高校专区
VEHBench：用于大语言模型辅助振动能量采集器设计的阶段局部诊断基准测试
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 研究针对无电池物联网中振动能量采集器设计，引入VEHBench基准测试，评估大语言模型在耦合物理设计不同阶段的表现，通过763个任务及四个设计角色测试，发现模型能力依赖阶段，为评估、选择等工程大语言模型提供阶段感知基础。
优势聚合而非比率聚合：合作多智能体策略优化的规范形式分析
机构 * The Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究合作多智能体策略优化中聚合相邻智能体的问题，将设计选择形式化为支持矩阵，证明规范结构，得出聚合应在优势中按耦合邻域大小进行且保持每个智能体比率的设计原则。
ETAS：一种用于智能体系统的效果类型化语言
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 研究针对智能体系统设计ETAS语言，核心方法是通过规范一致性分配类型并用行为索引跟踪计算，主要贡献是为智能体执行相关推理提供编程语言基础，涵盖授权、非确定性等方面，还实现了该语言并形式化相关性质。
DRNOISE：在误导性证据环境中对深度研究代理进行基准测试
机构 * Hong Kong Baptist University（香港浸会大学） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究在误导性证据环境下深度研究代理的表现，引入DRNOISE基准，每个任务含正确答案及冲突文档，涵盖多类证据操作。测试发现代理存在验证惰性，通用提示可缩小差距，强调可靠深度研究需积极协调主张与证据。
Comments 16 pages, 2 figures, 11 tables
多模态情感分析中缺失模态总是需要修复吗？
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） ； Nanyang Technological University（南洋理工大学） ； Singapore Institute of Manufacturing Technology, A*STAR（新加坡制造技术研究所，新加坡科技研究局） ； Lingnan University（岭南大学）
AI总结 研究多模态情感分析中缺失模态是否总需修复，提出SIEVE方法，通过比较直接预测与修复分支，从样本损失差距得经验充分性信号，经证据门路由输入，与修复无关，实验证明其能改进修复主干并接近最优值。
EvolvingWorld：用于交互式文学世界中角色与世界模型协同进化的开放架构框架
机构 * Hong Kong University of Science and Technology（香港科技大学） ； LIGHTSPEED（光速） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 研究交互式文学世界中角色与世界协同进化问题，提出EvolvingWorld框架，含角色智能体和世界模型两个耦合模块，制定7个可训练任务，构建数据集并引入评估协议，实验证明其能有效改进长期模拟。
用人类策略解释和调整基于Transformer的语言模型在算术任务中的表现
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究基于Transformer的语言模型在算术任务中的表现，通过分解任务、分析损失收敛等，应用人类策略和方法提升其性能，并经多种验证展示有效性，探索其与人类学习者相似性以增强关键应用中的信任。
DepthART：将基础单目深度模型扩展到小型模型
机构 * University of Trento（特伦托大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学）
AI总结 研究旨在将基础单目深度模型扩展到小型模型，核心方法是结合抗偏差数据采样与相机条件微调策略的DepthART，主要贡献是在多数据集上取得更好的零样本泛化和度量精度，还提供了可扩展模型家族。
Comments Accepted in ACM Multimedia 2026 ; Code: https://github.com/xuefeng-cvr/DepthART ; Project page: https://xuefeng-cvr.github.io/DepthART ;
基于数值天气预报的傅里叶几何风力发电预测
机构 * 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） ； Tsinghua University（清华大学） ； Goldwind Science and Technology Co.,Ltd（金风科技股份有限公司）
AI总结 研究针对风力发电预测难题，提出多模态框架，整合SCADA数据与NWP预测。先分解输入特征，再用几何编码器和傅里叶神经算子建模，实验表明该模型优于现有基线，凸显基于物理设计的有效性。
用于动态视觉语言导航的从慢速推理器到快速规划器的逐令牌潜在流
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学）
AI总结 针对动态视觉语言导航中语言推理慢与规划需即时的矛盾，提出SPARK-VLN双系统框架，通过三个模块将慢速VLM推理器知识流到快速规划器，引入新基准套件，提高了导航成功率、社会合规性及推理效率。
基于少样本连续上下文博弈的预测-校正循环用于需求预测
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对零售需求预测难题，提出预测-校正框架，运用少样本连续上下文博弈校正策略等，经实验在多需求模式下显著降低误差、提高RMSE并降低库存成本，证明在线预测校正能连接离线需求学习与实时零售决策。
魔鬼藏于暗像素中：迈向亮度偏差鲁棒去噪
机构 * The Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究图像去噪中暗区域信噪比低、MSE训练去噪器加剧偏差的问题，提出亮度偏差鲁棒去噪（BBRD）方法，将像素分亮度带，归一化误差并应用Group-DRO，实验证明该方法能同时改善各亮度带，在暗区域增益最大。
Comments 6 figures, 4 tables. Code: https://github.com/xmed-lab/BBRD
从纯合成数据中学习时空基础模型
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 研究旨在学习时空基础模型，提出NeoST，通过在程序生成的合成系统上预训练，引入可扩展语料库、潜在空间推理架构和目标，实验证明其在多样真实世界时空系统中性能优越，有长期稳定性和推理效率。
图形用户界面代理相信它们的眼睛吗？诊断状态信念对像素与结构的依赖
机构 * Shenzhen University（深圳大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究多模态GUI代理状态信念来源，通过对310个真实探针进行单通道干预形式化视觉状态依赖并测量，核心指标是感知融合差距，发现文本状态信念依赖结构，图像精度高，错误会导致行动失败。
Comments 17 pages, 3 figures
LH-AVLN：长距离视听语言导航基准测试
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）
AI总结 介绍长距离视听语言导航基准LH-AVLN，结合多目标任务执行等。提出免训练参考智能体PAG-Nav，可维护语义地图并规划。实验表明现有智能体完成任务有困难，PAG-Nav提供更强诊断基线。
Comments 12 pages, 3 figures
FlashMemory-DeepSeek-V4: 通过前瞻稀疏注意力实现闪电索引超长上下文
机构 * Independent Researchers（独立研究者） ； Tencent（腾讯） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tsinghua University（清华大学）
AI总结 提出前瞻稀疏注意力（LSA），基于DeepSeek-V4架构的神经记忆索引器，通过预测未来上下文需求仅保留关键KV块，在超长上下文场景下将物理KV缓存压缩至全上下文的13.5%，同时保持或略微提升下游准确率。
Comments Technical report. 11 pages. Code and model available at https://github.com/libertywing/FlashMemory-Deepseek-V4 and https://huggingface.co/libertywing/FlashMemory-Deepseek-V4
所有个体层都有帮助吗？视觉-语言模型中任务干扰层的实证研究
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Harbin Institute of Technology（哈尔滨工业大学） ； Southeast University（东南大学） ； Central South University（中南大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology, Guangzhou（香港科学与技术大学（广州））
AI总结 研究通过层干预发现部分层阻碍下游任务，提出任务自适应层剔除方法提升性能，揭示预训练VLM的意外模块化特性。
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 9597-9607
ClawBench：AI代理能否完成日常在线任务？
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Etude AI ； Carnegie Mellon University（卡内基梅隆大学） ； University of Waterloo（滑铁卢大学） ； Shanghai Jiao Tong University（上海交通大学） ； UniPat AI ； Zhejiang University（浙江大学） ； HKUST（香港科技大学） ； Tsinghua University（清华大学）
AI总结 ClawBench通过153个日常任务测试AI代理能力，涵盖15类144个平台，挑战多步骤流程和复杂操作，揭示现有模型在真实环境中的局限性。
Comments Project page: https://claw-bench.com
CAM：基于因果分析的多智能体代码生成系统分析框架
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The University of Tokyo（东京大学）
AI总结 CAM提出一种基于因果分析的框架，用于分析多智能体代码生成系统中中间特征对系统正确性的贡献，通过实证分析揭示了依赖上下文的特征和混合架构的优势。
Comments 20 pages, 12 tables, 5 figures
表示感知分布鲁棒优化：一种知识转移框架
机构 * Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology（香港科技大学工业工程与决策分析系） ； Department of Biostatistics, Peking University Health Science Center（北京大学北京医科大学生物统计学系） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心）
AI总结 研究提出表示感知分布鲁棒估计（READ）框架，利用外部表示指导鲁棒性几何，增加改变表示坐标扰动的运输成本。在当前目标推断和未来总体部署中研究READ，模拟和应用证明其在多源多任务转移学习中有优势。
用于病理图像分类的提示引导基础模型调优
机构 * 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） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology（香港科技大学化学与生物工程系） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳-香港协同创新研究院） ； State Key Laboratory of Nervous System Disorders, The Hong Kong University of Science and Technology（香港科技大学神经系统疾病国家重点实验室）
AI总结 研究针对病理图像分类中基础模型预训练与下游任务的差异问题，提出PAMT框架，通过引入RPS、PVP及AMT，在14个公开数据集上严格评估，显著提升分类准确率，确立了PAMT作为病理图像分类新基准的地位。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈