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

CARA: Concept-Aware Risk Attention for Interpretable Collision Anticipation

CARA：用于可解释碰撞预测的概念感知风险注意力

Zhishan Tao, Ruoyu Wang, Yucheng Wu, Enjun Du, Yilei Yuan, Sherwin Ho, Yue Su, Jinbo Su, Yi Hong

机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Pennsylvania（宾夕法尼亚大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 研究自动驾驶碰撞预测问题，提出CARA框架，从事故叙述中获取风险概念并与视频帧对齐成轨迹，将语义风险因素作为动态证据，结合可解释性与预测过程，实验证明其能提高预测准确性和预警及时性。

Comments Accepted to ACM Multimedia 2026(Oral)

SceneActBench: Can Agents Act on the 3D Scenes They See?

SceneActBench：智能体能否对其所看到的3D场景采取行动？

Yifei Zhao, Xiangxin Zhou, Wenhao Yang, Jiaqi Tang, Pu Jian, Huanjin Yao, Jiarui Yao, Haowei Lin, Chunchao Guo, Zhuo Chen, Wenkai Lyu, Jianzhu Ma, Xueqian Wang, Wenxi Zhu

机构 * Tencent Hunyuan（腾讯混元） ； THU（清华大学） ； NJU（南京大学） ； HKUST（香港科技大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； PKU（北京大学） 纠错

AI总结 研究视觉语言模型智能体在3D场景行动能力，提出SceneActBench基准测试，涵盖五个3D任务，通过特定指标评估智能体输出，分析不同配置得分及失败情况，为评估智能体在多对象3D场景行动提供依据。

Do Agent Benchmarks Measure Capability? Protocol Validity in the Age of Agentic AI

智能体基准测试能衡量能力吗？智能体人工智能时代的协议有效性

Jiaqi Shao, Hanck Chen, Wei Zhang, Maxm Pan, Bing Luo

机构 * Tencent（腾讯） ； The Hong Kong University of Science and Technology（香港科技大学） ； Duke Kunshan University（昆山杜克大学） 纠错

AI总结 研究智能体基准测试分数能否衡量能力，提出协议有效性概念及HackDetect事后审计方法，通过审计多基准测试轨迹发现暴露和奖励破解证据，量化分数膨胀，强调基准测试报告应证明分数反映预期能力。

Sparse by Command: Task-Conditional Compute Skipping for Multi-Task Inference Accelerators

通过命令实现稀疏化：多任务推理加速器的任务条件计算跳过

Afzal Ahmad, Gaoyu Mao, Shoubo Hu, Hui-Ling Zhen, Mingxuan Yuan, Xinyu Chen, Wei Zhang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

AI总结 研究多任务推理模型计算浪费问题，提出软硬件协同设计方法，通过轻量级门控网络预测执行掩码实现任务条件计算跳过，在自动驾驶任务中实验，显著减少计算量、延迟并降低能耗。

Comments Accepted at IEEE/ACM International Symposium on Microarchitecture (MICRO 2026)

FBLayout: Optimizing Memory Layout for Efficient LLM Finetuning on Mobile GPUs

FBLayout：为在移动GPU上高效微调大语言模型优化内存布局

Kahou Tam, Wei Niu, Yu Bao, Xiaomin Ouyang, Chengzhong Xu, Li Li

机构 * University of Macau（澳门大学） ； University of Georgia（佐治亚大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 研究针对移动GPU上Transformer模型微调内存低效问题，提出FBLayout框架，通过统一布局、索引转换及激活引导选择等方法，在多手机多模型测试中实现加速，提高缓存效率并减少内存占用，助力设备上大模型微调。

Comments 13 pages, 21 figures, Mobisys 2026

FlowEvo: Self-Evolving Agents through the Co-Evolution of Workflows and Executable Skills

FlowEvo：通过工作流和可执行技能的协同进化实现自我进化的智能体

Zeyu Ren, Ling Yue, Ran Li, Yishu Wang, Shengxiang Xu, Hanmo Liu, Shaowu Pan, Shimin Di

机构 * Southeast University（东南大学） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 研究旨在让大型语言模型智能体通过工作流解决复杂任务。提出FlowEvo框架，通过工作流到技能编译、技能到工作流反馈、技能管理三个机制，使智能体无需更新模型参数积累完善能力，实验显示其在基准测试中精度-成本权衡优，各机制有贡献。

OpenNavMap: Multi-Session Appearance-Based Topometric Mapping for Scalable Visual Navigation

OpenNavMap: 无需结构的拓扑制图通过大规模协作定位

Jianhao Jiao, Changkun Liu, Jingwen Yu, Boyi Liu, Qianyi Zhang, Yue Wang, Dimitrios Kanoulas

机构 * Robot Perception and Learning Lab, Intelligent Robotics, Department of Computer Science, University College London（机器人感知与学习实验室，智能机器人，计算机科学系，伦敦大学学院） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology（计算机科学与工程系，香港科学与技术大学） ； Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（电子与计算机工程系，香港科学与技术大学） ； Institute of Robotics and Automatic Information System, Nankai University（机器人与自动信息系统研究所，南开大学） ； College of control science and engineering, Zhejiang University（控制科学与工程学院，浙江大学） ； AI Centre, Department of Computer Science, University College London（人工智能中心，计算机科学系，伦敦大学学院） 纠错

AI总结 OpenNavMap通过大规模协作定位实现无需结构的拓扑制图，利用3D几何模型进行按需重建，实现高精度的子图对齐和全局一致性。

Comments 21 pages, 20 figures, https://rpl-cs-ucl.github.io/OpenNavMap_page/

Geometry-Guided Representations for Coherent Lane and Traffic Topology Reasoning in Driving Scenes

用于驾驶场景中连贯车道和交通拓扑推理的几何引导表示

Yueru Luo, Changqing Zhou, Yiming Yang, Erlong Li, Chao Zheng, Shuguang Cui, Zhen Li

机构 * FNii ； SSE, CUHK-Shenzhen ； HKUST-Guangzhou（HKUST-广州） ； Tencent Map T-Lab（腾讯地图T实验室） 纠错

AI总结 研究自动驾驶中道路拓扑推理问题，提出CoPo统一框架，通过整合感知层、推理层和监督层的几何引导关系建模，实现感知与推理的端到端联合优化，实验证明该方法在多个指标上优于现有方法。

Comments KDD2026

InteractComp: Evaluating Search Agents With Ambiguous Queries

InteractComp：使用模糊查询评估搜索代理

Mingyi Deng, Lijun Huang, Yani Fan, Fanqi Kong, Jiayi Zhang, Fashen Ren, Jinyi Bai, Fuzhen Yang, Dayi Miao, Zhaoyang Yu, Yifan Wu, Yanfei Zhang, Fengwei Teng, Yingjia Wan, Song Hu, Yude Li, Xin Jin, Conghao Hu, Haoyu Li, Qirui Fu, Tai Zhong, Xinyu Wang, Xiangru Tang, Nan Tang, Chenglin Wu, Yuyu Luo

机构 * DeepWisdom（深智科技） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Renmin University of China（中国人民大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Agent Universe（智能体宇宙） ； McGill University（麦吉尔大学） ； Yale University（耶鲁大学） 纠错

AI总结 研究针对搜索代理缺乏处理模糊查询及交互能力的问题，引入InteractComp基准，通过目标-干扰物方法构建问题评估17个模型，发现模型存在过度自信问题，强制交互有提升，揭示交互能力停滞，该基准对评估和训练搜索代理交互能力有重要价值。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026), Seoul, South Korea. 9 pages, 4 figures

Self-Guided Process Reward Optimization with Redefined Step-wise Advantage for Process Reinforcement Learning

基于重新定义的逐步优势的自引导过程奖励优化用于过程强化学习

Wu Fei, Shuxian Liang, Yibo Yang, Yang Lin, Jing Tang, Lei Chen, Xiansheng Hua, Hao Kong

机构 * Terminus Group（Terminus集团） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学） 纠错

AI总结 针对过程强化学习中引入奖励模型计算开销大且缺乏统一优势估计框架的问题，提出SPRO框架，通过从策略模型导出奖励及重新定义优势进行过程感知强化学习，实验显示其训练效率高、准确率提升且无额外开销。

Online Pricing and Allocation with Demand Learning and Fulfillment Cost

具有需求学习和履行成本的在线定价与分配

Jianyu Xu, Xuan Wang, Yu-Xiang Wang, Jiashuo Jiang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究卖方联合选库存位置与价格并满足实际需求的在线学习问题，提出OCSAA算法，利用反事实翻译和低置信度乐观主义做决策，对有理多面体库存集有多项式时间加法精度实现，有高概率后悔保证及信息论下界，有效整合了统计学习与运筹学。

Comments 32 pages, 2 figures, 5 tables