The University of Hong Kong（香港大学）

SeaEvo: Advancing Algorithm Discovery with Strategy Space Evolution

SeaEvo：通过策略空间进化推进算法发现

Sichun Luo, Yi Huang, Haochen Luo, Fengyuan Liu, Guanzhi Deng, Lei Li, Qinghua Yao, Zefa Hu, Junlan Feng, Qi Liu

机构 * The University of Hong Kong（香港大学） ； JIUTIAN Research, China Mobile（钧天研究院，中国移动） ； City University of Hong Kong（城市大学） 纠错

AI总结 SeaEvo通过策略空间进化层，将语言级策略推理转化为群体级进化状态，提升LLM引导的程序搜索效果，实现算法发现、系统优化和智能体设计任务的性能提升。

Normalized Maximum Likelihood Code-Length on Riemannian Data Spaces

在黎曼数据空间上的归一化最大似然代码长度

Kota Fukuzawa, Atsushi Suzuki, Kenji Yamanishi

机构 * The University of Tokyo（东京大学） ； NTT, Inc.（NTT公司） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出在黎曼流形上适应的归一化最大似然代码长度（Rm-NML），克服了传统方法对坐标系的依赖，适用于具有层次结构的图数据，如双曲空间。

Comments 19 pages. This is a preprint of an article accepted for publication in the IEEE Transactions on Information Theory

Data Augmentation of Contrastive Learning is Estimating Positive-incentive Noise

对比学习中的数据增强是估计正激励噪声

Hongyuan Zhang, Yanchen Xu, Sida Huang, Xuelong Li

机构 * The University of Hong Kong（香港大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院） ； Fudan University（复旦大学） ； School of Artificial Intelligence, OPtics（人工智能学院） ； ElectroNics (iOPEN), Northwestern Polytechnical University（西北工业大学电子学院） 纠错

AI总结 本文研究对比学习与正激励噪声的联系，定义了任务熵并提出正激励噪声生成器，通过可视化证明所提方法有效。

Comments Accepted by ICML 2026

UniPool: A Globally Shared Expert Pool for Mixture-of-Experts

UniPool: 一种全局共享专家池的混合专家架构

Minbin Huang, Han Shi, Chuanyang Zheng, Yimeng Wu, Guoxuan Chen, Xintong Yu, Yichun Yin, Hong Cheng

机构 * The Chinese University of Hong Kong（香港中文大学） ； Huawei Technologies（华为技术有限公司） ； The University of Hong Kong（香港大学） 纠错

AI总结 UniPool通过全局共享专家池替代传统每层独立专家资源，减少专家参数线性增长需求，提升模型效率和效果。

Transformers Efficiently Perform In-Context Logistic Regression via Normalized Gradient Descent

Transformer 通过归一化梯度下降高效执行上下文逻辑回归

Chenyang Zhang, Yuan Cao

机构 * School of Computing & Data Science, The University of Hong Kong（香港大学计算机与数据科学学院） 纠错

AI总结 本文研究了softmax注意力机制的Transformer在线性分类数据上的上下文学习能力，通过构建多层Transformer实现上下文逻辑回归，证明其可通过训练单层自注意力层并循环应用获得，提供了训练收敛性和分布外泛化性的理论保障。

Comments 94 pages, 8 figures

Continuous Latent Diffusion Language Model

连续潜在扩散语言模型

Hongcan Guo, Qinyu Zhao, Yian Zhao, Shen Nie, Rui Zhu, Qiushan Guo, Feng Wang, Tao Yang, Hengshuang Zhao, Guoqiang Wei, Yan Zeng

机构 * The University of Hong Kong（香港大学） ； The Australian National University（澳大利亚国立大学） ； Peking University（北京大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文提出Cola DLM，通过层次化信息分解实现文本生成，结合文本到潜在空间的映射、连续潜在空间中的全局语义先验建模及条件解码，提升生成效率和语义建模能力。

Comments 99 pages, 31 figures, 9 tables. Project page: https://hongcanguo.github.io/Cola-DLM/

FedFrozen: Two-Stage Federated Optimization via Attention Kernel Freezing

FedFrozen：通过注意力核冻结的两阶段联邦优化

Junye Du, Zhenghao Li, Yushi Feng, Long Feng

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

AI总结 本文提出FedFrozen框架，通过两阶段训练冻结注意力核中的查询/键模块，提升异构联邦学习中Transformer模型的稳定性和效果。

Comments 25 pages

Human-AI Co-Evolution and Epistemic Collapse: A Dynamical Systems Perspective

人类与人工智能的共演与知识崩溃：一种动态系统视角

Xuening Wu, Yanlan Kang, Qianya Xu, Kexuan Xie, Jiaqi Mi, Honggang Wang, Yubin Liu, Zeping Chen

机构 * Fudan University（复旦大学） ； Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Nanjing University of Posts and Telecommunications（南京邮电大学） 纠错

AI总结 本文从动态系统视角探讨人类与语言模型的共演及知识崩溃问题，提出人类与模型形成反馈闭环的耦合系统，通过三变量模型揭示共进化增强、脆弱均衡和退化收敛三种动态模式。

Comments 5 pages, 3 figures, ICML EIML Workshop submitted

The Granularity Axis: A Micro-to-Macro Latent Direction for Social Roles in Language Models

粒度轴：语言模型中社会角色的微到宏观潜在方向

Chonghan Qin, Xiachong Feng, Ziyun Song, Xiaocheng Feng, Jing Xiong, Lingpeng Kong

机构 * The University of Hong Kong（香港大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 研究揭示语言模型中社会角色粒度的潜在方向，通过定义粒度轴，发现其主导了角色表示空间的几何结构，并通过实验验证其在不同层级和模型间的稳定性与因果相关性。

Comments 28 pages, including appendices

Claw-Eval: Towards Trustworthy Evaluation of Autonomous Agents

Claw-Eval: 向可信的自主代理评估迈进

Bowen Ye, Rang Li, Qibin Yang, Yuanxin Liu, Linli Yao, Hanglong Lv, Zhihui Xie, Chenxin An, Lei Li, Lingpeng Kong, Qi Liu, Zhifang Sui, Tong Yang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 Claw-Eval通过300人验证任务覆盖9类任务，采用轨迹感知评分体系，揭示自主代理在安全、鲁棒性及一致性上的多维特性，验证传统评估方法的局限性。

On the Role of Language Representations in Auto-Bidding: Findings and Implications

语言表示在自动出价中的作用：发现与启示

Guanyu Zhu, Jining Luan, Hanwen Du, Xinyu Fang, Sibo Xu, Ersheng Ni, Hongji Li, Jincheng Fang, Ronghao Chen, Huacan Wang, Xuanqi Lan, Yongxin Ni, Yiqi Sun, Youhua Li

机构 * City University of Hong Kong（香港城市大学） ； South China Agricultural University（华南农业大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The Ohio State University, Columbus（俄亥俄州立大学） ； Hefei University of Technology（合肥工业大学） ； School of Economics and Management, Wuhan University（武汉大学经济管理学院） ； Faculty of Engineering, The University of Queensland（昆士兰大学工程学院） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； The Hong Kong University of Science and Technology（香港科学大学） ； Peking University（北京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Santa Clara University（圣克拉拉大学） ； Boston University（波士顿大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文研究语言表示在自动出价中的作用，提出SemBid框架，通过整合语义与数值信息提升出价可控性和泛化能力，实验表明其在多种场景下优于现有方法。

Comments 19 page

AffectSeek: Agentic Affective Understanding in Long Videos under Vague User Queries

AffectSeek: 长视频中基于模糊用户查询的代理情感理解

Zhen Zhang, Yuhang Yang, Yunxiang Jiang, Yuhuan Lu, Haifeng Lu, Zheng Lian, Runhao Zeng, Xiping Hu

机构 * Gansu Provincial Key Laboratory of Wearable Computing, School of Information Science and Engineering, Lanzhou University（甘肃省可穿戴计算重点实验室，兰州大学信息科学与工程学院） ； Guangdong-Hong Kong-Macao Joint Laboratory for Emotional Intelligence and Pervasive Computing, Shenzhen MSU-BIT University（粤港澳大湾区情感智能与泛在计算联合实验室，深圳MSU-BIT大学） ； Department of Computer and Information Engineering, Khalifa University（计算机与信息工程系，哈利法大学） ； Artificial Intelligence Research Institute, Shenzhen MSU-BIT University（人工智能研究院，深圳MSU-BIT大学） ； Department of Electrical and Computer Engineering, The University of Hong Kong（电子与计算机工程系，香港大学） 纠错

AI总结 本文提出VQAU任务，要求模型在长视频中定位情感时刻、预测情绪类别并生成证据支持的解释。构建VQAU-Bench基准，并提出AffectSeek框架，通过分步推理实现模糊查询驱动的情感理解。

Self-Normalized Martingales and Uniform Regret Bounds for Linear Regression

自归一化martingale与线性回归的统一后悔界

Fan Chen, Jian Qian, Alexander Rakhlin, Nikita Zhivotovskiy

机构 * MIT（麻省理工学院） ； University of Hong Kong（香港大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 研究自归一化martingale的统一后悔界，证明一维情况下可得O(log T)界，而高维情况下无法获得统一界，解决了一个开放性问题。

VAnim: Rendering-Aware Sparse State Modeling for Structure-Preserving Vector Animation

VAnim：基于渲染的稀疏状态建模用于结构保持的向量动画

Guotao Liang, Zhangcheng Wang, Chuang Wang, Juncheng Hu, Haitao Zhou, Junhua Liu, Jing Zhang, Dong Xu, Qian Yu

机构 * School of Software, Beihang University, Beijing, China（北京航空航天大学软件学院） ； Department of Computer Science, The University of Hong Kong, Hong Kong, China（香港大学计算机科学系） ； College of Computer Science and Technology, Zhejiang University, Hangzhou, China（浙江大学计算机科学与技术学院） 纠错

AI总结 VAnim提出了一种基于LLM的框架，通过稀疏状态更新和渲染感知强化学习，实现结构保持的向量动画生成，优于现有方法。

Comments Accepted to ICML 2026. Project page: https://yukinonooo.github.io/VAnimProject

Generalized Category Discovery under Domain Shifts: From Vision to Vision-Language Models

在域偏移下进行广义类别发现：从视觉模型到视觉-语言模型

Hongjun Wang, Po Hu, Kai Han

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） 纠错

AI总结 本文研究在域偏移下的广义类别发现问题，提出三种适应基础模型的框架，从自监督视觉模型到视觉-语言模型，通过多级特征提取和互信息最小化等方法提升性能。

Comments Submission to TPAMI

Strips as Tokens: Artist Mesh Generation with Native UV Segmentation

strip作为标记：基于原生UV分割的艺术家网格生成

Rui Xu, Dafei Qin, Kaichun Qiao, Qiujie Dong, Huaijin Pi, Qixuan Zhang, Longwen Zhang, Lan Xu, Jingyi Yu, Wenping Wang, Taku Komura

机构 * The University of Hong Kong, Deemos Technology Co., Ltd. Equal contribution. ‡ Project lead. † Corresponding authors. China ； The University of Hong Kong, Deemos Technology Co., Ltd. China ； ShanghaiTech University, Deemos Technology Co., Ltd. China ； Shandong University China ； The University of Hong Kong China ； ShanghaiTech University China ； Texas A\&M University USA ； The University of Hong Kong, Deemos Technology Co., Ltd. ； ShanghaiTech University, Deemos Technology Co., Ltd. ； Shandong University ； The University of Hong Kong ； ShanghaiTech University ； Texas A\&M University 纠错

AI总结 本文提出SATO框架，通过三角 strip启发的标记顺序策略，生成高质量网格并提升UV分割效果，优于现有方法。

Comments ACM Transactions on Graphics. SIGGRAPH 2026

EngiBench: A Benchmark for Evaluating Large Language Models on Engineering Problem Solving

EngiBench：用于评估大型语言模型在工程问题解决上的基准

Xiyuan Zhou, Xinlei Wang, Yirui He, Yang Wu, Ruixi Zou, Yuheng Cheng, Yulu Xie, Wenxuan Liu, Huan Zhao, Yan Xu, Jinjin Gu, Junhua Zhao

机构 * Nanyang Technological University（南洋理工大学） ； The University of Sydney（悉尼大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； The University of Hong Kong（香港大学） ； Hong Kong Polytechnic University（香港理工大学） ； AIRS 纠错

AI总结 EngiBench是一个分层基准，用于评估大型语言模型在解决工程问题上的能力，涵盖基础知识检索、情境推理和开放性建模三个层次，揭示当前LLM在现实工程中仍缺乏高级推理能力。

Comments Accepted at ACL 2026 Findings

Model-Based Reinforcement Learning with Double Oracle Efficiency in Policy Optimization and Offline Estimation

基于双 oracle 效率的模型驱动强化学习：在策略优化和离线估计中的应用

Haichen Hu, Jian Qian, David Simchi-Levi

机构 * Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出一种新的算法，通过 log-barrier 和 log-determinant 正则化，在离线 oracle 效率的 episodic RL 中实现最优 regret 绑定，且 oracle 复杂度与状态和动作空间大小无关，适用于大规模和连续环境。

Claw-Eval-Live: A Live Agent Benchmark for Evolving Real-World Workflows

Claw-Eval-Live: 一个用于评估进化现实工作流的活体代理基准

Chenxin Li, Zhengyang Tang, Mingxin Huang, Yunlong Lin, Shijue Huang, Shengyuan Liu, Bowen Ye, Rang Li, Lei Li, Benyou Wang, Yixuan Yuan

机构 * The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； South China University of Technology（华南理工大学） ； Xiamen University（厦门大学） ； Peking University（北京大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出Claw-Eval-Live活体基准，通过分离可刷新信号层和可复现的发布快照，评估代理在动态工作流需求下的表现，发现可靠工作流自动化仍待解决，领先模型仅完成66.7%的任务。

Comments Project page: https://claw-eval-live.github.io

HERMES++: Toward a Unified Driving World Model for 3D Scene Understanding and Generation

HERMES++：迈向统一的驾驶世界模型用于3D场景理解和生成

Xin Zhou, Dingkang Liang, Xiwu Chen, Feiyang Tan, Dingyuan Zhang, Hengshuang Zhao, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； Mach Drive ； University of Hong Kong（香港大学） 纠错

AI总结 本文提出HERMES++，一种统一的驾驶世界模型，整合3D场景理解和未来几何预测。通过BEV表示、LLM增强世界查询和当前到未来链接等设计，提升驾驶场景的生成与理解能力。

Comments Extended version of ICCV 25 paper HERMES, Code: https://github.com/H-EmbodVis/HERMESV2, Project page: https://h-embodvis.github.io/HERMESV2/

AesRM: Improving Video Aesthetics with Expert-Level Feedback

AesRM：通过专家级反馈提升视频美学

Yujin Han, Yujie Wei, Yefei He, Xinyu Liu, Tianle Li, Zichao Yu, Andi Han, Shiwei Zhang, Tingyu Weng, Difan Zou

机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Sydney（悉尼大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出AesRM框架，通过分解视频美学为视觉美学、视觉保真度和视觉合理性三个维度，构建了专家标注的AesVideo-Bench基准，并开发了AesRM-Base和AesRM-CoT模型，提升了视频美学评估的准确性和可解释性。

Comments 37 pages, 14 figures, 12 tables

Belief-Guided Inference Control for Large Language Model Services via Verifiable Observations

基于可验证观测的信念引导推理控制：通过可验证观测实现大语言模型服务

Wenhao Yuan, Chenchen Lin, Jian Chen, Jinfeng Xu, Shuo Yang, Edith Cheuk Han Ngai

机构 * The University of Hong Kong（香港大学） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出Veroic框架，通过构建轻量级可验证观测通道，利用聚合的异质质量信号形成信念状态，以实现更优的质量-成本权衡、更强的风险估计和更稳健的长期推理控制。

Comments Accepted by KnowFM@ACL2026

Coverage-Aware Web Crawling for Domain-Specific Supplier Discovery via a Web--Knowledge--Web Pipeline

面向领域供应商发现的覆盖感知网络爬虫：通过网络-知识-网络流水线

Yijiashun Qi, Yijiazhen Qi, Tanmay Wagh

机构 * University of Michigan（密歇根大学） ； The University of Hong Kong（香港大学） ； Santa Clara University（圣克拉拉大学） 纠错

AI总结 本文提出网络-知识-网络流水线，通过迭代爬取领域网页、提取知识并引导爬虫，提高中小企业发现的覆盖率和精度，实验显示其在半导体设备制造领域表现优异。

Comments Accepted by 2026 7th International Conference on Computer Information and Big Data Applications

EAG-PT: Emission-Aware Gaussians and Path Tracing for Diffuse Indoor Scene Reconstruction and Editing

EAG-PT：考虑发射的高斯和路径追踪用于漫反射室内场景重建与编辑

Xijie Yang, Mulin Yu, Changjian Jiang, Kerui Ren, Tao Lu, Jiangmiao Pang, Dahua Lin, Bo Dai, Linning Xu

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence 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） ； The University of Hong Kong（香港大学） 纠错

AI总结 EAG-PT通过统一的2D高斯表示实现室内场景的物理重建与渲染，支持可编辑的漫反射全局光照，结合高效单次反弹优化和高质量多次反弹路径追踪，优于现有方法。

Comments SIGGRAPH 2026 Conference Paper; Project Page: https://eag-pt.github.io

Efficient-DLM: From Autoregressive to Diffusion Language Models, and Beyond in Speed

Efficient-DLM：从自回归到扩散语言模型，以及速度上的突破

Yonggan Fu, Lexington Whalen, Zhifan Ye, Xin Dong, Shizhe Diao, Jingyu Liu, Chengyue Wu, Hao Zhang, Enze Xie, Song Han, Maksim Khadkevich, Jan Kautz, Yingyan Celine Lin, Pavlo Molchanov

机构 * Georgia Tech（佐治亚理工学院） ； University of Chicago（芝加哥大学） ； University of Hong Kong（香港大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出Efficient-DLM方法，通过改进自回归到扩散语言模型的转换，提升生成速度并保持任务准确性，实验显示其在精度和效率上优于现有模型。

Effective Prompt Pool Learning for Continual Category Discovery

有效提示池学习用于连续类别发现

Fernando Julio Cendra, Xinghui Li, Kai Han

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

AI总结 本文提出PromptCCD和PromptCCD++框架，通过全局类原型和物体部分原型提升连续类别发现性能，揭示类别数量是发现性能的主要瓶颈。

Comments Under review. Extended version of our ECCV 2024 paper, see arXiv:2407.19001v2

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。