高校专区
一种用于鲁棒6-DoF抓取姿态估计的跨视图融合框架
机构 * Nanjing University of Science and Technology（南京理工大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学）
AI总结 提出跨视图融合框架，通过辅助视图缓解遮挡，利用自监督对比学习增强点云特征的空间一致性和方向区分性，并设计跨视图对齐圆柱体集成模块融合抓取相关几何，提升角落视图下的6-DoF抓取姿态估计鲁棒性。
Comments Corresponding author: Jin Xie
潜空间：基础、演化、机制、能力与展望
机构 * National University of Singapore（国立新加坡大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； DeepWisdom（深智科技） ； Nanjing University（南京大学） ； Shanghai Jiatong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Tencent Hunyuan（腾讯文深） ； QuantaAlpha（量子阿尔法） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang Lab（浙江实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-sen University（中山大学）
AI总结 本文综述潜空间在语言模型中的基础、演化、机制与能力，指出其克服显式空间计算的结构性限制，并展望未来研究方向。
SEEK: 通过内部推理草图引导LLM推理用于RAG
机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学计算机科学与技术系，人工智能研究院） ； School of Intelligent Science and Technology, Nanjing University, China（南京大学智能科学与技术学院）
AI总结 提出SEEK框架，通过构建结构化引导草图，迭代检索和填充知识槽，减少冗余检索，提升RAG性能。
F3-Tokenizer: 驯服音频自编码器潜在变量以支持理解与生成
机构 * Nanjing University, China（南京大学） ； WeNet Open Source Community（WeNet开源社区）
AI总结 针对连续音频自编码器潜在变量结构弱、自监督编码器不可解码的问题，提出F3-Tokenizer，通过噪声正则化自编码器瓶颈和潜在侧表示编码器，实现统一的理解与生成音频分词器。
Comments Technical report; early work; 9 pages, 2 figures, 5 tables
利用结构上下文进行实体对齐基础模型
机构 * State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（南京大学新型软件技术国家重点实验室） ； Nanjing University of Information Science and Technology, Nanjing, China（南京信息科学技术大学） ； National Institute of Healthcare Data Science, Nanjing University, Nanjing, China（南京大学健康数据科学国家研究院）
AI总结 提出ContextEA框架，通过交叉KG交互编码器和结构校准解码器增强结构上下文的构建与利用，在29个数据集上超越强基线，实现更强的跨KG迁移能力。
超越语义组织：记忆作为长时程智能体的执行状态管理
机构 * University of Science and Technology of China（中国科学技术大学） ； Microsoft（微软） ； Nanjing University（南京大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 针对长时程任务中智能体依赖执行状态而非语义相似性的问题，提出MAGE（记忆作为智能体引导的探索），通过层次状态树管理交互，实现状态完整性和错误隔离，在MemoryArena上任务成功率提升7.8-20.4个百分点，token消耗降低55.1%。
Comments 16 pages
通过标签特定距离的过采样解决多标签数据中的不平衡问题
机构 * Key Laboratory of Data Engineering and Visual Computing, Chongqing University of Posts and Telecommunications, China（数据工程与视觉计算重点实验室，重庆邮电大学，中国） ； School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, China（计算机科学与技术学院，重庆邮电大学，中国） ； State Key Laboratory of Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； School of Informatics, Aristotle University of Thessaloniki, Greece（信息学院，希腊阿尔蒂米斯大学）
AI总结 针对多标签分类中的标签不平衡问题，提出基于标签特定距离的过采样方法LSDMLO，通过加权相关特征空间识别标签一致邻居，生成更有效的合成实例，实验表明优于现有方法。
在预测之前想象：用于视频事件预测的交错潜在视觉推理
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； City University of Hong Kong（香港城市大学） ； Nanjing University（南京大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 提出Future-L1框架，通过交错潜在视觉推理在自回归解码中交替语言token和连续潜在视觉跨度，结合LA-DAPO强化学习优化，在视频事件预测任务上取得最先进结果。
ViCuR: 视觉线索作为多模态在策略蒸馏中的可恢复特权
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Nanjing University（南京大学）
AI总结 提出ViCuR框架，通过将教师特权从答案侧替换为输入中的视觉线索，并引入轻量级线索恢复模块，解决多模态在策略蒸馏中的训练-测试不匹配问题，在七个基准上显著提升学生模型性能。
Comments 25 pages, 11 figures. Preprint, under review
面向沉浸式视频角色扮演的奖励分解强化学习
机构 * Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； School of Information Engineering, Beijing Institute of Graphic Communication（北京印刷学院信息工程学院） ； Ant International, Ant Group（蚂蚁集团国际部） ； Independent Researcher（独立研究者）
AI总结 提出EBM-RL框架，通过奖励分解的强化学习优化视频角色扮演中的视觉感知、推理与生成过程，提升场景一致性与角色真实性。
层次化掩码增强双重建网络用于少样本细粒度图像分类
机构 * Nanjing University（南京大学）
AI总结 本文提出层次化掩码增强双重建网络（HMDRN），通过双层特征重建与掩码增强特征处理，解决少样本细粒度图像分类中区分视觉相似子类的问题，实验显示其在三种细粒度数据集上均优于现有方法。
3DThinkVLA：通过3D思维引导的协同训练赋予视觉-语言-动作模型潜在3D先验
机构 * Shanghai Jiao Tong University（上海交通大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics（达梦机器人） ； Great Bay University（大亚大学）
AI总结 提出3D思维引导的协同训练框架，通过解耦3D几何感知与空间推理并在不同特征层次注入，使VLA模型在动作预测中隐式进行3D空间推理，无需3D传感器或外部模型，在多个基准上达到最优性能。
ProtoAda: 原型引导的自适应适配器扩展与几何整合用于多模态持续指令微调
机构 * School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； State Key Laboratory of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室）
AI总结 提出ProtoAda框架，通过格式感知任务原型和几何感知参数整合，解决多模态持续指令微调中任务路由错误和梯度干扰问题。
迈向生成式蛋白质进化机器：DPLM-Evo
机构 * Nanjing University（南京大学） ； CUHK（香港大学） ； Fudan University（复旦大学） ； ByteDance（字节跳动）
AI总结 提出DPLM-Evo，一种显式建模替换、插入和删除操作的进化离散扩散框架，在单序列设置下实现蛋白质突变效应预测的最优性能，并支持变长模拟进化与蛋白质编辑优化。
Comments A peer-reviewed version was accepted to ICML 2026
表征、评估与优化复杂推理
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University, Shanghai, China（上海交通大学人工智能学院） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室） ； University of Science and Technology of China, Hefei, Anhui, China（中国科学技术大学） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学） ； Nanjing University, Suzhou, Jiangsu, China（南京大学） ； Peking University, Beijing, China（北京大学）
AI总结 本文提出ME$^2$原则来表征推理质量，基于有向无环图（DAG）的成对评估方法，并构建TRM-Preference数据集训练Thinking Reward Model（TRM），以优化推理过程。
Comments Code and data are available at https://github.com/Simplified-Reasoning/TRM
T2AV-Compass：迈向文本到音频-视频生成的统一评估
机构 * NJU-LINK Team, Nanjing University（南京大学NJU-LINK团队） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
AI总结 提出T2AV-Compass基准，通过分类学驱动的500个复杂提示和双层次评估框架（客观信号指标+主观MLLM评判），系统评估文本到音频-视频生成模型，发现现有模型在跨模态对齐和指令遵循方面显著不足。
Comments 41 pages, 13 figures, 12 tables. Accepted at ICML 2026
基于解耦数据的方法用于学习控制非线性动力学系统
机构 * College of Astronautics, Nanjing University and hence, run into the curse of dimensionality（南京大学航天学院） ； Department of Electrical and Computer Engineering, Texas A&M University, Texas, USA（德克萨斯A&M大学电气与计算机工程系）
AI总结 本文提出了一种解耦数据基于的方法，用于学习控制具有连续状态空间、连续动作空间和未知动态的非线性随机动力学系统，通过解耦的开环-闭环方法，利用黑盒仿真模型解决开环确定性轨迹优化问题，并通过线性化动态在该名义轨迹上开发闭环控制，从而使用线性二次调节器算法，证明了该方法的性能近似最优，并在训练时间上显著优于其他先进算法。
基于梯度变化的区间遗憾在线学习
机构 * State Key Laboratory for Novel Software Technology and the School of Artificial Intelligence, Nanjing University（新型软件技术国家重点实验室和人工智能学院，南京大学） ； Institute of Operations Research and Analytics, National University of Singapore（运筹与分析研究所，新加坡国立大学）
AI总结 本文提出首个基于梯度变化量实现区间遗憾界的在线学习算法，采用两层在线集成结构，自适应多种问题相关量并达到极小化最优率，同时引入Lipschitz和平滑性无关的变体。
基于熵引导的工具感知优化用于高效智能体强化学习
机构 * National 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） ； Nanyang Technological University（南洋理工大学） ； China Mobile NineVerse Artificial Intelligence Technology (Beijing) Co., Ltd.（中国移动九章人工智能技术（北京）有限公司） ； Institute of Artificial Intelligence, NineVerse（九章人工智能研究院）
AI总结 提出TAO-RL框架，通过工具感知轨迹过滤和熵引导探索解决智能体强化学习中工具使用导致的训练不稳定问题，在7个推理基准上优于现有方法。
Foley-Omni：从任务级音频合成到完整视频配乐生成的统一多模态生成模型
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Video Rebirth ； Shanghai Jiao Tong University（上海交通大学） ； Beijing Jiaotong University（北京交通大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 提出Foley-Omni统一多模态音频生成模型，通过共享潜变量生成过程联合建模语音、音效和音乐，实现从孤立任务级合成到完整视频配乐生成，并构建V2ST-Bench基准进行综合评估。
CauTion：知道何时信任LLM进行集成因果发现
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Nanjing University（南京大学） ； Tongji University（同济大学）
AI总结 提出CauTion框架，通过共识过滤和LLM可靠性估计，将LLM领域知识可靠地集成到多个统计因果发现算法中，解决纯统计方法的局限和LLM错误问题。
IDO: 面向多模态假新闻检测的不一致性感知分布优化
机构 * Nanjing University（南京大学） ； University of Birmingham（伯明翰大学） ； East China Normal University（华东师范大学） ； Zhejiang University（浙江大学）
AI总结 提出不一致性感知分布优化（IDO）方法，通过事实不一致性和模态不一致性建模，提升多模态假新闻检测性能。
Comments Accept by GlobalSouthML@ICML 2026
结构促进检索、重排序和生成
机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； School of Artificial Intelligence, Nanjing University, China（人工智能学院，南京大学，中国）
AI总结 提出SF-Re2G方法，通过利用文档结构信息改进段落表示、构建结构增强的重排序器并融入子图上下文，以提升文档对话系统的检索、重排序和生成性能。
JAVEDIT: 联合音频-视觉指令引导视频编辑与智能体数据策展
机构 * Zhejiang University（浙江大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Nanjing University（南京大学） ； University of Auckland（奥克兰大学） ； Fudan University（复旦大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对联合音频-视觉编辑缺乏数据集和基准的问题，提出首个大规模高质量数据集JAVEdit-100k、基准JAVEditBench以及基线模型JAVEdit，在六项指标中五项超越所有基线。
Comments Equal contributions from first two authors. Project page: https://ryanchenyn.github.io/projects/JAVEdit Code: https://github.com/RyanChenYN/JAVEdit Dataset: https://huggingface.co/datasets/Coraxor/JAVEdit-100k
深度研究代理在何处出错？代理轨迹中的跨度级错误定位
机构 * NJU-LINK Team, Nanjing University（南京大学NJU-LINK团队） ； JIUTIAN Research（JIUTIAN研究院）
AI总结 针对深度研究代理在长轨迹中难以定位错误的问题，本文通过构建TELBench基准和提出DRIFT审计框架，实现了跨度级错误定位，将首次错误定位准确率提升高达30个百分点。
Comments 28 pages, 11 figures, 4 tables
GS-ROR$^2$: 双向引导的3DGS和SDF用于反射物体重光照与重建
机构 * VCIP, College of Computer Science, Nankai University（VCIP，计算机科学学院，南开大学） ； School of Intelligence Science and Technology, Nanjing University（智能科学与技术学校，南京大学）
AI总结 提出一种双向引导框架，通过SDF辅助的高斯溅射优化重光照模型，并利用GS引导的SDF增强实现高质量几何重建，解决反射物体重光照与重建中的几何约束和细节捕捉问题。
Comments Accepted by ACM TOG
CRAM：面向多模态持续指令调优的质心路由与自适应MoE
机构 * School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； State Key Laboratory of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室）
AI总结 提出CRAM方法，通过将任务特定模式隔离到独立模块、自适应秩实例化动态分配参数、质心路由激活现有专家以及正交惩罚约束更新方向，解决了多模态持续指令调优中任务竞争导致遗忘和参数效率低下的问题。
几何感知隐式记忆用于视频世界模型
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； Tsinghua University（清华大学）
AI总结 提出GIM-World框架，通过轻量级Transformer编码器将可变长度历史压缩为固定大小的记忆令牌，并利用相机可查询的几何头在训练期间从冻结的基础模型中蒸馏3D场景结构，从而在长时程视频生成中保持几何和视觉一致性。
Comments Project page: https://gim-world.github.io/
未修剪长视频中被操纵片段的可解释取证
机构 * MoE Key Laboratory of Brain-Machine Intelligence Technology, College of Artificial Intelligence, Nanjing University of Aeronautics（脑机智能技术关键实验室、人工智能学院、南京航空航天大学） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对长视频中AI生成片段的定位与解释任务，提出TASLE基准数据集和MSLoc粗到细取证方法，实现时序定位、真实性检测与可解释分析。
Comments Accepted to ICML 2026
MMG2Skill: 智能体能否从野外指南中提炼出自我进化的技能？
机构 * Nanjing University（南京大学） ； Kuaishou Technology（快手科技）
AI总结 提出MMG2Skill框架，将多模态异构的野外指南编译为可编辑技能，通过轨迹级根因反馈持续改进，在GUI控制、开放游戏和策略卡牌任务中显著提升VLM智能体性能。
Comments 35 pages, 12 figures, 13 tables. Code: https://github.com/NJU-LINK/MMG2Skill
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