高校专区
元强化学习中的知识复用
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
AI总结 提出一种元知识复用框架，通过动力学简化智能体学习任务知识并迁移至异构智能体，利用贝叶斯非参数先验和高层策略生成任务级指导，显著降低跟踪误差并提高样本效率。
Comments 18 pages initial submission
从酝酿到解析：追踪LLM中代码推理的内部生命周期
机构 * South China University of Technology（华南理工大学） ； Sun Yat-sen University（中山大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Nanjing University（南京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Hangzhou Dianzi University（杭州电子科技大学） ； Guangzhou College of Technology and Business（广州工商学院）
AI总结 提出双重诊断框架（逐层线性探针与上下文剥离解码），揭示LLM在代码推理中先酝酿答案后进入四种解析结果（已解析、过度处理、错误解析、未解析）的内部生命周期，发现酝酿支架稳定而解析成功随能力变化。
超越NL2Code：多模态代码智能的结构化综述
机构 * Meituan（美团） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； University of Science and Technology of China（中国科学技术大学） ； Queen Mary University of London（伦敦玛丽女王大学）
AI总结 本文系统综述多模态代码智能，将任务按代码角色分类，覆盖GUI、科学可视化、结构化图形及前沿任务，并提出四个基于验证的未来方向。
Comments Work completed in January 2026. Updating now
从智能体痕迹到信任：LLM智能体中的证据追踪与执行溯源
机构 * Griffith University（格里菲斯大学） ； Jiangsu University（江苏大学） ； University of Southern Queensland（南方昆士兰大学） ； Peking University（北京大学） ； Great Bay University（大湾大学） ； Nanjing University（南京大学） ； Macquarie University（麦觉瑞大学） ； Southern University of Science and Technology（南方科学与技术大学）
AI总结 本文系统综述了LLM智能体中的证据追踪与执行溯源方法，通过统一溯源视角连接检索、工具使用、记忆等环节，提出分类体系并讨论开放挑战。
重新思考扩散变换器中的跨层信息路由
机构 * Nanjing University（南京大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang University（浙江大学） ； City University of Hong Kong（香港城市大学）
AI总结 本文研究了扩散变换器中跨层信息流动的问题，通过系统性的实证分析，识别了传统残差加法的三个具体症状，并提出了扩散适应性路由（DAR）方法，以实现可学习、时间步适应和非递增的子层输出聚合，从而提升模型性能。
在多用户量子网络上实验验证的量子安全联邦学习
机构 * National Laboratory of Solid State Microstructures（固态微结构国家实验室） ； School of Physics, Collaborative Innovation Center of Advanced Microstructures, Nanjing University, Nanjing 210093, China（物理系，先进微结构协同创新中心，南京大学，南京210093，中国） ； School of Physics（物理系） ； Key Laboratory of Quantum State Construction（量子态制备重点实验室） ； Manipulation (Ministry of Education), Renmin University of China, Beijing 100872, China（操控（教育部），中国人民大学，北京100872，中国）
AI总结 本文提出QuNetQFL协议，通过分布式量子密钥掩蔽局部模型更新，实现信息论安全的聚合。实验验证在四客户端量子网络上，提升分类准确率并展示在语言任务和大规模模拟中的扩展性。
Comments 25 pages, 7 figures, 7 tables, Accepted by Research
Journal ref Research 9, 1299 (2026)
FUSER: 前馈多视图3D配准Transformer与SE(3)^N扩散精化
机构 * Nanyang Technological University（南洋理工大学） ； Alibaba Group（阿里巴巴集团） ； Nanjing University（南京大学）
AI总结 提出FUSER，首个前馈多视图配准Transformer，在统一潜在空间中直接预测全局位姿，避免成对匹配；并引入SE(3)^N扩散精化框架FUSER-DF以校正估计。
Comments Accepted to CVPR 2026 (Oral)
中国司法判决中法律论证结构的标注与可视化指南
机构 * Law School, Nanjing University（南京大学法学院）
AI总结 提出一个系统化、可操作的标注框架，用于表示司法判决中的法律论证结构，支持大规模司法推理分析和法律论证挖掘。
Comments This Guideline has been developed through revision and refinement based on the first edition. The element label system has been adjusted, and the annotation granularity and annotation workflow have been further optimized
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