Nanjing University（南京大学）

Same Semantics, Different Paths: Self-Improving Alignment for Vision-Text Compression

相同语义，不同路径：面向视觉-文本压缩的自改进对齐

Tianyu Liang, Xiangxi Zheng, Yilin Wang, Dongxing Mao

机构 * Southeast University（东南大学） ； Nanjing University（南京大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 该研究针对视觉-文本压缩中渲染图像与原生文本表示的跨路径不一致瓶颈，提出自监督对齐框架SPIRAL，通过令牌级OPD与序列级DPO提升模型性能，在VTCBench上显著改善Qwen3-VL-8B的表现并实现域外泛化。

Comments Accepted to ACM Multimedia 2026 (Oral)

CoT-Core: Accelerating LLM Evaluation via CoT-Aware Coreset Selection

CoT-Core：通过感知思维链的核心集选择加速大语言模型评估

Qihua Pan, Zhenheng Tang, Peijie Dong, Xiang Liu, Huacan Wang, Bo Li, Xiaowen Chu

机构 * Nanjing University（南京大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 CoT-Core是无训练的核心问题选择框架，通过感知大语言模型的思维链推理轨迹聚类问题，可大幅降低LLMs评估成本，且在GSM8K等多数据集上维持高保真度分数估计。

Comments 23 pages, 3 figures, 10 tables. Includes appendix

Long-Term Memory for VLA-based Agents in Open-World Task Execution

基于VLA的智能体长期记忆在开放世界任务执行中的应用

Xu Huang, Weixin Mao, Yinhao Li, Hua Chen, Jiabao Zhao

机构 * Nanjing University（南京大学） ； LimX Dynamics（LimX 动态） 纠错

AI总结 本文提出ChemBot框架，通过双层记忆和MCP服务器提升复杂化学实验中的任务执行效率与安全性。

Comments Added references

RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking

RobotDancing：残差动作强化学习实现人形机器人的鲁棒长时程运动跟踪

Zhenguo Sun, Yibo Peng, Yuan Meng, Xukun Li, Bo-Sheng Huang, Zhenshan Bing, Xinlong Wang, Alois Knoll

机构 * School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Department of Computer Science, Tsinghua University（清华大学计算机学院） ； The 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） 纠错

AI总结 本研究提出RobotDancing，一种单阶段强化学习方案，通过残差动作补偿动力学不匹配，在Unitree G1等机器人上实现鲁棒长时程高动态运动跟踪，具备跨平台可行性。

Comments accepted by R-AL

Quality-Diversity Red-Teaming: Automated Generation of High-Quality and Diverse Attackers for Large Language Models

质量-多样性红队测试：针对大语言模型的高质量多样化攻击者自动生成

Ren-Jian Wang, Ke Xue, Zeyu Qin, Ziniu Li, Sheng Tang, Hao-Tian Li, Shengcai Liu, Zhi Yu, Yuanpeng Tan, Chao Qian

机构 * National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家实验室，南京大学） ； School of Artificial Intelligence, Nanjing University（人工智能学院，南京大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港大学深圳校区） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 该研究提出QDRT框架，通过训练多专用攻击者生成高质量多样化攻击，提升LLM安全评估的多样性与有效性，支持LLM负责任部署。