Huazhong University of Science and Technology（华中科技大学）

FrameSkip: Learning from Fewer but More Informative Frames in VLA Training

FrameSkip: 从更信息丰富的较少帧中学习以在VLA训练中提升性能

Bin Yu, Shijie Lian, Xiaopeng Lin, Zhaolong Shen, Yuliang Wei, Changti Wu, Hang Yuan, Haishan Liu, Bailing Wang, Cong Huang, Kai Chen

机构 * Harbin Institute of Technology（哈尔滨理工大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； Huazhong University of Science and Technology（华中科技大学） ； East China Normal University（华东师范大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Beihang University（北航） ； DeepCybo 纠错

AI总结 本文提出FrameSkip框架，通过选择高重要性帧来优化VLA训练，提升成功率与保留率的平衡，实现在三个基准测试中达到76.15%的成功率。

Comments GitHub: https://github.com/ZGC-EmbodyAI/FrameSkip

OSDN: Improving Delta Rule with Provable Online Preconditioning in Linear Attention

OSDN：通过可证明的在线预条件化改进Delta规则

Chenyu Zhou, Hongpei Li, Yuerou Liu, Jianghao Lin, Dongdong Ge, Yinyu Ye

机构 * Shanghai Jiao Tong University（上海交通大学） ； Northwestern University（西北大学） ； Huazhong University of Science and Technology（华中科技大学） ； Stanford University（斯坦福大学） 纠错

AI总结 OSDN通过在线预条件化改进Delta规则，通过在线更新对角预条件器提升特征曲率处理，理论证明其收敛性和泛化能力，在大规模参数下提升上下文回忆性能。

Strikingness-Aware Evaluation for Temporal Knowledge Graph Reasoning

面向时间知识图谱推理的显著性感知评估

Rikui Huang, Shengzhe Zhang, Wei Wei

机构 * School of Computer Science & Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； Institute of Artificial Intelligence, Huazhong University of Science and Technology（华中科技大学人工智能研究院） ； School of Artificial Intelligence & Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） 纠错

AI总结 本文提出显著性感知评估框架，通过引入基于规则的显著性测量框架量化事件显著性，改进时间知识图谱推理的评估方法，实验表明不同模型在不同显著性事件上的表现差异。

Comments Accepted to IJCAI-ECAI 2026

Explaining and Breaking the Safety-Helpfulness Ceiling via Preference Dimensional Expansion

通过偏好维度扩展解释并打破安全与有益性天花板

ShiYing Huang, Liang Lin, Yuer Li, Kaiwen Luo, Zhenhong Zhou, An Zhang, Junhao Dong, Kun Wang, Zhigang Zeng

机构 * Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Chongqing University（重庆大学） 纠错

AI总结 本文提出MORA方法，通过多维奖励整合解决多目标对齐中的安全与有益性矛盾，实验显示在序列对齐中提升5%-12.4%，同时对齐中整体奖励提升4.6%。

Asymmetric On-Policy Distillation: Bridging Exploitation and Imitation at the Token Level

非对称在线策略蒸馏：在令牌层面弥合利用与模仿

Nan Jia, Haojin Yang, Xing Ma, Jiesong Lian, Shuailiang Zhang, Weipeng Zhang, Ke Zeng, Xunliang Cai, Zequn Sun

机构 * Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Meituan（美团） 纠错

AI总结 本文提出非对称在线策略蒸馏，通过局部散度最小化改进传统策略蒸馏，提升数学推理任务表现，实现更稳定的策略熵和持续工具使用能力。

LoRA-Mixer: Coordinate Modular LoRA Experts Through Serial Attention Routing

LoRA-Mixer：通过序列注意力路由协调模块化LoRA专家

Wenbing Li, Zikai Song, Hang Zhou, Yunyao Zhang, Junqing Yu, Wei Yang

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 LoRA-Mixer通过将任务特定的LoRA专家路由到注意力模块的核心投影矩阵中，实现细粒度的token级专业化，同时保持与Transformer和状态空间模型的兼容性，且在15个基准测试中表现优于现有方法。