Nanjing University（南京大学）

RMISC: A Large-scale Real-world Multivariate Corpus for Time Series Foundation Models

RMISC：用于时间序列基础模型的大规模真实世界多元语料库

Qian Sun, Yong-Ming Tian, Jia-Wei Huang, Cheng Feng, Shao-Qun Zhang

机构 * Nanjing University（南京大学） ； Siemens Data and AI Research（西门子数据与人工智能研究院） ； Nanjing University – Siemens Joint Research Center on Industrial AI（南京大学-西门子工业人工智能联合研究中心） 纠错

AI总结 研究真实世界多元数据对时间序列基础模型泛化性能的影响，通过建立RMISC语料库，预训练四个先进TSFMs并评估，发现纳入真实世界多元数据可提升泛化性能，为理解其对模型发展的作用提供了依据。

Light-Omni: Reflex over Reasoning in Agentic Video Understanding with Long-Term Memory

Light-Omni：基于长期记忆的智能视频理解中的反射优于推理

Chang Nie, Jiaju Wei, Junlan Feng, Chaoyou Fu, Caifeng Shan

机构 * Nanjing University（南京大学） 纠错

AI总结 研究针对智能视频理解中先进智能体依赖迭代推理成本高的问题，提出Light-Omni框架，通过双重上下文状态实现反射式轻量级视频理解，经实验验证其有效性，性能优于M3-Agent且能增强现有MLLMs。

Comments Project Page: https://clare-nie.github.io/Light-Omni

InvWeaver: Deductive Feedback for Invariant Synthesis in Interacting-Loop Programs

InvWeaver：交互循环程序中不变式合成的演绎反馈

Guangyuan Wu, Weining Cao, Zehui Tan, Yuan Yao, Hengfeng Wei, Taolue Chen, Xiaoxing Ma

机构 * Nanjing University（南京大学） ； Hunan University（湖南大学） ； Birkbeck, University of London（伦敦大学伯贝克学院） 纠错

AI总结 研究针对交互循环程序的不变式合成难题，提出神经符号框架InvWeaver，通过循环级抽象等方法揭示循环间依赖并传播证明义务，在综合基准套件上评估，其性能显著优于现有方法，能有效解决多循环问题并保持单循环任务优势。