Nanjing University（南京大学）

UniTacVLA: Unified Tactile Understanding and Prediction in Vision Language Action Models

UniTacVLA：视觉语言动作模型中的统一触觉理解与预测

Xidong Zhang, Yichi Zhang, Jiaxin Shi, Fucai Zhu, Siyu Zhu, Michael Yu Wang, Xiaojun Wu, Weihao Yuan

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Great Bay University（大湾区大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics 纠错

AI总结 提出统一触觉学习框架，通过触觉链式推理和由粗到细的未来触觉预测构建状态与动力学感知先验，并设计触觉-动作混合控制器，在接触丰富操作任务中提升成功率、精度和鲁棒性。

Embodied CAD: Solver-Grounded LLM Agents for Parametric B-Rep Assembly Modeling

具身CAD：基于求解器的LLM代理用于参数化B-Rep装配建模

Fumin Liu, Haoyu Zhou, Fei Hao, Lin Yang

机构 * Nanjing University（南京大学） 纠错

AI总结 提出Embodied CAD框架，通过分层技能库和求解器反馈，让LLM代理迭代生成并修复参数化B-Rep装配模型，实现高可执行率和任务完成率。

Comments This paper contains 12 pages, 7 figures. This is an original unpublished manuscript submitted to the arXiv preprint server, with no prior publication or conference presentation

OTCache: Optimal Transport for Geometry-Aware Caching in Diffusion Models

OTCache: 扩散模型中的几何感知缓存的最优传输

Huanlin Gao, Fang Zhao, Qiang Hui, Fuyuan Shi, Shaoan Zhao, Yantao Li, Chao Tan, Ting Lu, Yuren You, Kai Wang, Shiguo Lian

机构 * Data Science & Artificial Intelligence Research Institute, China Unicom（中国联通数据科学与人工智能研究院） ； Unicom Data Intelligence, China Unicom（中国联通联通数据智能） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） 纠错

AI总结 提出OTCache，一种无需训练的扩散采样加速框架，通过最优传输预测缓存调度，在低NFE区域优于图方法，实现4.5倍以上加速并保持生成质量。

Comments ECCV 2026

Making Image Editing Easier via Adaptive Task Reformulation with Agentic Executions

通过具有代理执行的自适应任务重构使图像编辑更易于实现

Bo Zhao, Kairui Guo, Runnan Du, Haiyang Sun, Pengshan Wang, Huan Yang, Kun Gai, Yixin Cao, Wei Ji

机构 * Nanjing University（南京大学） ； Beijing Institute of Technology（北京理工大学） ； College of Artificial Intelligence, China University of Petroleum (Beijing)（中国石油大学（北京）人工智能学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Fudan University（复旦大学） 纠错

AI总结 本文提出通过自适应任务重构框架提升图像编辑性能，通过代理分析和反馈优化任务描述，改进编辑效果，尤其在复杂案例中表现显著。

Comments 9pages

CoDec: Prefix-Shared Decoding Kernel for LLMs

CoDec：用于大语言模型的前缀共享解码内核

Zhibin Wang, Rui Ning, Chao Fang, Zhonghui Zhang, Xi Lin, Shaobo Ma, Mo Zhou, Xue Li, Zhongfeng Wang, Chengying Huan, Rong Gu, Kun Yang, Guihai Chen, Sheng Zhong, Chen Tian

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出CoDec，通过优化内存层次结构和利用块内块间并行性，提高解码阶段注意力计算的效率，实现1.9倍速度提升和120.9倍内存访问减少。

InfiniteWeb: Scalable Web Environment Synthesis for GUI Agent Training

InfiniteWeb: 面向GUI智能体训练的可扩展Web环境合成

Ziyun Zhang, Zezhou Wang, Xiaoyi Zhang, Zongyu Guo, Jiahao Li, Bin Li, Yan Lu

机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 提出InfiniteWeb系统，通过统一规范、任务驱动测试和多样化种子设计自动生成功能完备的Web环境，解决GUI智能体训练数据稀缺问题，在OSWorld和Online-Mind2Web上取得显著性能提升。

Comments Accepted to ACL 2026 Main

A Scheduling Framework for Efficient MoE Inference on Edge GPU-NDP Systems

一种用于边缘GPU-NDP系统高效MoE推断的调度框架

Qi Wu, Chao Fang, Jiayuan Chen, Ye Lin, Yueqi Zhang, Yichuan Bai, Yuan Du, Li Du

机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； China Mobile Research Institute（中国移动研究院） 纠错

AI总结 本文提出一种高效推断框架，通过张量并行、负载均衡调度和数据集无关预取策略，解决边缘GPU-NDP系统中MoE模型推断的负载不平衡、GPU利用率低和预取数据量大问题，实现端到端延迟平均提升2.41倍。

Comments To appear in 2026 Design, Automation and Test in Europe Conference (DATE 2026)

Robust 3DGS-based SLAM via Adaptive Kernel Smoothing

基于自适应核平滑的鲁棒3DGS SLAM

Shouhe Zhang, Dayong Ren, Wen Jie Li, Piaopiao Yu, Sensen Song, Kaikai Shao, Yurong Qian

机构 * Xinjiang University（新疆大学） ； Nanjing University（南京大学） ； Southwest University of Political Science and Law（西南政治科学法学院） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Yantai University（烟台大学） 纠错

AI总结 针对3DGS-SLAM中渲染质量主导跟踪精度的传统观念，提出通过平滑核策略增强光栅化过程对参数误差的鲁棒性，从而稳定相机位姿跟踪，并设计了CB-KNN方法自适应调整局部高斯参数，实验证明在保持建图质量的同时显著提升跟踪鲁棒性和精度。

FeRA: Frequency-Energy Constrained Routing for Effective Diffusion Adaptation Fine-Tuning

FeRA: 面向高效扩散自适应微调的频率能量约束路由

Bo Yin, Xiaobin Hu, Xingyu Zhou, Yu He, Peng-Tao Jiang, Yue Liao, Junwei Zhu, Jiangning Zhang, Ying Tai, Shuicheng Yan

机构 * National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； vivo ； Tencent（腾讯） ； Nanjing University（南京大学） 纠错

AI总结 提出FeRA框架，通过揭示扩散模型去噪过程中的频率能量机制，利用频率能量指示器、软频率路由和频率能量一致性正则化，实现参数更新与内在频率能量进程对齐，从而高效稳定地微调扩散模型。