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

SkillsVote: Lifecycle Governance of Agent Skills from Collection, Recommendation to Evolution

SkillsVote: 代理技能的生命周期治理从收集、推荐到进化

Hongyi Liu, Haoyan Yang, Tao Jiang, Bo Tang, Feiyu Xiong, Yuyu Luo, Zhiyu Li

机构 * Harbin Institute of Technology（哈尔滨理工大学） ； Soochow University（苏州大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） 纠错

AI总结 本文提出SkillsVote框架，通过生命周期治理管理代理技能，从收集和推荐到进化，提升模型在终端基准和SWE-Bench Pro上的性能。

Comments 71 pages, 12 figures, 13 tables

Visual Generation in the New Era: An Evolution from Atomic Mapping to Agentic World Modeling

新时代的视觉生成：从原子映射到智能世界建模的演进

Keming Wu, Zuhao Yang, Kaichen Zhang, Shizun Wang, Haowei Zhu, Sicong Leng, Zhongyu Yang, Qijie Wang, Sudong Wang, Ziting Wang, Zili Wang, Hui Zhang, Haonan Wang, Hang Zhou, Yifan Pu, Xingxuan Li, Fangneng Zhan, Bo Li, Lidong Bing, Yuxin Song, Ziwei Liu, Wenhu Chen, Jingdong Wang, Xinchao Wang, Xiaojuan Qi, Shijian Lu, Bin Wang

机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； University of Waterloo（滑铁卢大学） ； StepFun ； MiroMind ； Baidu（百度） ； Fudan University（复旦大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； LMMs-Lab（LMMs实验室） 纠错

AI总结 提出五级分类法（原子生成、条件生成、上下文生成、智能生成、世界建模生成），分析流匹配、统一理解与生成模型等关键技术，并指出现有评估高估感知质量而忽视结构、时序和因果缺陷。

Comments Project Page: https://github.com/EvolvingLMMs-Lab/Evolving-Visual-Generation

NVV-SuperBench: Beyond Words, Beyond Quality-Benchmarking Nonverbal Vocalizations in Speech Generation

NVV-SuperBench：超越语言，超越质量——语音生成中非语言发声的基准测试

Liumeng Xue, Weizhen Bian, Jiahao Pan, Wenxuan Wu, Yilin Ren, Boyi Kang, Jingbin Hu, Ziyang Ma, Shuai Wang, Xinyuan Qian, Hung-yi Lee, Yike Guo

机构 * Nanjing University（南京大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Science and Technology Beijing（北京科技大学） ； Northwestern Polytechnical University（西北工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； National Taiwan University（国立台湾大学） 纠错

AI总结 提出NVV-SuperBench基准，包含45类非语言发声的统一分类和多轴评估协议，用于测试语音生成系统在非语言发声控制、放置和感知显著性方面的能力，发现当前系统在低信噪比口部线索和长时情感发声方面存在瓶颈。

Comments Accepted as a long paper at INTERSPEECH 2026

SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks

SkillsBench: 基准测试智能体技能在不同任务中的有效性

Xiangyi Li, Yimin Liu, Wenbo Chen, Bingran You, Zonglin Di, Yifeng He, Shenghan Zheng, Kyoung Whan Choe, Jiankai Sun, Shuyi Wang, Chujun Tao, Binxu Li, Xuandong Zhao, Hejia Geng, Xiaojun Wu, Junwei Zhou, Xiaokun Chen, Hanwen Xing, Yubo Li, Qunhong Zeng, Di Wang, Yuanli Wang, Roey Ben Chaim, Penghao Jiang, Haotian Shen, Luyang Kong, Xinyi Liu, Runhui Wang, Xuanqing Liu, Jiachen Li, Xin Lan, Yueqian Lin, Wengao Ye, Junwei He, Songlin Li, Yue Zhang, Yipeng Gao, Yijiang Li, Ze Ma, Liqiang Jing, Tianyu Wang, Kaixin Li, Yiqi Xue, Haoran Lyu, Yizhuo He, Yuchen Tian, Shutong Wu, Bowei Wang, Yixuan Gao, Bo Chen, Litong Liu, Sikai Cheng, Jiajun Bao, Shuaicheng Tong, Shuwen Xu, Terry Yue Zhuo, Tinghan Ye, Qi Qi, Miao Li, Longtai Liao, Zelin Tan, Chang Shi, Xilin Tang, Srinath Tankasala, Boqin Yuan, Yaoyao Qian, Jianhong Tu, Chenguang Wang, Yizhou Sun, Wei Wang, Aaron Taylor, Ziyue Yang, Changkun Guan, Zhikang Dong, Xinyu Zhang, Steven Dillmann, Han-chung Lee, Dawn Song

机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale 纠错

AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。

TS-Memory: Plug-and-Play Memory for Time Series Foundation Models

TS-Memory: 时间序列基础模型的即插即用记忆模块

Sisuo Lyu, Siru Zhong, Tiegang Chen, Weilin Ruan, Qingxiang Liu, Taiqiang Lv, Qingsong Wen, Raymond Chi-Wing Wong, Yuxuan Liang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Tencent（腾讯） ； Squirrel Ai Learning ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 提出参数化记忆蒸馏方法TS-Memory，通过轻量级记忆适配器增强冻结的时间序列基础模型，在分布偏移下实现无检索的高效零样本预测，显著提升点预测和概率预测性能。

Less is More: Improving LLM Reasoning with Minimal Test-Time Intervention

少即是多：用最小测试时干预提升大语言模型推理能力

Zhen Yang, Mingyang Zhang, Feng Chen, Ganggui Ding, Liang Hou, Xin Tao, Ying-Cong Chen

机构 * HKUST(GZ)（香港科技大学（广州）） ； Kuaishou Technology（快手科技） ； AIML（人工智能实验室） ； ZJU（浙江大学） ； Ant Group（蚂蚁集团） ； HKUST（香港科技大学） 纠错

AI总结 针对大语言模型推理中高计算成本问题，提出最小测试时干预（MTI）框架，通过仅在不确定位置应用分类器自由引导和轻量负提示引导，在保持高效的同时提升推理准确性和稳定性。

Comments Code: https://github.com/EnVision-Research/MTI

RollArt: Disaggregated Multi-Task Agentic RL Training at Scale

RollArt: 可分解的多任务智能体强化学习规模化训练

Wei Gao, Yuheng Zhao, Tianyuan Wu, Shaopan Xiong, Weixun Wang, Dakai An, Lunxi Cao, Dilxat Muhtar, Zichen Liu, Haizhou Zhao, Ju Huang, Siran Yang, Yongbin Li, Wenbo Su, Jiamang Wang, Lin Qu, Bo Zheng, Wei Wang

机构 * HKUST（香港科技大学） ； Alibaba Group（阿里巴巴集团） ； Tongyi Lab, Alibaba（阿里云实验室） 纠错

AI总结 提出RollArt系统，通过将强化学习流水线分解到异构硬件上，实现多任务智能体RL的高效训练，相比现有系统减少1.31-2.05倍训练时间。

Comments 19 pages, 15 figures

AL-GNN: Privacy-Preserving and Replay-Free Continual Graph Learning via Analytic Learning

AL-GNN: 基于分析学习的隐私保护且无需重放的持续图学习

Xuling Zhang, Jindong Li, Yifei Zhang, Mingqi Yang, Menglin Yang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Northwestern Polytechnical University（西北工业大学） ； South China University of Technology（华南理工大学） 纠错

AI总结 提出AL-GNN框架，利用分析学习理论将持续图学习转化为递归最小二乘优化，通过闭式分类器更新和正则化特征自相关矩阵实现无需反向传播和重放缓冲的高效训练，在保护隐私的同时提升性能并减少遗忘。

Towards Advanced Mathematical Reasoning for LLMs via First-Order Logic Theorem Proving

迈向基于一阶逻辑定理证明的大语言模型高级数学推理

Chuxue Cao, Mengze Li, Juntao Dai, Jinluan Yang, Zijian Zhao, Shengyu Zhang, Weijie Shi, Chengzhong Liu, Sirui Han, Yike Guo

机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） 纠错

AI总结 针对大语言模型在多步一阶逻辑数学推理中的困难，提出DREAM方法，通过公理驱动策略多样化和子命题错误反馈提升推理多样性和正确性，在定理证明数据集上性能提升0.6%-6.4%。

Comments Accepted by EMNLP 25

RedAct: Redacting Agent Capability Traces for Procedural Skill Protection

RedAct: 为程序技能保护而编辑智能体能力痕迹

Shuwen Xu, Zhitao He, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港理工大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 提出RedAct框架，通过定位保护关键信息、重写痕迹并嵌入行为水印，将技能转移率降至无技能基线以下，同时保留审计证据。

CoRe-MoE: Contrastive Reweighted Mixture of Experts for Multi-Terrain Humanoid Locomotion with Gait Adaptation

CoRe-MoE: 面向多地形人形机器人步态适应的对比重加权专家混合

Kailun Huang, Zikang Xie, Yanzhe Xie, Panpan Liao, Fanghai Zhang, Yanheng Mai, Wenhao Xu, Yunheng Wang, Renjing Xu, Haohui Huang, Chenguang Yang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； South China Agricultural University（华南农业大学） ； Guangdong University of Technology（广东工业大学） 纠错

AI总结 提出CoRe-MoE两阶段强化学习框架，通过解耦步态生成与地形适应，利用对比学习促进专家专业化，实现人形机器人在多地形下的稳定行走和跑步。

Comments Kailun Huang, Zikang Xie, Yanzhe Xie and Panpan Liao contributed equally to this work. Corresponding authors: Renjing Xu, Haohui Huang and Chenguang Yang

ParkourFormer: Integrating Predictive Supervision and Sequence Modeling into Parkour Locomotion

ParkourFormer：将预测监督与序列建模融入跑酷运动

Yanheng Mai, Wenhao Xu, Zirui Huang, Yifei Fu, Shengwei Dong, Xinjue Wang, Kailun Huang, Yanzhe Xie, Renjing Xu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； CLAI-LAB, CL-TECH（CLAI实验室，CL-TECH） ； South China Agricultural University（华南农业大学） ； Guangdong University of Technology（广东工业大学） 纠错

AI总结 提出基于Transformer的序列建模框架ParkourFormer，通过预测未来本体感受状态并融合时序特征生成动作，实现人形机器人在多地形跑酷中的高成功率运动控制。

Comments Project Homepage: https://mronaldo-gif.github.io/parkourformer.github.io/

Aligned but Stereotypical? How System Prompts Shape Demographic Bias in LLM-Based Text-to-Image Models

对齐但刻板？系统提示如何塑造基于LLM的文本到图像模型中的人口统计偏见

NaHyeon Park, Na Min An, Kunhee Kim, Soyeon Yoon, Jiahao Huo, Hyunjung Shim

机构 * KAIST（韩国科学技术院） ； HKUST (GZ)（香港科技大学（广州）） 纠错

AI总结 研究LLM增强的文本到图像系统在提示扩展中引入隐性人口统计偏见的问题，提出无训练的去偏框架FairPro，通过自适应生成公平性指令减少人口统计差异。

Comments Project page: https://fairpro-t2i.github.io

NOVA: NOise-aware Verbal Confidence CAlibration for Robust Large Language Models in RAG Systems

NOVA: 面向RAG系统中鲁棒大语言模型的噪声感知言语置信度校准

Jiayu Liu, Rui Wang, Qing Zong, Yumeng Wang, Cheng Qian, Qingcheng Zeng, Tianshi Zheng, Haochen Shi, Dadi Guo, Baixuan Xu, Chunyang Li, Yangqiu Song

机构 * HKUST（香港科技大学） ； UIUC（伊利诺伊大学香槟分校） ； Northwestern University（西北大学） 纠错

AI总结 提出NOVA框架，通过规则引导的监督微调，解决检索增强生成中噪声上下文导致的过度自信问题，在域内和域外分别提升ECE 10.9%和8.0%。

CreativeBench: Benchmarking and Enhancing Machine Creativity via Self-Evolving Challenges

CreativeBench: 通过自我进化挑战基准测试和增强机器创造力

Zi-Han Wang, Lam Nguyen, Zhengyang Zhao, Mengyue Yang, Chengwei Qin, Yujiu Yang, Linyi Yang

机构 * Southern University of Science and Technology（南方科技大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Bristol（布里斯托大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 提出CreativeBench基准，基于认知框架通过代码生成评估机器创造力，包含组合与探索两个子集，利用逆向工程和自我博弈自动生成挑战，并通过质量与新颖性乘积的指标区分创造与幻觉。

Comments ACL 2026. Project page: https://zethwang.github.io/creativebench.github.io/

LLM-ODDR: A Large Language Model Framework for Joint Order Dispatching and Driver Repositioning

LLM-ODDR：一种用于联合订单调度和司机重新定位的大语言模型框架

Tengfei Lyu, Siyuan Feng, Hao Liu, Hai Yang

机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（人工智能前沿技术 thrust，香港科学与技术大学（广州）） ； Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University（航空与航空工程系，香港理工大学） ； Research Center for Low Altitude Economy, The Hong Kong Polytechnic University（低空经济研究中心，香港理工大学） ； Department of Computer Science and Engineering, The 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 Civil and Environmental Engineering, The Hong Kong University of Science and Technology（土木与环境工程系，香港科学与技术大学） 纠错

AI总结 提出LLM-ODDR框架，利用大语言模型联合优化网约车订单调度与司机重新定位，通过多目标价值细化、公平感知调度和时空需求感知重定位提升效果、适应性和可解释性。

Comments Published in IEEE Transactions on Intelligent Transportation Systems (TITS)

K-Forcing: Joint Next-K-Token Decoding via Push-Forward Language Modeling

K-Forcing：通过前推语言建模进行联合下一K词解码

Zhiwei Tang, Yuanyu He, Yizheng Han, Wangbo Zhao, Jiasheng Tang, Fan Wang, Bohan Zhuang

机构 * DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； Hupan Lab（湖畔实验室） ； Zhejiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 提出K-Forcing范式，通过前推映射将自回归模型蒸馏为单次前向传播生成多个未来词，实现2.4-3.5倍加速，质量损失小。

Comments Code: https://github.com/alibaba-damo-academy/K-Forcing

What Semantics Survive the Connector? Diagnosing VLM-to-DiT Alignment in Video Editing

什么语义能经受住连接器的考验？视频编辑中VLM到DiT对齐的诊断

Hangyu Lin, Chao Wen, Chengming Xu, Jianxiong Gao, Jiangning Zhang, Xiaobin Hu, Yanwei Fu

机构 * HKUST（香港理工大学） ； FDU（福建大学） ； ZJU（浙江大学） ； NUS（新加坡国立大学） 纠错

AI总结 本研究探讨了视频生成模型中VLM与DiT对齐过程中的语义瓶颈问题，通过提出TRACE-Edit数据集和诊断协议，发现连接器模块会导致细粒度结构语义的严重退化，挑战了原有假设。

Sonar-TS: Search-Then-Verify Natural Language Querying for Time Series Databases

Sonar-TS: 为时间序列数据库的自然语言查询设计的搜索-验证方法

Zhao Tan, Yiji Zhao, Shiyu Wang, Chang Xu, Yuxuan Liang, Xiping Liu, Shirui Pan, Ming Jin

机构 * Jiangxi University of Finance and Economics（江西财经大学） ； Griffith University（格里菲斯大学） ； Yunnan University（云南大学） ； Microsoft Research Asia（微软亚洲研究院） ； 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Sonar-TS，一种神经符号框架，用于解决时间序列数据库的自然语言查询问题，通过搜索-验证流程处理连续形态意图和超长历史数据，引入NLQTSBench基准进行评估，展示了该方法在复杂时间查询中的有效性。

Comments Accepted by ICML 2026

Reliability-Calibrated Edge-IoT Early Fault Warning for Rotating Machinery with a Physics-Guided Tiny-Mamba Transformer

面向旋转机械的可靠性校准边缘物联网早期故障预警：一种物理引导的Tiny-Mamba Transformer

Changyu Li, Huabei Nie, Xiaoya Ni, Lu Wang, Lijuan Shen, Kaishun Wu, Fei Luo

机构 * Great Bay University（大亚湾大学） ； Huizhou University（惠州大学） ； National University of Singapore（国立新加坡大学） ； Shenzhen University（深圳大学） ； James Cook University（詹姆斯库克大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 提出一种可靠性校准的边缘物联网早期故障预警框架，使用物理引导的Tiny-Mamba Transformer提取特征，结合极值理论校准误报率，在低计算资源下实现高精度、低延迟的旋转机械故障预警。

Comments Submitted to IEEE Transactions on Reliability

CoVar: Confidence-Variance-Guided Pseudo-Label Selection for Semi-Supervised Learning

CoVar: 置信度-方差引导的半监督学习伪标签选择

Jinshi Liu, Lei He, Pan Liu

机构 * College of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； School of Information and Electrical Engineering, Hunan University of Science and Technology（湖南科技大学信息与电气工程学院） ； Information Hub, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）信息中心） 纠错

AI总结 提出CoVar框架，通过联合建模最大置信度和残差类方差来评估伪标签可靠性，利用SVD谱松弛分离可靠与不可靠预测，无需手动阈值，在分割和分类任务上取得提升。

Improving Generalization and Data Efficiency with Diffusion in Offline Multi-agent RL

通过扩散模型提升离线多智能体强化学习的泛化能力与数据效率

Zhuoran Li, Ling Pan, Jiatai Huang, Longbo Huang

机构 * Institute for Interdisciplinary Information Sciences（交叉信息学院） ； Tsinghua University（清华大学） ； Department of Electronic and Computer Engineering（电子与计算机工程系） ； Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 提出扩散离线多智能体模型（DOM2），利用扩散模型增强策略表达力和多样性，结合轨迹数据重加权，在离线MARL中显著提升性能、泛化能力和数据效率。

Reformulate LLM Reinforcement Learning for Efficient Training under Black-box Discrepancy

重新制定LLM强化学习以在黑箱差异下高效训练

Jiashun Liu, Runze Liu, Xu Wan, Jing Liang, Hongyao Tang, Ling Pan

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Zhejiang University（浙江大学） ； Tianjin University（天津大学） 纠错

AI总结 针对强化学习中的训练-推理差异问题，提出差异约束马尔可夫决策过程（DCMDP），通过拉格朗日松弛自适应平衡性能提升与差异控制，实现稳定高效训练。

Scone: Bridging Composition and Distinction in Subject-Driven Image Generation via Unified Understanding-Generation Modeling

Scone：通过统一理解-生成建模弥合主体驱动图像生成中的组合与区分

Yuran Wang, Bohan Zeng, Chengzhuo Tong, Wenxuan Liu, Yang Shi, Xiaochen Ma, Hao Liang, Yuanxing Zhang, Wentao Zhang

机构 * Peking University（北京大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Zhongguancun Academy（中关村学院） ； HKUST（香港科技大学） ； Beijing Key Laboratory of Data Intelligence and Security (Peking University)（北京数据智能与安全重点实验室（北京大学）） 纠错

AI总结 提出Scone方法，通过统一理解-生成模型结合组合与区分能力，采用两阶段训练实现主体身份保持与干扰最小化，在双基准上优于现有开源模型。

Comments CVPR 2026 Highlight. Code: https://github.com/Ryann-Ran/Scone

An Infectious Disease Spread Simulation Based on Large Language Model Decision Making

基于大语言模型决策的传染病传播模拟

Yonchanok Khaokaew, Ruochen Kong, Andreas Zufle, Hao Xue, Taylor Anderson, Chandini Raina MacIntyre, Matthew Scotch, Flora D. Salim, David J Heslop

机构 * Computer Science and Engineering Faculty of Engineering（计算机科学与工程系） ； The University of New South Wales（新南威尔士大学） ； Department of Computer Science（计算机科学系） ； Emory University（埃默里大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； George Mason University（乔治·马歇尔大学） ； The Kirby Institute Faculty of Medicine & Health（Kirby研究所医学院与健康学院） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 提出一个空间显式的基于智能体的模拟框架，利用大语言模型生成自我报告流感样疾病的决策，并整合到基于人口普查的合成人群中，以捕捉社会与地理异质性。

Comments 12 pages

When Hard Negatives Hurt: Bridging the Generative-Discriminative Gap in Hard Negative Synthesis for Retrieval

当硬负例有害时：弥合检索中硬负例生成的生成-判别鸿沟

Zhicheng Zhang, Jiwei Tang, Kuicai Dong, Xiaopeng Li, Jieming Zhu, Jingyu Li, Qianhui Zhu, Fengyuan Lu, Wang Jiaheng, Gang Wang, Hai-Tao Zheng, Zhaocheng Du

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； City University of Hong Kong（香港城市大学） ； School of Cyber Science and Technology, Sun Yat-sen University（中山大学信息科学与技术学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； 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） 纠错

AI总结 针对检索中硬负例生成存在的生成-判别鸿沟问题，提出CausalNeg方法，通过CoT引导的反事实扰动和查询视角熵最大化来提升检索性能。

Comments Accepted at KDD 2026

Reinforcing Few-step Generators via Reward-Tilted Distribution Matching

通过奖励倾斜分布匹配增强少步生成器

Yushi Huang, Xiangxin Zhou, Ruoyu Wang, Chi Zhang, Jun Zhang, Tianyu Pang

机构 * Tencent Hunyuan（腾讯文英） ； Hong Kong University of Science and Technology（香港科技大学） ； Westlake University（西湖大学） 纠错

AI总结 提出奖励倾斜分布匹配蒸馏（RTDMD）两阶段框架，结合分布匹配蒸馏与奖励引导强化学习，在仅4步推理下实现文本到图像生成的最新性能。

Comments Code and models are available at https://github.com/Harahan/RTDMD

Follow Everything: A Leader-Following and Obstacle Avoidance Framework with Goal-Aware Adaptation

跟随一切：具有目标感知适应的领导者跟随与避障框架

Qianyi Zhang, Shijian Ma, Boyi Liu, Jianhao Jiao, Dimitrios Kanoulas

机构 * Institute of Robotics and Automatic Information System, Nankai University, China（南开大学机器人与自动化信息系统研究所） ； Centre for Data Science, University of Macau, China（澳门大学数据科学中心） ； Electrical and Computer Engineering Department, Hong Kong University of Science and Technology, China（香港科学与技术大学电子与计算机工程系） ； Department of Computer Science, University College London, UK（伦敦大学学院计算机科学系） ； Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University, Hong Kong, China（香港理工大学航空与航空工程系） 纠错

AI总结 提出统一框架，用分割模型替代检测模型以跟随任意形态领导者，并设计目标感知适应机制和基于图的规划器，实现领导者暂时离开视野时的鲁棒跟随与避障。

Neural Scalable Symbolic Search Framework for Complex Logical Queries with Multiple Free Variables

面向多自由变量复杂逻辑查询的神经可扩展符号搜索框架

Weizhi Fei, Hang Yin, Zihao Wang, Shukai Zhao, Wei Zhang, Yangqiu Song

机构 * Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） ； Squarepoint Capital（Squarepoint资本） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology（香港科学与技术大学计算机科学与工程系） ； Department of Computer Sciences, University of Rochester（罗切斯特大学计算机科学系） 纠错

AI总结 针对知识图谱上多自由变量复杂查询的联合排序难题，提出神经可扩展符号搜索（NS3）框架，通过预算约束和超节点合并近似联合排序，显著提升性能。

Comments 10 pages, 5 figures

CacheRAG: A Semantic Caching System for Retrieval-Augmented Generation in Knowledge Graph Question Answering

CacheRAG：面向知识图谱问答中检索增强生成的语义缓存系统

Yushi Sun, Lei Chen

机构 * HKUST Hong Kong China（香港理工大学（中国）） ； HKUST(GZ) / HKUST Guangzhou / Hong Kong China (2018)（香港理工大学（广州）/ 香港理工大学（广州）/ 香港中国（2018）） 纠错

AI总结 针对LLM驱动的KGQA系统作为无状态规划器导致模式幻觉和检索覆盖有限的问题，提出CacheRAG，一种基于缓存的架构，通过模式无关接口、多样性优化缓存检索和有界启发式扩展，将无状态规划器转变为持续学习器，显著提升准确性和真实性。