Nanjing University（南京大学）

SmartRAG: Native Graph-Based RAG for Mobile Device

SmartRAG：用于移动设备的基于原生图的RAG

Zhihan Jiang, Meng Li, Shenghao Liu, Keran Li, Ruiben Zhou, Wei Wang, Xianjun Deng, Shuai Wang, Haipeng Dai

机构 * Nanjing University（南京大学） ； HUST（华中科技大学） ； Southeast University（东南大学） 纠错

AI总结 研究针对移动设备部署大语言模型的问题，提出SmartRAG框架，围绕四个模块组织智能助手，核心是可持续学习的EvoNER，知识存于MRGraph，通过混合管道检索，实验表明其在多跳推理性能上有竞争力且能在普通智能手机上运行。

Comments 14 pages, 4 figures

Nonlinear Bandit

非线性带式赌博机

Tianshuo Zheng, Ting Wu, Zhi-Hua Zhou, Keqin Liu

机构 * School of Mathematics, Nanjing University（南京大学数学系） ； School of Artificial Intelligence, Nanjing University, National Key Laboratory for Novel Software Technology（南京大学人工智能学院，计算机软件新技术国家重点实验室） ； School of Mathematics and Physics, Xi’an Jiaotong-Liverpool University（西交利物浦大学数理学院） 纠错

AI总结 研究重尾噪声下广义线性带式赌博机问题，基于在线镜像下降方法提出算法EHM，实现几乎最优遗憾值且无需常用参数，还研究了上下文特征分段常数时的情况及非线性带式赌博机特殊情况，给出相应算法并证明遗憾上界。

Lil: Less is Less When Applying Post-Training Sparse-Attention Algorithms in Long-Decode Stage

Lil: 在长解码阶段应用后训练稀疏注意力算法时，少即是少

Junhao Hu, Fangze Li, Mingtao Xu, Feifan Meng, Shiju Zhao, Tiancheng Hu, Ting Peng, Anmin Liu, Wenrui Huang, Chenxu Liu, Ziyue Hua, Tao Xie

机构 * SCS, Peking University, Beijing, China（北京大学信息科学与技术学院，北京，中国） ； Key Lab of HCST (PKU), MOE, Beijing, China（高等教育出版社HCST重点实验室（PKU），北京，中国） ； State Key Laboratory for Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室，中国） ； Tencent, Shenzhen, China（腾讯，深圳，中国） ； Beijing Tongming Lake Information Technology Application Innovation Center, Beijing, China（北京 Tongming Lake 信息技术应用创新中心，北京，中国） 纠错

AI总结 本文研究了在长解码阶段应用稀疏注意力算法时，信息丢失导致序列变长的问题，提出早停算法减少token消耗并降低精度损失。

BBOPlace-Bench: Benchmarking Black-Box Optimization for Chip Placement

BBOPlace-Bench：用于芯片布局的黑盒优化基准测试

Ke Xue, Ruo-Tong Chen, Rong-Xi Tan, Xi Lin, Yunqi Shi, Siyuan Xu, Mingxuan Yuan, Chao Qian

机构 * National Key Laboratory for Novel Software Technology（国家新型软件技术重点实验室） ； School of Artificial Intelligence, Nanjing University（人工智能学院，南京大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

AI总结 针对芯片布局中黑盒优化缺乏统一基准的问题，提出BBOPlace-Bench基准，整合问题表述、芯片案例和算法家族，提供模块化框架，通过共享协议系统评估算法性能，助力开发高效方案并拓宽应用场景。

Comments IEEE TEvC

History-Aware Transformation of ReID Features for Multiple Object Tracking

用于多目标跟踪的重识别特征的历史感知变换

Ruopeng Gao, Yuyao Wang, Chunxu Liu, Limin Wang

机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 该研究针对多目标跟踪中ReID特征应用问题，提出历史感知特征变换方法，将轨迹历史特征作上下文，用定制FLD投影特征到特定空间，免训练提升特征判别力，证明特定上下文表示对MOT更优，推动ReID特征定制探索。

Comments Accepted by ECCV 2026. Without bells and whistles, achieving 80.8 HOTA on SportsMOT