The Hong Kong University of Science and Technology（香港科技大学）

Training LLM Agents for Spontaneous, Reward-Free Self-Evolution via World Knowledge Exploration

通过世界知识探索训练具有自发、无奖励自我进化的LLM代理

Qifan Zhang, Dongyang Ma, Tianqing Fang, Jia Li, Jing Tang, Nuo Chen, Haitao Mi, Yan Wang

机构 * Tencent（腾讯） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 本文提出一种无需外部监督的LLM代理自我进化方法，通过世界知识探索提升任务成功率，实验表明在WebVoyager和WebWalker上性能提升20%，并使紧凑型Qwen3模型超越Gemini-2.5-Flash。

CodePivot: Bootstrapping Multilingual Transpilation in LLMs via Reinforcement Learning without Parallel Corpora

CodePivot: 通过强化学习无需平行语料库提升LLM的多语言转译

Shangyu Li, Juyong Jiang, Meibo Ren, Sizhe Zhong, Huiri Tan, Yunhao Gou, Xu Han, Chun Yong Chong, Yun Peng, Jiasi Shen

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Monash University（莫纳什大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 CodePivot通过Python作为中间表示和Aggressive-Partial-Functional奖励机制，无需平行语料库提升LLM的多语言转译能力，在10种编程语言上实验显示其在通用和低资源语言转译任务中表现优异。

LoReC: Rethinking Large Language Models for Graph Data Analysis

LoReC：重新思考用于图数据分析的大型语言模型

Hongyu Zhan, Qixin Wang, Yusen Tan, Haitao Yu, Jingbo Zhou, Shuai Chen, Jia Li, Xiao Tan, Jun Xia

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tongji University（同济大学） ； Westlake University（西湖大学） ； Ant Group（蚂蚁集团） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 LoReC提出了一种新的GraphLLM方法，通过三个阶段提升LLM对图数据的理解，实验表明其在图数据任务中优于现有方法和传统GNN。

MegaStyle: Constructing Diverse and Scalable Style Dataset via Consistent Text-to-Image Style Mapping

MegaStyle: 通过一致的文本到图像风格映射构建多样化和可扩展的风格数据集

Junyao Gao, Sibo Liu, Jiaxing Li, Yanan Sun, Yuanpeng Tu, Fei Shen, Weidong Zhang, Cairong Zhao, Jun Zhang

机构 * Tencent（腾讯） ； Nanyang Technological University（南洋理工大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Fuzhou University（福州大学） ； University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出MegaStyle数据集，通过现有大生成模型的一致文本到图像风格映射能力，构建了包含170k风格提示和400k内容提示的多样化数据集，并提出风格监督对比学习方法和FLUX风格迁移模型。

Comments project website https://jeoyal.github.io/MegaStyle/

AvatarPointillist: AutoRegressive 4D Gaussian Avatarization

AvatarPointillist: 基于自回归的4D高斯虚拟角色生成

Hongyu Liu, Xuan Wang, Zijian Wu, Yating Wang, Ziyu Wan, Yue Ma, Runtao Liu, Boyao Zhou, Yujun Shen, Qifeng Chen

机构 * HKUST（香港科技大学） ； Ant Group（蚂蚁集团） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文提出AvatarPointillist框架，通过自回归Transformer生成动态4D高斯虚拟角色，结合点云生成与高斯点散射，实现高精度、可控制的虚拟角色生成。

Comments Accepted by the CVPR 2026 main conference. Project page: https://kumapowerliu.github.io/AvatarPointillist/

ReflexiCoder: Teaching Large Language Models to Self-Reflect on Generated Code and Self-Correct It via Reinforcement Learning

ReflexiCoder：通过强化学习教大语言模型自我反思和自我纠正生成的代码

Juyong Jiang, Jiasi Shen, Sunghun Kim, Kang Min Yoo, Jeonghoon Kim, Sungju Kim

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） ； Amazon AGI（亚马逊人工智慧实验室） ； NAVER Cloud（NAVER云） 纠错

AI总结 本文提出ReflexiCoder，一种基于强化学习的框架，使大语言模型在推理过程中自我反思和纠正代码，通过细粒度奖励函数优化整个反思-纠正过程，实现无需外部反馈的自我调试能力，实验表明其在多个基准测试中表现优异，且在推理效率上更高效。

RainFusion2.0: Temporal-Spatial Awareness and Hardware-Efficient Block-wise Sparse Attention

RainFusion2.0: 基于时序-空间感知与硬件高效性的块状稀疏注意力

Aiyue Chen, Yaofu Liu, Junjian Huang, Guang Lian, Yiwu Yao, Wangli Lan, Jing Lin, Zhixin Ma, Tingting Zhou

机构 * Huawei Technologies Co., Ltd（华为技术有限公司） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出RainFusion2.0，通过块状均值代表token预测稀疏掩码、时空感知token排列及首帧sink机制，实现视频和图像生成模型的高效稀疏注意力，实验表明在保持视频质量的同时，达到80%的稀疏度和1.5~1.8倍的加速效果。

Are We Using the Right Benchmark: An Evaluation Framework for Visual Token Compression Methods

我们是否在使用正确的基准：视觉令牌压缩方法的评估框架

Chenfei Liao, Wensong Wang, Zichen Wen, Xu Zheng, Yiyu Wang, Haocong He, Yuanhuiyi Lyu, Lutao Jiang, Xin Zou, Yuqian Fu, Bin Ren, Linfeng Zhang, Xuming Hu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； Northeastern University（东北大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Hong Kong University of Science and Technology（香港科技大学） ； MBZUAI 纠错

AI总结 本文通过实验证明现有基准含大量无关样本， downsampling能有效过滤样本，提出VTC-Bench框架以更公平评估视觉令牌压缩方法。

Comments Accepted by ACL2026 Main. Code: https://github.com/Chenfei-Liao/VTC-Bench; Project Page: https://chenfei-liao.github.io/VTC-Bench-Page/

Re$^2$MoGen: Open-Vocabulary Motion Generation via LLM Reasoning and Physics-Aware Refinement

Re²MoGen：通过LLM推理和物理感知细化的开放词汇运动生成

Jiakun Zheng, Ting Xiao, Shiqin Cao, Xinran Li, Zhe Wang, Chenjia Bai

机构 * East China University of Science and Technology（东华大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） 纠错

AI总结 Re²MoGen通过LLM推理生成初始运动计划，并利用强化学习细化物理合理性，实现开放词汇运动生成的高质量输出。

Ego-InBetween: Generating Object State Transitions in Ego-Centric Videos

Ego-InBetween: 生成以自我为中心视频中的物体状态转换

Mengmeng Ge, Takashi Isobe, Xu Jia, Yanan Sun, Zetong Yang, Weinong Wang, Dong Zhou, Dong Li, Huchuan Lu, Emad Barsoum

机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Dalian University of Technology（大连理工大学） ； 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） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 本文提出EgoIn框架，通过TransitionVLM和Object-aware Auxiliary Supervision生成物体状态转换序列，实现以自我为中心视角下的视觉状态迁移。

Comments CVPR2026

Where to Focus: Query-Modulated Multimodal Keyframe Selection for Long Video Understanding

聚焦何处：用于长视频理解的查询调节多模态关键帧选择

Shaoguang Wang, Weiyu Guo, Ziyang Chen, Xuming Hu, Hui Xiong

机构 * Department of CSE, HKUST（香港科技大学计算机科学与工程系） 纠错

AI总结 本文提出Q-Gate框架，通过动态模态路由解决长视频理解中关键帧选择问题，有效抑制模态噪声，提升多模态大语言模型的推理能力。

Comments 9 pages, 7 figures, 9 tables. Preprint

When Text Hijacks Vision: Benchmarking and Mitigating Text Overlay-Induced Hallucination in Vision Language Models

当文本劫持视觉：基准测试与减轻文本叠加引起的视觉语言模型幻觉

Cui Yakun, Xingqun Qi, TianTian Geng, Yuyao Zhang, Sirui Han, Yike Guo

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Birmingham（伯明翰大学） 纠错

AI总结 本文提出VisualTextTrap基准测试，通过大规模人工验证样本和定制评估指标，减轻文本叠加引起的幻觉问题，并提出VTHM-MoE框架以提升视觉-文本解耦能力。

FLARE: Task-agnostic embedding model evaluation through a normalization process

FLARE：通过归一化过程实现任务无关的嵌入模型评估

Jingzhou Jiang, Yixuan Tang, Yi Yang, Kar Yan Tam

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 FLARE通过归一化流方法直接从对数似然估计信息充分性，避免距离基密度估计，在高维空间中稳定评估嵌入模型，实验显示其在监督基准中达到Spearmanρ为0.90。

Comments Accepted to Findings of ACL 2026

Sculpting the Vector Space: Towards Efficient Multi-Vector Visual Document Retrieval via Prune-then-Merge Framework

塑造向量空间：通过剪枝-然后-融合框架实现高效的多向量视觉文档检索

Yibo Yan, Mingdong Ou, Yi Cao, Xin Zou, Jiahao Huo, Shuliang Liu, James Kwok, Xuming Hu

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Cloud Computing（阿里云计算） 纠错

AI总结 本文提出剪枝-然后-融合框架，通过两阶段方法提升多向量视觉文档检索效率，实验表明其在压缩率与特征保真度间取得平衡，显著扩展近无损压缩范围。

Comments Accepted by The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, Findings)

Benchmarking Real-World Medical Image Classification with Noisy Labels: Challenges, Practice, and Outlook

基于噪声标签的医疗图像分类基准测试：挑战、实践与展望

Yuan Ma, Junlin Hou, Chao Zhang, Yukun Zhou, Zongyuan Ge, Haoran Xie, Lie Ju

机构 * Japan Advanced Institute of Science and Technology（日本科学技术先进研究院） ； University College London（伦敦大学学院） ； The Hong Kong University of Science and Technology（香港科学大学） ； University of Toyama（toyama大学） ； Monash University（墨尔本大学） 纠错

AI总结 本文提出LNMBench基准，评估医疗图像中噪声标签对分类性能的影响，揭示现有方法在高噪声下的表现问题，并提出改进方案以提升模型鲁棒性。

Journal ref Pattern Recognition, 2026, 113647

STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting

STCast：面向全球和区域天气预报的自适应边界对齐

Hao Chen, Tao Han, Jie Zhang, Song Guo, Lei Bai

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 STCast提出一种新型AI框架，通过空间对齐注意力机制和时间混合专家模块，实现自适应区域边界优化和动态月度预报分配，提升天气预报的准确性和泛化能力。

Comments This paper has already been accepted by CVPR 2026 (Highlight)

CogDriver: Integrating Cognitive Inertia for Temporally Coherent Planning in Autonomous Driving

CogDriver：通过整合认知惯性实现自动驾驶中的时间一致规划

Pei Liu, Qingtian Ning, Xinyan Lu, Haipeng Liu, Weiliang Ma, Dangen She, Peng Jia, Xianpeng Lang, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Li Auto Inc.（利汽车公司） 纠错

AI总结 本文提出CogDriver框架，通过引入认知惯性提升自动驾驶中的时间一致性规划能力，通过大规模视觉-语言-动作数据集和稀疏时间记忆架构，显著提升了闭环驾驶得分和模仿准确性。

Tailoring Diagnostic Modeling to Individual Learners: Personalized Distractor Generation via MCTS-Guided Reasoning Reconstruction

为个体学习者定制诊断建模：通过MCTS引导的推理重构实现个性化干扰项生成

Tao Wu, Jingyuan Chen, Wang Lin, Jian Zhan, Mengze Li, Fangzhou Jin, Min Zhang, Kun Kuang, Fei Wu

机构 * Zhejiang University（浙江大学） ； Hong Kong University of Science and Technology（香港科技大学） ； East China Normal University（华东师范大学） 纠错

AI总结 本文提出基于MCTS引导的推理重构方法，通过学生历史答题错误生成个性化干扰项，提升诊断效果，实验表明其在生成合理干扰项和适应群体设置方面表现优异。

Culinary Crossroads: A RAG Framework for Enhancing Diversity in Cross-Cultural Recipe Adaptation

烹饪交汇点：一种增强跨文化食谱适应多样性的RAG框架

Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich

机构 * Aarhus University（奥胡斯大学） ； University of Copenhagen（哥本哈根大学） ； Dept. of Computer Science and Artificial Intelligence, University of Granada（格拉纳达大学计算机科学与人工智能系） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 本文提出CARRIAGE框架，通过增强检索与上下文组织来提升跨文化食谱适应的多样性，解决了RAG在生成多样化结果时的局限性。

Comments ACL 2026 (main)

OD3: Optimization-free Dataset Distillation for Object Detection

OD3: 无需优化的数据集蒸馏用于目标检测

Salwa K. Al Khatib, Ahmed ElHagry, Shitong Shao, Zhiqiang Shen

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 本文提出OD3，一种专门用于目标检测的无优化数据蒸馏框架，通过候选选择和筛选过程提升精度，实现新的SOTA结果，压缩比1.0%时COCO mAP50提升超14%。

Characterizing LLM-driven Social Network: The Chirper.ai Case

刻画由LLM驱动的社会网络：Chirper.ai案例

Yiming Zhu, Yupeng He, Ehsan-Ul Haq, Gareth Tyson, Pan Hui

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文通过对比Chirper.ai和Mastodon的社会网络结构，分析LLM代理与人类用户在发帖行为、恶意内容及网络结构上的差异，为负责任的AI通信系统发展提供启示。

Comments Accepted to CSCW 2026, camera-ready version

Position: Multimodal Large Language Models Can Significantly Advance Scientific Reasoning

位置：多模态大语言模型可以显著推动科学推理

Yibo Yan, Shen Wang, Jiahao Huo, Jingheng Ye, Zhendong Chu, Xuming Hu, Philip S. Yu, Carla Gomes, Bart Selman, Qingsong Wen

机构 * Squirrel AI ； HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； Tsinghua University（清华大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Cornell University（康奈尔大学） 纠错

AI总结 本文探讨多模态大语言模型在科学推理中的应用，提出四阶段研究路线，指出当前模型在跨领域推理中的潜力与挑战，为实现通用人工智能提供新视角。

Comments Accepted by The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, Findings)

ErrorRadar: Benchmarking Complex Mathematical Reasoning of Multimodal Large Language Models Via Error Detection

ErrorRadar：通过错误检测基准测试多模态大语言模型的复杂数学推理能力

Yibo Yan, Shen Wang, Jiahao Huo, Hang Li, Boyan Li, Jiamin Su, Xiong Gao, Yi-Fan Zhang, Tianlong Xu, Zhendong Chu, Aoxiao Zhong, Kun Wang, Hui Xiong, Philip S. Yu, Xuming Hu, Qingsong Wen

机构 * Squirrel AI ； HKUST(GZ)（香港科技大学(广州)） ； HKUST（香港科技大学） ； MSU（密歇根州立大学） ； UCAS（中国科学技术大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） 纠错

AI总结 ErrorRadar通过错误检测任务评估多模态大语言模型在复杂数学推理中的能力，包含2500个高质量K-12数学问题，实验显示GPT-4o仍比人类评价差10%。

Comments Accepted by The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, Findings)

Automatic Dataset Construction (ADC): Sample Collection, Data Curation, and Beyond

自动数据集构建（ADC）：样本收集、数据整理与更广泛的领域

Minghao Liu, Zonglin Di, Jiaheng Wei, Zhongruo Wang, Hengxiang Zhang, Ruixuan Xiao, Haoyu Wang, Jinlong Pang, Hao Chen, Ankit Shah, Hongxin Wei, Xinlei He, Zhaowei Zhao, Haobo Wang, Lei Feng, Jindong Wang, James Davis, Yang Liu

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Amazon（亚马逊） ； SUSTech（华南理工大学） ； Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； Carnegie Mellon University（卡内基梅隆大学） ； HKUST (GZ)（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； Microsoft（微软） 纠错

AI总结 本文提出自动数据集构建方法ADC，通过LLM实现高效数据集生成，减少人工标注成本，构建包含12个主类和12000个细粒度子类的Clothing-ADC数据集，降低标签噪声至10.7%，并设计三个针对标签噪声和类别不平衡的基准数据集。

Jailbreaking Large Language Models with Morality Attacks

通过道德攻击 jailbreak 大型语言模型

Ying Su, Mingen Zheng, Weili Diao, Haoran Li

机构 * South China University of Technology（南方科技大学） ； HKUST（香港科技大学） ； Beihang University（北航大学） 纠错

AI总结 本文通过道德攻击研究大型语言模型的内部道德价值观，构建了包含10300个实例的道德数据集，提出了四种对抗攻击方法，揭示了LLM和防护模型在道德感知攻击中的关键漏洞。

Comments 27 pages, 6 figures, 18 tables. Accepted by ACL 2026 Findings

CoGR-MoE: Concept-Guided Expert Routing with Consistent Selection and Flexible Reasoning for Visual Question Answering

CoGR-MoE：基于概念引导的专家路由与一致选择和灵活推理的视觉问答

Xiyin Zeng, Yi Lu, Hao Wang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 CoGR-MoE通过整合答案选项的语义信息指导专家选择，利用选项特征重新加权专家，生成判别性表示，用于选项比较和对比学习优化，提升视觉问答性能。

HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents

HeLa-Mem：基于Hebb学习和联想记忆的LLM代理

Jinchang Zhu, Jindong Li, Cheng Zhang, Jiahong Liu, Menglin Yang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Jilin University（吉林大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 HeLa-Mem通过生物启发的动态图模型，结合联想学习与语义存储，提升LLM在长时记忆中的表现，实验显示在四个问题类别上效果更优且使用更少上下文令牌。

Comments Accepted to ACL 2026

Crowded in B-Space: Calibrating Shared Directions for LoRA Merging

B空间中的拥挤：为LoRA合并校准共享方向

Yixuan Tang, Yi Yang

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出Pico方法，通过校准输出空间中的B矩阵，减少LoRA合并时的干扰，提升跨任务性能，实验显示在多个领域基准中准确率提升3.4-8.3个百分点。

Improving Radio Interferometry Imaging by Explicitly Modeling Cross-Domain Consistency in Reconstruction

通过显式建模跨域一致性来改进射电干涉成像

Kai Cheng, Ruoqi Wang, Qiong Luo

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出CDCRec方法，通过显式建模跨域一致性提升射电干涉成像质量，采用多任务多阶段框架增强域间交互，实验表明其在干涉域转换中优于现有方法。

A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era

在基础模型时代对深度学习用于分子性质预测的系统调查和基准测试

Zongru Li, Xingsheng Chen, Honggang Wen, Regina Qianru Zhang, Ming Li, Xiaojin Zhang, Hongzhi Yin, Qiang Yang, Kwok-Yan Lam, Pietro Lio, Siu-Ming Yiu

机构 * The University of Hong Kong, Hong Kong SAR（香港大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； University of Cambridge, United Kingdom（剑桥大学） ； Zhejiang Normal University, China（浙江师范大学） ； The Hong Kong University of Science and Technology, Hong Kong SAR（香港科学与技术大学） ； The University of Queensland（昆士兰大学） ； The Hong Kong Polytechnic University, Hong Kong SAR（香港理工大学） 纠错

AI总结 本文系统调查了深度学习在分子性质预测中的应用，探讨了四种互补范式，并提出了未来三个发展方向，包括物理感知学习、可信推理的基础模型和整合计算与实验数据的基准生态系统。

Comments 32 pages. It is just accepted by Journal of Chemical Theory and Computation 2026

Journal ref Journal of Chemical Theory and Computation 2026