embodied Artificial Intelligence and Computer Vision, Shenzhen Loop Area Institute（具身人工智能与计算机视觉中心，深圳环宇区研究所）
AI总结 本文提出CaRE，通过双级路由混合专家机制实现长任务序列的持续学习，提出OmniBenchmark-1K数据集，展示在多种数据集和任务设置上优于基线的性能。
Comments Accepted by ICML 2026
GameGen-Verifier：通过运行时状态注入实现LLM生成游戏的并行关键点验证
机构 * CUHK（香港中文大学） ； HUST（华中科技大学） ； Lionrock AI Lab（Lionrock人工智能实验室） ； NTU（国立新加坡大学） ； HKU（香港大学）
AI总结 本文提出GameGen-Verifier，通过分解规范为可验证的关键点，实现LLM生成游戏的自动化验证，提升验证准确率并减少运行时间。
预训练诱导了可重用的谱基底以用于下游任务适应
机构 * Department of Biomedical Engineering, Southern University of Science and Technology（生物医学工程系，南方科技大学） ； Department of Psychology, The University of Hong Kong（心理学系，香港大学）
AI总结 本文通过系统谱分析揭示预训练模型的主奇异向量在微调中保持稳定且跨任务共享，表明预训练建立了可重用的谱坐标系，且更大规模预训练提升几何可迁移性。
结构化角色感知策略优化用于多模态推理
机构 * School of Computing & Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； School of Computing & Data Science and Institute of Data Science, The University of Hong Kong（计算与数据科学学院和数据科学研究所，香港大学）
AI总结 本文提出结构化角色感知策略优化(SRPO)，通过角色感知的token级信用分配提升多模态推理中的证据基础推理能力，无需外部奖励模型。
Comments 32 pages
AGWM：基于 affordance 的世界模型用于具有组合前提条件的环境
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学） ； Amazon（亚马逊） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出 AGWM 模型，通过学习抽象 affordance 结构来跟踪动作的动态可执行性，以解决传统世界模型在多步预测中的误差累积问题。
Comments 16 pages, 3 figures, 4 tables. Appendix on pages 11-16 (main text is self-contained)
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