The University of Hong Kong（香港大学）

SL-FAC: A Communication-Efficient Split Learning Framework with Frequency-Aware Compression

SL-FAC：一种通信高效的分裂学习框架，具有频率感知的压缩

Zehang Lin, Miao Yang, Haihan Zhu, Zheng Lin, Jianhao Huang, Jing Yang, Guangjin Pan, Dianxin Luan, Zihan Fang, Shunzhi Zhu, Wei Ni, John Thompson

机构 * School of Computer and Information Engineering, Xiamen University of Technology（厦门理工学院计算机与信息工程学院） ； School of Artificial Intelligence, Hebei University of Technology（河北工业大学人工智能学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电机电子工程系） ； Center of Research for Cyber Security and Network (CSNET), Faculty of Computer Science and Information Technology, Universiti Malaya（马来亚大学计算机科学与信息技术学院网络安全与网络研究中心） ； Department of Electrical Engineering, Chalmers University of Technology（查尔姆斯理工大学电气工程系） ； Institute for Imaging, Data and Communications, School of Engineering, The University of Edinburgh（爱丁堡大学工程学院成像、数据与通信研究所） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； School of Engineering, Edith Cowan University（埃迪斯科文大学工程学院） 纠错

AI总结 SL-FAC通过频率感知压缩和自适应频率分解，有效降低分裂学习中的通信开销，提升模型训练效率。

Comments 6 pages, 4 figures

Efficient and Principled Scientific Discovery through Bayesian Optimization: A Tutorial

通过贝叶斯优化实现高效且原则性的科学发现：教程

Zhongwei Yu, Rasul Tutunov, Alexandre Max Maraval, Zikai Xie, Zhenzhi Tan, Jiankang Wang, Bin Cao, Zijing Li, Liangliang Xu, Qi Yang, Jun Jiang, Sanzhong Luo, Zhenxiao Guo, Tongyi Zhang, Haitham Bou-Ammar, Jun Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Haihe Laboratory of Sustainable Chemical Transformations（海河可持续化学转化实验室） ； Shanghai University（上海大学） ； University College London（伦敦大学学院） 纠错

AI总结 本文通过贝叶斯优化框架，系统阐述了如何通过自动化科学发现循环提升实验效率，涵盖催化、材料科学等领域的案例研究及技术扩展。

GenomeQA: Benchmarking General Large Language Models for Genome Sequence Understanding

GenomeQA：用于基因组序列理解的通用大型语言模型基准测试

Weicai Long, Yusen Hou, Junning Feng, Houcheng Su, Shuo Yang, Donglin Xie, Yanlin Zhang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） 纠错

AI总结 GenomeQA旨在评估通用大型语言模型在基因组序列推理任务中的表现，包含5200个样本，涵盖六个任务家族，揭示模型在直接接触原始基因组序列时的表现。

Comments 18 pages, 9 figures, coference

Content Fuzzing for Escaping Information Cocoons on Digital Social Media

内容模糊化：突破数字社交媒体信息茧房

Yifeng He, Ziye Tang, Hao Chen

机构 * University of California, Davis（加州大学戴维斯分校） ； University of Hong Kong（香港大学） 纠错

AI总结 研究通过ContentFuzz框架，从创作者角度出发，利用模糊化技术改变内容的机器推断立场标签，以突破信息茧房限制，促进多元观点的传播。

Comments accepted to findings of ACL 2026

CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift

CRISP：基于排名的迭代压缩以在域移位下实现鲁棒的医学图像分割

Yizhou Fang, Pujin Cheng, Yixiang Liu, Xiaoying Tang, Longxi Zhou

机构 * Southern University of Science and Technology（南方科技大学） ； The University of Hong Kong（香港大学） ； Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院） 纠错

AI总结 本文提出CRISP框架，通过基于排名而非概率的分割方法，提升医学图像分割在域移位下的鲁棒性，实验显示其在多中心、人群和模态移位上表现优异。

InfBaGel: Human-Object-Scene Interaction Generation with Dynamic Perception and Iterative Refinement

InfBaGel: 基于动态感知和迭代细化的人-物体-场景交互生成

Yude Zou, Junji Gong, Xing Gao, Zixuan Li, Tianxing Chen, Guanjie Zheng

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Sichuan University（四川大学） ； Shenzhen University（深圳大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出一种粗到细的指令条件交互生成框架，结合一致性模型的迭代去噪过程，通过动态感知策略和 bump-aware 指导减少物理伪影，提升 HOSI 和 HOI 生成性能。

Comments ICLR 2026

Batch Loss Score for Dynamic Data Pruning

批量损失评分用于动态数据剪枝

Qing Zhou, Bingxuan Zhao, Tao Yang, Hongyuan Zhang, Junyu Gao, Qi Wang

机构 * Northwestern Polytechnical University（西北工业大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出批量损失评分（BLS），通过指数移动平均法高效计算样本重要性，简化代码集成并提升复杂模型的数据剪枝效果。

Comments CVPR2026 accepted

FURINA: A Fully Customizable Role-Playing Benchmark via Scalable Multi-Agent Collaboration Pipeline

FURINA：通过可扩展的多智能体协作流水线实现完全可定制的角色扮演基准

Haotian Wu, Shufan Jiang, Chios Chen, Yiyang Feng, Hehai Lin, Heqing Zou, Yao Shu, Chengwei Qin

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The University of Hong Kong（香港大学） ； Stony Brook University（石溪大学） ； Nanyang Technological University（南洋理工大学） ； Datawhale Org.（Datawhale 组织） ； Independent Researcher（独立研究者） 纠错

AI总结 本文提出FURINA-Builder，一种可扩展的多智能体协作流水线，用于构建完全可定制的角色扮演基准。该基准支持多样化的场景和提示格式，通过智能体协作评估任意角色，并发现推理能力提升的同时 hallucinations 增加的新型权衡。

MisEdu-RAG: A Misconception-Aware Dual-Hypergraph RAG for Novice Math Teachers

MisEdu-RAG：一种面向初学者数学教师的误解意识双超图RAG

Zhihan Guo, Rundong Xue, Yuting Lu, Jionghao Lin

机构 * The University of Hong Kong（香港大学） ； Xi'an Jiaotong University（西安交通大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Monash University（莫纳什大学） 纠错

AI总结 针对初学者数学教师难以诊断和纠正学生错误的问题，提出基于双超图的RAG框架，通过组织教学知识和学生错误案例，提升响应质量。

Single-agent vs. Multi-agents for Automated Video Analysis of On-Screen Collaborative Learning Behaviors

单 agent 与多 agent 在自动视频分析上的协作学习行为研究

Likai Peng, Shihui Feng

机构 * Faculty of Education, The University of Hong Kong（香港大学教育学院） ； Institute of Data Science, The University of Hong Kong（香港大学数据科学研究所） 纠错

AI总结 本文比较了单 agent 和多 agent 框架在自动编码协作学习场景视频中的性能，提出两种多 agent 方法，分别在场景检测和动作检测任务中表现优异。

Comments 15 pages, 4 figures. To be published in the 27th International Conference on Artificial Intelligence in Education (AIED2026)

ST-BiBench: Benchmarking Multi-Stream Multimodal Coordination in Bimanual Embodied Tasks for MLLMs

ST-BiBench：多流多模态协调在双臂具身任务中的基准测试

Xin Wu, Zhixuan Liang, Yue Ma, Mengkang Hu, Zhiyuan Qin, Xiu Li

机构 * Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； HKUST（香港科技大学） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） 纠错

AI总结 本文提出ST-BiBench框架，用于评估多流多模态协调，揭示MLLMs在高阶策略与精细物理执行间的协调悖论。

Comments 42 pages, 9 figures. Project page:https://stbibench.github.io/

ContextDrag: Precise Drag-Based Image Editing via Context-Preserving Token Injection and Position-Aligned Attention

ContextDrag: 通过上下文保留的标记注入和位置对齐注意力实现精确的拖动式图像编辑

Huiguo He, Pengyu Yan, Ziqi Yi, Weizhi Zhong, Zheng Liu, Yejun Tang, Huan Yang, Guanbin Li, Lianwen Jin

机构 * School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息学院） ； KlingAI Research, Kuaishou Technology（快手科技KlingAI研究） ； The University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 本文提出ContextDrag，首个将拖动式操作引入上下文图像编辑的框架，通过上下文保留的标记注入和位置对齐注意力实现精确拖动编辑，提升编辑精度与质量。

Co-Evolution of Policy and Internal Reward for Language Agents

语言代理中策略与内部奖励的共演化

Xinyu Wang, Hanwei Wu, Jingwei Song, Shuyuan Zhang, Jiayi Zhang, Fanqi Kong, Tung Sum Thomas Kwok, Xiao-Wen Chang, Yuyu Luo, Chenglin Wu, Bang Liu

机构 * McGill University（麦吉尔大学） ； McMaster University（麦克马斯特大学） ； The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Peking University（北京大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； DeepWisdom（深度智慧） ； Université de Montréal（蒙特利尔大学） ； Mila（米拉研究所） 纠错

AI总结 本文提出Self-Guide方法，通过自动生成内部奖励实现推理和训练时的协同优化，提升语言代理性能。

Comments 20 pages, 13 figures

Comparing the Impact of Pedagogy-Informed Custom and General-Purpose GAI Chatbots on Students' Science Problem-Solving Processes and Performance Using Heterogeneous Interaction Network Analysis

比较基于教学导向的定制与通用目的GAI聊天机器人对学生产生的科学问题解决过程和表现的影响：使用异质交互网络分析

Hanyu Su, Huilin Zhang, Shihui Feng

机构 * Faculty of Education, The University of Hong Kong（香港大学教育学院） 纠错

AI总结 本研究通过异质交互网络分析比较了基于教学导向的定制与通用目的GAI聊天机器人对学生产生的科学问题解决过程和表现的影响，发现定制聊天机器人能提高学生的认知互动强度和多样性。

Comments Full paper accepted to the 27th International Conference on AI in Education (AIED 2026)

PolyReal: A Benchmark for Real-World Polymer Science Workflows

PolyReal：一个用于现实世界聚合物科学工作流程的基准

Wanhao Liu, Weida Wang, Jiaqing Xie, Suorong Yang, Jue Wang, Benteng Chen, Guangtao Mei, Zonglin Yang, Shufei Zhang, Yuchun Mo, Lang Cheng, Jin Zeng, Houqiang Li, Wanli Ouyang, Yuqiang Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） ； Tongji University（同济大学） ； The University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 PolyReal是一个新的多模态基准，用于评估大规模语言模型在聚合物实验全流程中的能力，揭示了模型在实践任务上的不足，填补了评估空白。

GBQA: A Game Benchmark for Evaluating LLMs as Quality Assurance Engineers

GBQA：用于评估LLM作为质量保证工程师的博弈基准

Shufan Jiang, Chios Chen, Zhiyang Chen

机构 * The University of Hong Kong（香港大学） ； Independent Researcher（独立研究者） ； Westlake University（西湖大学） ； Datawhale Org（Datawhale组织） 纠错

AI总结 本文提出GBQA基准，通过30款游戏和124个经人类验证的bug测试LLM自主发现软件缺陷的能力，实验表明最佳模型仅能识别48.39%的bug。

Comments Accepted as a workshop paper at the Fourteenth International Conference on Learning Representations (ICLR 2026)

Debating Truth: Debate-driven Claim Verification with Multiple Large Language Model Agents

辩论真相：基于多个大语言模型代理的辩论驱动声明验证

Haorui He, Yupeng Li, Dacheng Wen, Yang Chen, Reynold Cheng, Donglong Chen, Francis C. M. Lau

机构 * Department of Interactive Media, Hong Kong Baptist University（香港浸会大学互动媒体系） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院） ； Shenzhen Institute of Advanced Technology（深圳先进技术研究院） 纠错

AI总结 本文提出DebateCV框架，通过多代理辩论和调解提升复杂声明验证的准确性与说服力。

Comments Accepted by the ACM Web Conference 2026 (WWW 2026)

Linguistic Frameworks Go Toe-to-Toe at Neuro-Symbolic Language Modeling

语言框架在神经符号语言建模中展开对决

Jakob Prange, Nathan Schneider, Lingpeng Kong

机构 * Georgetown University（乔治城大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 研究探讨了语言图表示如何提升神经语言模型性能，发现语义短语结构最有效，且词性类别影响效果差异。

Comments Accepted to NAACL 2022 (slight typesetting divergences to NAACL camera-ready due to TexLive 2020/2021 mismatches)

RAE-AR: Taming Autoregressive Models with Representation Autoencoders

RAE-AR：通过表示自编码器驯服自回归模型

Hu Yu, Hang Xu, Jie Huang, Zeyue Xue, Haoyang Huang, Nan Duan, Feng Zhao

机构 * University of Science and Technology of China（中国科学技术大学） ； JD Explore Academy（京东探索研究院） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文研究了将高维表示自编码器融入自回归模型中的挑战，提出RAE-AR方法，通过分布归一化和噪声注入缓解复杂分布建模和训练-推理差距问题，实验证明其在自回归模型中表现接近传统VAE。

Do Phone-Use Agents Respect Your Privacy?

手机使用代理是否尊重您的隐私？

Zhengyang Tang, Ke Ji, Xidong Wang, Zihan Ye, Xinyuan Wang, Yiduo Guo, Ziniu Li, Chenxin Li, Jingyuan Hu, Shunian Chen, Tongxu Luo, Jiaxi Bi, Zeyu Qin, Shaobo Wang, Xin Lai, Pengyuan Lyu, Junyi Li, Can Xu, Chengquan Zhang, Han Hu, Ming Yan, Benyou Wang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Hunyuan Team, Tencent（腾讯混元团队） 纠错

AI总结 研究手机使用代理在完成良性移动任务时是否尊重隐私，通过MyPhoneBench框架评估隐私行为，发现任务成功率、隐私合规完成和后续会话偏好使用是不同能力，无单一模型主导。

Comments work in progress

EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents

EmbodMocap: 野外4D人体-场景重建用于具身智能体

Wenjia Wang, Liang Pan, Huaijin Pi, Yuke Lou, Xuqian Ren, Yifan Wu, Zhouyingcheng Liao, Lei Yang, Rishabh Dabral, Christian Theobalt, Taku Komura

机构 * The University of Hong Kong（香港大学） ； Tampere University（坦佩雷大学） ； The Chinese University of Hong Kong（香港中文大学） ； Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

AI总结 本文提出EmbodMocap，利用两部移动iPhone实现低成本、便携式的人体-场景重建，通过联合校准双RGB-D序列，在无静态相机和标记的情况下实现日常环境中的度量尺度和场景一致的重建，提升具身智能研究。

Ratio Covers of Convex Sets and Optimal Mixture Density Estimation

凸集的比率覆盖与最优混合密度估计

Spencer Compton, Gábor Lugosi, Jaouad Mourtada, Jian Qian, Nikita Zhivotovskiy

机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Economics and Business, Pompeu Fabra University, Barcelona, Spain（庞培法布拉大学经济与商业系） ； ICREA, Barcelona, Spain（巴塞罗那ICREA） ； Barcelona Graduate School of Economics（巴塞罗那经济学研究生院） ； Department of Statistics, CREST/ENSAE Paris, Palaiseau, France（CREST/ENSAE巴黎统计系） ； 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） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计系） 纠错

AI总结 本文研究了基于Kullback-Leibler散度的密度估计问题，提出在有限密度字典下，通过凸集覆盖理论和混合密度估计方法，获得最优的高概率保证，改进了传统密度比有界时的估计率。

Comments 47 pages

SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision

SMASH：掌握可扩展的全身技能以实现人形乒乓球的敏捷性

Junli Ren, Yinghui Li, Kai Zhang, Penglin Fu, Haoran Jiang, Yixuan Pan, Guangjun Zeng, Tao Huang, Weizhong Guo, Peng Lu, Tianyu Li, Jingbo Wang, Li Chen, Hongyang Li, Ping Luo

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

AI总结 本文提出SMASH系统，通过整合可扩展的全身技能学习与 onboard 装置视觉感知，实现无需外部摄像头的敏捷人形乒乓球任务，提升了全身协调与击球动作的多样性和鲁棒性。

STAR: Mitigating Cascading Errors in Spatial Reasoning via Turn-point Alignment and Segment-level DPO

STAR：通过转弯点对齐和段级DPO缓解空间推理中的级联错误

Pukun Zhao, Longxiang Wang, Chen Chen, Peicheng Wang, Fanqing Zhou, Runze Li, Haojian Huang

机构 * Guangdong University of Finance and Economics（广东财经大学） ； Chongqing University（重庆大学） ； Westlake University（西湖大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出STAR框架，通过拓扑锚点解决复杂拓扑中的级联错误问题，引入RedMaze-23K数据集并采用段级DPO提升长距离导航的自我修正能力，实验表明其32B版本在开源模型中表现最优。

Comments 9 pages, 6 figures, 4 tables, Accepted by ICME 2026

Toward Optimal Sampling Rate Selection and Unbiased Classification for Precise Animal Activity Recognition

迈向最优采样率选择和无偏分类的精确动物活动识别

Axiu Mao, Meilu Zhu, Lei Shen, Xiaoshuai Wang, Tomas Norton, Kai Liu

机构 * School of Communication Engineering, Hangzhou Dianzi University（杭州电子科技大学通信工程学院） ； Department of Mechanical Engineering, City University of Hong Kong（香港城市大学机械工程系） ； Department of Electrical and Computer Engineering, The University of Hong Kong（香港大学电机电子工程系） ； College of Biosystems Engineering and Food Science, Zhejiang University（浙江大学生物系统工程与食品科学学院） ； Department of Biosystems, Division Animal and Human Health Engineering, M3-BIORES, Katholieke University of Leuven（鲁汶大学生物系统系动物与人类健康工程部M3-BIORES） ； Department of Infectious Diseases and Public Health, Jockey Club College of Veterinary Medicine and Life Sciences, City University of Hong Kong（香港城市大学赛马会兽医与生命科学学院传染病与公共卫生系） 纠错

AI总结 本文提出IBA-Net网络，通过自定义特征和校准分类器提升动物行为识别精度，解决采样率不足和类别不平衡问题，实验表明在三个公开数据集上均优于现有方法。

Comments 26 pages, 14 figures

ARGS: Auto-Regressive Gaussian Splatting via Parallel Progressive Next-Scale Prediction

ARGS：通过并行渐进下一尺度预测实现自动回归高斯点撒

Quanyuan Ruan, Kewei Shi, Jiabao Lei, Xifeng Gao, Xiaoguang Han

机构 * South China University of Technology（华南理工大学） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Lightspeed 纠错

AI总结 本文提出ARGS框架，通过并行生成多尺度高斯表示，实现3D物体生成的高效下一尺度预测，提升结构一致性与视觉保真度。

HUMOF: Human Motion Forecasting in Interactive Social Scenes

HUMOF：交互社交场景中的人体运动预测

Caiyi Sun, Yujing Sun, Xiao Han, Zemin Yang, Jiawei Liu, Xinge Zhu, Siu Ming Yiu, Yuexin Ma

机构 * ShanghaiTech University（上海科技大学） ； The University of Hong Kong（香港大学） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出HUMOF方法，通过层次化交互特征表示和粗到细交互推理模块，提升复杂场景中人体运动预测的准确性，实现在四个公开数据集上的最佳性能。

Comments Accepted by ICLR 2026

Chat-Based Support Alone May Not Be Enough: Comparing Conversational and Embedded LLM Feedback for Mathematical Proof Learning

基于对话的支持可能并不足够：比较对话式和嵌入式LLM反馈在数学证明学习中的比较

Eason Chen, Sophia Judicke, Kayla Beigh, Xinyi Tang, Isabel Wang, Nina Yuan, Zimo Xiao, Chuangji Li, Shizhuo Li, Reed Luttmer, Shreya Singh, Maria Yampolsky, Naman Parikh, Yvonne Zhao, Meiyi Chen, Scarlett Huang, Anishka Mohanty, Gregory Johnson, John Mackey, Jionghao Lin, Ken Koedinger

机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 研究评估了GPTutor系统对大学离散数学课程的影响，发现对话式反馈单独使用可能无法有效提升考试成绩，而嵌入式反馈与学习表现相关性较低。

Comments 9 pages, 4 figures. Accepted at AIED 2026. Camera-ready version with updated references

Gloria: Consistent Character Video Generation via Content Anchors

Gloria：通过内容锚点实现一致的字符视频生成

Yuhang Yang, Fan Zhang, Huaijin Pi, Shuai Guo, Guowei Xu, Wei Zhai, Yang Cao, Zheng-Jun Zha

机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, USTC（教育部类脑智能感知与认知重点实验室，中国科学技术大学） ； UNSW（新南威尔士大学） ； HKU（香港大学） ； UESTC（电子科技大学） 纠错

AI总结 本研究提出通过紧凑的锚帧集表示字符视觉属性，结合两种机制提升生成一致性，实现高质量多视角一致的字符视频生成。

Comments Accepted by CVPR2026 Main, project: https://yyvhang.github.io/Gloria_Page/

MathGen: Revealing the Illusion of Mathematical Competence through Text-to-Image Generation

MathGen：通过文本到图像生成揭示数学能力的幻觉

Ruiyao Liu, Hui Shen, Ping Zhang, Yunta Hsieh, Yifan Zhang, Jing Xu, Sicheng Chen, Junchen Li, Jiawei Lu, Jianing Ma, Jiaqi Mo, Qi Han, Zhen Zhang, Zhongwei Wan, Jing Xiong, Xin Wang, Ziyuan Liu, Hangrui Cao, Ngai Wong

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； The Ohio State University（俄亥俄州立大学） ； USTC（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； University of Wisconsin（威斯康星大学） ； UCSB（加州大学圣塔芭芭拉分校） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MathGen通过900道跨七个核心领域的数学问题，评估生成模型在视觉化数学解答中的准确性，发现现有模型在数学 fidelity 上存在显著瓶颈。