TTVS: Boosting Self-Exploring Reinforcement Learning via Test-time Variational Synthesis
TTVS: 通过测试时变分合成提升自我探索强化学习
机构 * The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出TTVS框架，通过动态增强未标记测试查询流，使大推理模型自我进化，提升测试时适应性能，实验显示其在八种模型架构上表现优异。
高校专区
The Hong Kong University of Science and Technology（香港科技大学）
Fundus-R1: Training a Fundus-Reading MLLM with Knowledge-Aware Reasoning on Public Data
Fundus-R1: 基于公共数据训练具备知识感知推理能力的视网膜图像阅读MLLM
机构 * Renmin University of China（中国人民大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Zhejiang Gongshang University（浙江工商大学）
AI总结 本文提出Fundus-R1，通过公共数据集训练具备知识感知推理能力的视网膜图像阅读MLLM，采用RAG方法生成知识感知推理轨迹，并通过过程奖励增强RLVR，实验证明其在三个基准测试中优于多个基线模型。
HiF-VLA: Hindsight, Insight and Foresight through Motion Representation for Vision-Language-Action Models
HiF-VLA：通过运动表示实现视觉-语言-动作模型的回顾、洞察与前瞻性
机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； HKUST(GZ)（香港科技大学（广州）） ； Nanjing University（南京大学） ； Westlake Robotics（西湖机器人）
AI总结 HiF-VLA通过运动表示提升视觉-语言-动作模型的时序推理能力，采用回顾、洞察和前瞻性机制，在长时域任务中表现优异，且推理延迟低。
Comments CVPR 2026, Project page: https://hifvla.github.io, Github: https://github.com/OpenHelix-Team/HiF-VLA
arXiv2Table: Toward Realistic Benchmarking and Evaluation for LLM-Based Literature-Review Table Generation
arXiv2Table：面向基于大语言模型的文献综述表生成的现实基准测试与评估
机构 * Center for Speech and Language Processing, Johns Hopkins University（约翰霍普金斯大学语音与语言处理中心） ； Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系）
AI总结 本文提出arXiv2Table基准，通过模拟真实用户需求和噪声，评估大语言模型生成文献综述表的能力，实验表明方法优于基线，但任务难度仍高。
Comments ACL 2026 Main Conference
CODA: A Continuous Online Evolve Framework for Deploying HAR Sensing Systems
CODA：一种用于部署HAR传感系统的连续在线进化框架
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； Shenzhen University（深圳大学）
AI总结 CODA通过实例驱动适应和自适应时间保留策略，解决HAR系统在非平稳漂移下的持续适应问题，实现高精度与低延迟的平衡。
LegoDiffusion: Micro-Serving Text-to-Image Diffusion Workflows
LegoDiffusion：微服务文本到图像扩散工作流
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Alibaba Group（阿里巴巴集团）
AI总结 LegoDiffusion通过将扩散工作流分解为松耦合的模型执行节点，实现高效管理与调度，提升请求率和突发流量容忍度。
IoT-Brain: Grounding LLMs for Semantic-Spatial Sensor Scheduling
IoT-Brain：为语义-空间传感器调度 grounding LLMs
机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出IoT-Brain系统，通过引入空间轨迹图（STG）解决LLM在语义-空间传感器调度中的表示、推理和优化缺陷，提升任务成功率37.6%并显著降低资源消耗。
Comments To appear in ACM MobiCom 2026; 13 pages, 12 figures
Show Me the Infographic I Imagine: Intent-Aware Infographic Retrieval for Authoring Support
展示我所想象的图表：面向作者支持的意图感知图表检索
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanjing University（南京大学）
AI总结 本文提出意图感知图表检索框架，通过意图分类提升检索准确性，支持高效图表创作。
Comments Project homepage: https://infographicretrieval.github.io/
Rethinking Data Mixing from the Perspective of Large Language Models
从大语言模型视角重新思考数据混合
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； OpenCSG ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 本文从理论角度探讨数据混合策略对大语言模型训练的影响，提出DoGraph框架，通过图约束优化提升模型泛化能力。
PanoSAM2: Lightweight Distortion- and Memory-aware Adaptions of SAM2 for 360 Video Object Segmentation
PanoSAM2：轻量级的失真和内存感知的SAM2改进用于360视频对象分割
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出PanoSAM2，通过改进SAM2以应对360视频中的失真和内存问题，提升分割可靠性，同时保持用户友好的提示设计。
Bit-by-Bit: Progressive QAT Strategy with Outlier Channel Splitting for Stable Low-Bit LLMs
逐位训练：带有异常通道分割的渐进式QAT策略以稳定低比特LLM
机构 * Zhejiang University（浙江大学） ； Hong Kong University of Science and Technology（香港科技大学） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出Bit-by-Bit方法，通过渐进式QAT策略和异常通道分割，解决低比特LLM训练中的收敛不稳定和训练成本问题，实现多比特宽支持。
QaRL: Rollout-Aligned Quantization-Aware RL for Fast and Stable Training under Training--Inference Mismatch
QaRL：基于回放对齐的量化感知强化学习用于在训练-推理不匹配下的快速稳定训练
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学）
AI总结 本文提出QaRL，通过对齐训练和回放的量化过程，解决训练-推理不匹配问题，提升训练效率和稳定性，同时保持低比特吞吐量优势。
M-ArtAgent: Evidence-Based Multimodal Agent for Implicit Art Influence Discovery
M-ArtAgent：基于证据的多模态代理用于隐式艺术影响发现
机构 * China Electronics Technology Group Co., Ltd.（中国电子科技集团有限公司） ； School of Information Science and Engineering, Southeast University（东南大学信息科学与工程学院） ； Department of Chemical and Biological Engineering, Hong Kong University of Science and Technology（香港科技大学化学与生物工程系） ； University of California San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学）
AI总结 本文提出M-ArtAgent，通过概率裁决框架解决隐式艺术影响发现问题，结合多模态感知与领域约束的反驳机制，实现83.7%的F1分数和0.910的ROC-AUC。
Comments 13 pages, 5 figures, submitted to IEEE Access
Benchmark Shadows: Data Alignment, Parameter Footprints, and Generalization in Large Language Models
基准阴影：大型语言模型中的数据对齐、参数足迹与泛化
机构 * Vivo AI Lab, Shenzhen, China（维沃人工智能实验室，深圳，中国） ； Hong Kong University of Science and Technology, Hong Kong, China（香港科技大学，香港，中国）
AI总结 本文研究了大型语言模型中基准表现与广度能力之间的差异，通过数据干预发现数据分布影响参数适应与泛化能力，提出参数空间诊断方法揭示不同训练模式的结构特征。
Comments 28 pages, 26 figures, 8 tables
BTC-LLM: Efficient Sub-1-Bit LLM Quantization via Learnable Transformation and Binary Codebook
BTC-LLM: 通过可学习转换和二进制代码表实现高效的亚1位LLM量化
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； City University of Hong Kong（香港城市大学） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 BTC-LLM通过二进制模式聚类和权重转换克服传统二值化限制，实现亚1位LLM量化，在极端压缩下达到1.11-0.7 bits的压缩率，同时保持高性能和高效推理。
Physically Plausible Human-Object Rendering from Sparse Views via 3D Gaussian Splatting
基于稀疏视角的物理合理人类-物体渲染：通过3D高斯点云
机构 * College of Computer Science, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系）
AI总结 本文提出HOGS框架，通过3D高斯点云实现高效且物理合理的稀疏视角人类-物体渲染，解决高渲染质量、物理合理性与计算效率的平衡问题。
Comments 16 pages, 14 figures, accepted by IEEE Transactions on Image Processing (TIP)
RectifiedHR: Enable Efficient High-Resolution Synthesis via Energy Rectification
RectifiedHR: 通过能量 rectification 实现高效高分辨率合成
机构 * HKUST(GZ)（香港科技大学（广州）） ； Kuaishou Technology（快手科技） ； HKUST（香港科技大学） ； Zhejiang University（浙江大学）
AI总结 本文提出RectifiedHR，一种无需训练的高效高分辨率合成方法，通过噪声刷新策略提升效率，并首次发现能量衰减现象，通过调整引导超参数改善生成质量，兼容多种扩散模型技术。
Comments Project Page: https://zhenyangcs.github.io/RectifiedHR-Diffusion/
