CodeComp: Structural KV Cache Compression for Agentic Coding
CodeComp: 用于代理编程的结构化KV缓存压缩
机构 * The University of Hong Kong（香港大学） ； LMSYS Org（LMSYS组织）
AI总结 CodeComp通过引入静态程序分析，在LLM推理中整合代码属性图先验，有效压缩KV缓存，提升代码定位和生成任务的准确性与效率。
高校专区
The University of Hong Kong（香港大学）
RF-LEGO: Modularized Signal Processing-Deep Learning Co-Design for RF Sensing via Deep Unrolling
RF-LEGO：通过深度反卷积实现射频感知的模块化信号处理-深度学习协同设计
机构 * The University of Hong Kong（香港大学）
AI总结 本文提出RF-LEGO框架，通过深度反卷积将可解释的信号处理算法转化为可训练的深度学习模块，提升射频感知任务的模块化、可扩展性和可解释性。
Comments Accepted by The 32nd Annual International Conference on Mobile Computing and Networking (MobiCom '26), October 26-30, 2026, Austin, TX, USA. 16 pages
Device-Conditioned Neural Architecture Search for Efficient Robotic Manipulation
设备条件神经架构搜索用于高效机器人操作
机构 * The University of Hong Kong（香港大学） ； Westlake University（西湖大学） ； The University of Newcastle（纽卡斯尔大学）
AI总结 本文提出DC-QFA框架，通过设备条件量化训练和硬件约束架构搜索，实现高效机器人操作部署，减少优化时间并提升泛化能力。
Comments 17 pages, 4 figures
NeuroFlow: Toward Unified Visual Encoding and Decoding from Neural Activity
NeuroFlow：迈向从神经活动统一的视觉编码和解码
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tsinghua University（清华大学） ； Chinese University of Hong Kong（香港中文大学）
AI总结 NeuroFlow首次提出统一框架，通过单一流模型联合建模视觉和神经活动的编码解码，提升效率与一致性。
Comments Accepted to CVPR 2026. Project page: https://michaelmaiii.github.io/NeuroFlow-S
TaFall: Balance-Informed Fall Detection via Passive Thermal Sensing
TaFall：基于被动热传感的平衡感知跌倒检测
机构 * University of Hong Kong（香港大学） ； West China Hospital, Sichuan University（四川大学华西医院）
AI总结 TaFall通过低成本隐私保护热阵列传感，结合平衡动态建模实现高可靠跌倒检测，其在真实环境中实现了98.26%的检测率和0.65%的误报率。
MARS: Unleashing the Power of Speculative Decoding via Margin-Aware Verification
MARS：通过边距感知验证释放推测解码的潜力
机构 * The University of Hong Kong（香港大学） ； McGill University（麦吉尔大学） ； Peking University（北京大学） ； gradient ； Alibaba Cloud（阿里云） ； Mila ； SimpleWay
AI总结 MARS通过边距感知验证策略提升LLM推理效率，无需额外训练，适应目标模型的决策稳定性，减少验证过程中的回滚成本，实验证明在不同模型规模上显著提升推理速度同时保持生成质量。
Comments 12 pages, 4 figures, 7 tables
Switch-JustDance: Benchmarking Whole Body Motion Tracking Controllers Using a Commercial Console Game
Switch-JustDance: 使用商业游戏机评估完整身体运动跟踪控制器的基准测试
机构 * Georgia Tech（佐治亚理工学院） ； HKU（香港大学） ； ETH Zurich（苏黎世联邦理工学院） ； SCUT（华南理工大学） ； THU（清华大学） ； MIT（麻省理工学院） ； PNDbotics
AI总结 本文提出Switch-JustDance基准测试平台，利用Nintendo Switch上的Just Dance游戏评估机器人完整身体控制能力，验证其可靠性并对比三种先进控制器的性能。
SafeMind: A Risk-Aware Differentiable Control Framework for Adaptive and Safe Quadruped Locomotion
SafeMind: 一种考虑风险的可微控制框架用于自适应和安全的四足运动
机构 * The University of Hong Kong（香港大学） ； Alibaba（阿里巴巴） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 SafeMind通过整合概率控制障碍函数与语义上下文理解及元适应性风险校准，实现了在不确定环境下自适应且安全的四足运动控制，实验显示其在安全性与能耗上均优于现有方法。
Task-Aware LLM Routing with Multi-Level Task-Profile-Guided Data Synthesis for Cold-Start Scenarios
具有多级任务-特征引导的数据合成的任务感知LLM路由用于冷启动场景
机构 * City University of Hong Kong（香港城市大学） ； University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出TRouter，通过多级任务-特征引导的数据合成框架解决冷启动问题，提升LLM路由在冷启动和领域内设置下的性能。
Comments 30 pages, Accepted by ACL 2026 Main
CoMoVi: Co-Generation of 3D Human Motions and Realistic Videos
CoMoVi：3D人类动作与真实视频的联合生成
机构 * HKUST（香港科技大学） ； SCUT（华南理工大学） ； HKU（香港大学） ； MIT（麻省理工学院） ； ZJU（浙江大学）
AI总结 本文提出CoMoVi框架，通过单个扩散去噪循环同步生成3D人类动作和视频，采用双分支扩散模型实现动作与视频生成的互惠特征交互和3D-2D交叉注意力。
Comments Project Page: https://igl-hkust.github.io/CoMoVi/
CORA: Conformal Risk-Controlled Agents for Safeguarded Mobile GUI Automation
CORA: 为保障移动GUI自动化设计的符合性风险控制代理
机构 * The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Tokyo（东京大学）
AI总结 CORA通过统计保障减少有害操作，利用Guardian模型评估行动风险并校准执行/中止边界，结合Goal-Lock机制和Phone-Harm基准验证其在自主GUI执行中的安全性与实用性。
"Take Me Home, Wi-Fi Drone": A Drone-based Wireless System for Wilderness Search and Rescue
带我回家，Wi-Fi无人机：一种基于无人机的无线系统用于荒野搜救
机构 * The University of Hong Kong（香港大学）
AI总结 本文提出Wi2SAR，一种基于无人机的无线系统，用于远距离穿透遮挡的荒野搜救。通过模仿Wi-Fi设备自动重新连接行为，利用无人机Wi-Fi发现并定位受害者，采用三种创新技术提升性能。
Comments 16 pages, 12 figures, 1 table. Project page: https://aiot-lab.github.io/Wi2SAR
Journal ref In The 32nd Annual International Conference on Mobile Computing and Networking (MobiCom '26), October 26-30, 2026, Austin, TX, USA. ACM, New York, NY, USA
Mapping generative AI use in the human brain: divergent neural, academic, and mental health profiles of functional versus socio emotional AI use
映射人类大脑中的生成AI使用：功能性与社会情绪AI使用在神经、学术和心理健康方面的异质性 profile
机构 * University of Electronic Science and Technology of China（电子科技大学） ； University of Macau（澳门大学） ； The University of Hong Kong（香港大学）
AI总结 研究探讨了功能性与社会情绪型AI使用对大脑结构、学术表现和心理健康的影响，发现不同使用模式导致认知与情感系统差异，为AI教育应用提供设计依据。
Comments 45 pages, 20 figures, 5 tables
Fast-dVLM: Efficient Block-Diffusion VLM via Direct Conversion from Autoregressive VLM
Fast-dVLM: 通过直接转换自回归VLM实现高效的块扩散VLM
机构 * The University of Hong Kong（香港大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出Fast-dVLM，通过直接转换自回归VLM实现高效的块扩散VLM，采用KV-cache兼容并行解码和推测块解码，提升推理效率。实验表明其生成质量与自回归模型相当，且通过SGLang和FP8量化实现6倍以上的推理加速。
GaussiAnimate: Reconstruct and Rig Animatable Categories with Level of Dynamics
GaussiAnimate：通过动态层次重建和 rig 可动画类别
机构 * Westlake University（西湖大学） ； Nanjing University（南京大学） ； University of Hong Kong（香港大学） ； Macau University of Science and Technology（澳门科技大学）
AI总结 本文提出Skelebones系统，通过三个步骤将4D形状的动态层次压缩为可控且表达性强的骨架，实验证明在未见姿态下比LBS和BoB有显著提升，且在低数据条件下表现优异。
Comments Page: https://cookmaker.cn/gaussianimate
Meta-learning In-Context Enables Training-Free Cross Subject Brain Decoding
基于上下文的元学习实现无训练跨受试者脑解码
机构 * University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种基于上下文的元学习方法，无需微调即可实现跨受试者的脑解码，通过上下文学习和分层推理提升解码效率与鲁棒性。
Comments Accepted to CVPR 2026, website: https://github.com/ezacngm/brainCodec
Verify Before You Commit: Towards Faithful Reasoning in LLM Agents via Self-Auditing
在提交前验证：通过自我审计实现LLM代理中的忠实推理
机构 * The University of Hong Kong（香港大学） ； Sun Yat-sen University（中山大学）
AI总结 本文提出SAVeR框架，通过在行动承诺前验证内部信念状态，提升LLM代理的推理忠实性，实验表明其在保持任务性能的同时提升了推理可靠性。
Comments Accepted by ACL2026 Main Conference
Human-AI Collaboration Reconfigures Group Regulation from Socially Shared to Hybrid Co-Regulation
人类-人工智能协作重构了群体调节从社会共享到混合共调节
机构 * The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Monash University（莫纳什大学）
AI总结 研究探讨了生成式AI对群体协作调节的影响，发现AI可用时协作调节更偏向混合共调节，且参与焦点分布相似，为AI支持的协作学习设计提供启示。
Comments 9 pages, 2 figures. Accepted at AIED 2026. Camera-ready version with updated references
Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling
神经符号知识追踪：将教育知识注入深度学习以实现负责任的学习者建模
机构 * Tallinn University（塔林大学） ； University of Jyväskylä（于韦斯屈莱大学） ； Czech Technical University（捷克技术大学） ； Kangwon National University（江原大学） ； University College London（伦敦大学学院） ； The University of Hong Kong（香港大学） ； Monash University（莫纳什大学） ； University of Central Florida（中佛罗里达大学）
AI总结 本文提出Responsible-DKT，通过整合教育符号知识提升学习者建模的性能与可解释性，实验表明其在预测准确率和时间可靠性方面优于传统方法。
Towards Hierarchical Multi-Step Reward Models for Enhanced Reasoning in Large Language Models
面向增强大语言模型推理能力的分层多步奖励模型
机构 * the University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Georgia Institute of Technology（佐治亚理工学院） ； National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； Renmin University of China（中国人民大学） ； the Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出分层奖励模型和轻量数据增强策略，解决大语言模型推理中奖励黑客问题，提升多步推理评估的稳定性和泛化能力。
CausalVAE as a Plug-in for World Models: Towards Reliable Counterfactual Dynamics
CausalVAE作为世界模型的插件：迈向可靠的反事实动力学
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Technology（INFIFORCE智能科技）
AI总结 本文提出CausalVAE作为潜在世界模型的插件模块，通过增强事实预测和反事实检索，提升模型在分布偏移和干预下的鲁棒性，尤其在物理基准上取得显著提升。
OpenSpatial: A Principled Data Engine for Empowering Spatial Intelligence
OpenSpatial: 一种原则性的数据引擎，以赋能空间智能
机构 * Joy Future Academy（京东探索研究院） ； The University of Hong Kong（香港大学） ； Monash University（莫纳什大学）
AI总结 本文提出OpenSpatial数据引擎，通过构建五类基础任务的空间数据层次，生成高质量大规模数据集，提升空间推理性能，并系统分析数据属性对空间感知的影响。
Comments Code: https://github.com/VINHYU/OpenSpatial
TurboAgent: An LLM-Driven Autonomous Multi-Agent Framework for Turbomachinery Aerodynamic Design
TurboAgent：一种基于大语言模型的自主多智能体框架用于涡轮机械气动设计
机构 * Digital Twin Research Center, Institute of Engineering Thermophysics, Chinese Academy of Sciences（中国科学院工程热物理研究所数字孪生研究中心） ； National Key Laboratory of Science and Technology on Advanced Light-duty Gas-Turbine, Chinese Academy of Sciences（中国科学院先进轻型燃气轮机科学与技术国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出TurboAgent框架，通过大语言模型实现涡轮机械气动设计的端到端自主设计，结合生成设计、性能预测、多目标优化和物理验证，实现数据驱动的协作流程，提升设计效率和精度。
Dialogue Act Patterns in GenAI-Mediated L2 Oral Practice: A Sequential Analysis of Learner-Chatbot Interactions
对话行为模式在生成式人工智能中介的第二语言口语练习中的研究：学习者与聊天机器人互动的序列分析
机构 * University College London（伦敦大学学院） ； University of Hong Kong（香港大学）
AI总结 研究探讨了生成式人工智能中介的第二语言口语练习中学习者与聊天机器人互动的对话行为模式，通过分析12名学生10周内的70次互动，发现高进展会话中学习者提问更多，低进展会话中澄清寻求更频繁，反馈类型和时机对有效互动有重要影响。
Comments Accepted for publication as a full paper (Main Track) at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)
Reason-SVG: Enhancing Structured Reasoning for Vector Graphics Generation with Reinforcement Learning
Reason-SVG：通过强化学习增强向量图形生成的结构化推理
机构 * Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学）
AI总结 Reason-SVG通过引入Drawing-with-Thought范式和混合奖励机制，提升大语言模型生成高质量SVG的能力，实现结构化推理与视觉一致性。
Comments Accepted by CVPR 2026. 16 pages, 7 figures
SVGFusion: A VAE-Diffusion Transformer for Vector Graphic Generation
SVGFusion：一种用于矢量图形生成的VAE-扩散变换器
机构 * Beihang University（北京航空航天大学） ； Bambu AI ； The University of Hong Kong（香港大学）
AI总结 本文提出SVGFusion框架，结合VAE-扩散架构生成高质量可编辑SVG，通过融合矢量与像素信息提升结构理解与生成质量。
Comments project page: https://ximinng.github.io/SVGFusionProject/
FP4 Explore, BF16 Train: Diffusion Reinforcement Learning via Efficient Rollout Scaling
FP4探索，BF16训练：通过高效的回放缩放实现扩散强化学习
机构 * NVIDIA（英伟达） ； HKU（香港大学） ； MIT（麻省理工学院）
AI总结 本文提出Sol-RL框架，通过FP4量化与BF16训练结合，提升扩散模型的对齐性能，实现训练效率与精度的平衡，实验显示在多个指标上表现优异，训练收敛速度提升4.64倍。
RichMap: A Reachability Map Balancing Precision, Efficiency, and Flexibility for Rich Robot Manipulation Tasks
RichMap: 一种平衡精度、效率和灵活性的可达性地图用于丰富的机器人操作任务
机构 * School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出RichMap，一种高精度可达性地图表示，通过优化传统网格结构，在保持结构灵活性的同时实现接近紧凑地图形式的性能，通过理论容量界和异步流水线实现高效构建，并在多个指标上验证其高预测精度和低误报率。
Comments Accepted by WAFR 2026
SpatialEdit: Benchmarking Fine-Grained Image Spatial Editing
SpatialEdit：细粒度图像空间编辑基准测试
机构 * The University of Hong Kong（香港大学） ； JD Explore Academy（京东探索研究院） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出SpatialEdit-Bench基准测试，结合视角重建和框架分析评估空间编辑的感知合理性和几何精度，并构建了SpatialEdit-500k合成数据集和SpatialEdit-16B基线模型，实现细粒度空间编辑的高效训练与评估。
Comments Code: https://github.com/EasonXiao-888/SpatialEdit
DiffSketcher: Text Guided Vector Sketch Synthesis through Latent Diffusion Models
DiffSketcher: 通过潜在扩散模型实现文本引导的向量草图合成
机构 * Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出DiffSketcher，通过扩展的SDS损失优化贝塞尔曲线，实现从自然语言提示直接生成向量草图，提升生成质量与可控性。
Comments Accepted by NeurIPS 2023. Project page: https://ximinng.github.io/DiffSketcher-project/
