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

SimDiff: Depth Pruning via Similarity and Difference

SimDiff：通过相似性与差异进行深度剪枝

Yuli Chen, Shuhao Zhang, Fanshen Meng, Bo Cheng, Jiale Han, Qiang Tong, Xiulei Liu

机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（网络与交换技术国家重点实验室，北京邮电大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Laboratory of Data Science and Information Studies, Beijing Information Science and Technology University（数据科学与信息研究实验室，北京信息科技大学） ； Beijing Advanced Innovation Center for Materials Genome Engineering, Beijing Information Science and Technology University（材料基因组工程北京先进创新中心，北京信息科技大学） 纠错

AI总结 SimDiff通过结合表征相似性和变换差异两个视角，改进大语言模型的部署效率，实验表明其在多种剪枝比例下均优于现有方法，显著提升推理速度并保持模型性能。

From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning

从经验到技能：通过可重用策略学习的多智能体生成引擎优化

Beining Wu, Fuyou Mao, Jiong Lin, Cheng Yang, Jiaxuan Lu, Yifu Guo, Siyu Zhang, Yifan Wu, Ying Huang, Fu Li

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Central South University（中南大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Sun Yat-sen University（中山大学） ； Ramus ； 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MAGEO框架，通过协调规划、编辑和基于保真的评估，实现生成引擎优化，结合双轴指标DSV-CF和双分支评估协议，提升内容编辑的语义可见性和归因准确性。

Comments ACL 2026 Findings

Multi-Task Reinforcement Learning for Enhanced Multimodal LLM-as-a-Judge

多任务强化学习用于增强多模态大语言模型作为裁判

Junjie Wu, Xuan Kan, Zihao He, Shunwen Tan, Bo Pan, Kaitai Zhang

机构 * Meta AI ； Hong Kong University of Science and Technology（香港科技大学） ； Emory University（埃默里大学） 纠错

AI总结 本文提出MT-RL-Judge框架，通过多任务强化学习优化多模态大语言模型作为裁判，提升判断一致性和与人类偏好的相关性，并在分布外任务中展现鲁棒泛化能力。

Comments ACL 2026 Industry Track

Less is More: Token-Efficient Video-QA via Adaptive Frame-Pruning and Semantic Graph Integration

少即是多：通过自适应帧剪枝和语义图集成实现高效的视频问答

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

机构 * The Hong Kong University of Science and Technology (Guangzhou), China（香港科技大学（广州）中国） ； The Hong Kong University of Science and Technology, Hong Kong SAR, China（香港科技大学，香港特别行政区，中国） 纠错

AI总结 本文提出一种结合自适应帧剪枝和轻量级语义图的框架，有效减少视频问答中输入token数量，提升效率并增强基模型性能。

Comments Accepted to CVPR 2026 Findings

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026

SitEmb-v1.5: Improved Context-Aware Dense Retrieval for Semantic Association and Long Story Comprehension

SitEmb-v1.5：改进的上下文感知密集检索用于语义关联和长故事理解

Junjie Wu, Jiangnan Li, Yuqing Li, Lemao Liu, Liyan Xu, Jiwei Li, Dit-Yan Yeung, Jie Zhou, Mo Yu

机构 * HKUST（香港科技大学） ； WeChat AI, Tencent（腾讯微信AI） ； IIE-CAS（国际 Institute 中国科学院） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出SitEmb模型，通过将短片段与更广的上下文窗口结合，提升长文档检索性能，实验表明其在书本情节检索任务中优于现有模型，且在多语言和下游任务中表现优异。

Comments ACL 2025 Main Conference. Our trained models can be downloaded from: https://huggingface.co/SituatedEmbedding

LPO: Towards Accurate GUI Agent Interaction via Location Preference Optimization

LPO：通过位置偏好优化实现更准确的GUI代理交互

Jiaqi Tang, Yu Xia, Yi-Feng Wu, Yuwei Hu, Yuhui Chen, Qing-Guo Chen, Xiaogang Xu, Xiangyu Wu, Hao Lu, Yanqing Ma, Shiyin Lu, Qifeng Chen

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Alibaba Group（阿里巴巴集团） ； The Chinese University of Hong Kong（香港中文大学） ； Nanjing University of Science and Technology（南京理工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（广州香港科学与技术大学） 纠错

AI总结 本文提出LPO方法，通过位置偏好优化提升GUI交互精度，利用信息熵预测交互位置并引入动态位置奖励函数，实验表明其在离线和在线评估中均取得最佳性能。

Comments Accepted by ACL 2026 Findings

ClawNet: Human-Symbiotic Agent Network for Cross-User Autonomous Cooperation

ClawNet：人类共生代理网络用于跨用户自主合作

Zhiqin Yang, Zhenyuan Zhang, Xianzhang Jia, Jun Song, Wei Xue, Yonggang Zhang, Yike Guo

机构 * Hong Kong Generative AI Research & Development Center（香港生成式AI研究与发展中心） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Hong Kong Baptist University（香港 Baptist 大学） 纠错

AI总结 ClawNet提出人类共生代理范式，通过身份治理原语实现跨用户安全协作，解决现有代理系统无法支持多用户合作的问题。

Comments 13 pages

Generative Texture Filtering

生成性纹理过滤

Rongjia Zheng, Shangwei Huang, Lei Zhu, Wei-Shi Zheng, Qing Zhang

机构 * Sun Yat-sen University（中山大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

AI总结 本文提出一种生成性纹理过滤方法，通过利用预训练生成模型的强图像先验，采用两阶段策略微调模型，有效提升纹理过滤性能和泛化能力。

Comments Accepted to SIGGRAPH 2026 conference track

FedProxy: Federated Fine-Tuning of LLMs via Proxy SLMs and Heterogeneity-Aware Fusion

FedProxy：通过代理小型语言模型和异质性感知融合实现联邦微调

Tao Fan, Guoqiang Ma, Yuanfeng Song, Lixin Fan, Kai Chen, Qiang Yang

机构 * Hong Kong University of Science and Technology（香港科技大学） ； WeBank Co., Ltd（WeBank公司） ； Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 FedProxy通过代理小型语言模型和异质性感知融合解决联邦微调中知识产权保护、隐私安全和性能损失的三重难题，实现高效且高性能的LLM微调。

ARGUS: Agentic GPU Optimization Guided by Data-Flow Invariants

ARGUS：通过数据流不变量指导的代理GPU优化

Haohui Mai, Xiaoyan Guo, Xiangyun Ding, Daifeng Li, Qiuchu Yu, Chenzhun Guo, Cong Wang, Jiacheng Zhao, Christos Kozyrakis, Binhang Yuan

机构 * CausalFlow Inc.（CausalFlow公司） ； HKUST（香港科技大学） ； Tsinghua University（清华大学） ； Stanford University（斯坦福大学） ； UCAS ； UC Riverside（UC河滨分校） 纠错

AI总结 ARGUS通过数据流不变量指导代理生成高效GPU内核，解决传统代理在关键计算任务中的性能不足问题，实现接近人工优化的性能和广泛的任务泛化能力。

TurboEvolve: Towards Fast and Robust LLM-Driven Program Evolution

TurboEvolve：迈向快速且稳健的LLM驱动程序进化

Yang Yang, Zining Zhong, Jindong Li, Jiemin Wu, Kaishen Yuan, Wenshuo Chen, Menglin Yang, Yutao Yue

机构 * Artificial Intelligence Thrust, Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）人工智能方向） 纠错

AI总结 TurboEvolve通过多岛屿进化框架提升样本效率和鲁棒性，在固定评估预算下实现更可靠的程序进化进展。

Comments 12 pages, 8 figures

EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval

EHRAG：通过混合超图构建与检索弥合语义鸿沟的轻量级图RAG

Yifan Song, Xingjian Tao, Zhicheng Yang, Yihong Luo, Jing Tang

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） 纠错

AI总结 EHRAG通过构建融合结构与语义关系的超图，结合结构-语义混合检索机制，提升轻量级图RAG的语义关联能力，在保持线性索引复杂度的同时优于现有基线模型。

Comments Accepted by Findings of ACL2026