高校专区
CAST：实现稳定的大语言模型文本分析用于数据分析
机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Microsoft Research（微软研究院）
AI总结 CAST通过算法提示和先思考后发言提升大语言模型在表格数据分析中的输出稳定性，实验表明其在多个基准上表现最佳，稳定性提升达16.2%。
Comments ACL 2026 Findings
利用多个大语言模型：关于LLM集成的综述
机构 * State Key Laboratory of Complex & Critical Software Environment, Beihang University, Beijing, China（复杂与关键软件环境国家重点实验室，北京航空航天大学，北京，中国） ； Zhongguancun Laboratory, Beijing, China（中关村实验室，北京，中国） ； Aviation System Engineering Institute of China, Beijing, China（中国航空系统工程研究院，北京，中国） ； Xi’an Jiaotong University, Xi’an, China（西安交通大学，西安，中国） ； Nanjing University, Nanjing, China（南京大学，南京，中国） ； Tsinghua University, Beijing, China（清华大学，北京，中国） ； University of Macau, Macau SAR, China（澳门大学，澳门特别行政区，中国） ； The Hong Kong Polytechnic University, Hong Kong, China（香港理工大学，香港，中国） ； University of Illinois at Chicago, Chicago, USA（伊利诺伊大学香槟分校，芝加哥，美国）
AI总结 本文系统回顾了LLM集成的最新发展，介绍了分类方法，讨论了相关研究问题，并提出了未来研究方向。
Comments 12 pages, 2 figures, codebase: https://github.com/junchenzhi/Awesome-LLM-Ensemble
SpeechParaling-Bench: 一种全面的语音生成语义意识基准
机构 * Nanjing University（南京大学） ； Xiaomi（小米）
AI总结 本文提出SpeechParaling-Bench，通过1000个英中平行语音查询扩展细粒度特征，设置三个渐进任务评估语音生成的语义意识能力，揭示现有LALMs在语义控制和动态调节上的不足。
Comments Project page: https://speechparaling-bench.github.io/
遮罩世界模型：为鲁棒机器人策略学习预测重要的内容
机构 * Peking University, Beijing, China ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University ； Beijing Academy of Artificial Intelligence, Beijing, China ； National University of Singapore, Singapore ； The Hong Kong University of Science ； Nanjing University, Nanjing, China
AI总结 本文提出Mask World Model，通过预测语义遮罩而非像素，提升机器人策略学习的鲁棒性与泛化能力，实验证明其在仿真和现实任务中均优于现有方法。
Comments 16 pages,5 figures
IVY-FAKE：图像和视频AIGC检测的统一可解释框架和基准
机构 * Nanjing University+（南京大学+）
AI总结 本文提出IVY-FAKE，首个大规模多模态可解释AIGC检测基准，包含106000+丰富标注样本和5000个手动验证示例，通过GRPO强化学习模型实现可解释推理，提升多基准检测性能，显著优于现有方法。
Comments 30 pages
TS-Attn：多事件视频生成的时序可分离注意力
机构 * Peking University（北京大学） ； Shenzhen Graduate School（深圳研究生院） ； Zhejiang University（浙江大学） ； Nankai University（南开大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Nanjing University（南京大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本文提出TS-Attn机制，解决多事件视频生成中时序不一致与注意力冲突问题，提升生成质量，实验表明在两个数据集上效果显著。
Comments ICLR 2026, code available at: https://github.com/Hong-yu-Zhang/TS-Attn
思考大语言模型如何读取推理痕迹：自我阅读模式在定量推理中的应用
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） ； Alibaba Group, China（阿里巴巴集团，中国） ； Ant Group, China（蚂蚁集团，中国）
AI总结 研究分析思考大语言模型在定量推理中如何通过自我阅读模式整合推理痕迹，提出基于自我阅读质量的训练无关引导方法，提升推理可靠性。
Comments Accepted in the Findings of ACL 2026
如何微调一个推理模型？一种教师-学生合作框架来合成学生一致的SFT数据
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学）
AI总结 本文提出TESSY框架，通过交替生成风格和非风格标记，解决教师生成数据与学生分布之间的风格差异问题，提升推理模型性能。
AD-Copilot：通过视觉上下文比较实现工业异常检测的视觉-语言助手
机构 * Department of Computer Science and Engineering, Southern University of Science and Technology（计算机科学与工程系，南方科技大学） ； Macau University of Science and Technology（澳门科技大学） ； Tencent YouTu Lab（腾讯YouTu实验室） ； Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Centre for Frontier AI Research, A*STAR（前沿人工智能研究中心，A*STAR）
AI总结 AD-Copilot通过视觉上下文比较提升工业异常检测性能，采用新颖的数据筛选流程和比较编码器，在多个基准测试中取得优异成绩，超越人类专家水平。
Comments Code and models are released at https://github.com/jam-cc/AD-Copilot
通过加权多语言探索进行代码翻译的 bootstrap
机构 * 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） ； National Institute of Healthcare Data Science, Nanjing University, China（南京大学医疗数据科学国家研究院）
AI总结 本文提出BootTrans方法，通过利用测试套件的功能不变性和跨语言可移植性，解决代码翻译中平行数据稀缺和优化不平衡的问题，通过双池架构和语言感知加权机制提升多语言强化学习训练效果。
Comments Accepted in the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
对代码语言模型进行微调以检测跨语言错误
机构 * School of Computer Science, Central China Normal University（中央师范大学计算机科学学院） ； 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） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
AI总结 本文研究预训练代码语言模型在跨语言错误检测中的潜力，开发了CLCFinder工具并构建了包含三种编程语言组合的跨语言错误数据集，通过微调13种CodeLMs发现小模型表现优于大模型，且数据集规模和代码注释对性能影响各异。
Comments Preprint accepted for publication in ACM Transactions on Software Engineering and Methodology (TOSEM), 2026
MedProbeBench: 在深度证据整合中的系统性基准测试用于专家级医疗指南
机构 * Fudan University（复旦大学） ； Nanjing University（南京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Hong Kong（香港大学）
AI总结 本文提出MedProbeBench，首个利用高质量临床指南作为专家级参考的基准，通过1200+任务自适应评估标准和5130+原子性声明验证，评估17种LLM和深度研究代理在证据整合和指南生成中的能力差距。
WebCompass：迈向多模态网络编码评估的代码语言模型
机构 * Nanjing University（南京大学） ； Kuaishou Technology（快手科技）
AI总结 WebCompass提出一个多模态基准测试，用于评估代码语言模型在网络工程中的能力，涵盖生成、编辑和修复三种任务类型，通过多阶段人机协作流程，发现闭源模型在编辑和修复方面表现更优，但美学仍是开放源模型的主要瓶颈。
MINT-Bench：一个全面的多语言指令遵循文本到语音基准测试
机构 * School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院，南京大学） ； Yutu Zhineng（驭途智能） ； Lingguang Zhaxian Technology（灵光智显科技）
AI总结 本文提出MINT-Bench，一个用于评估指令遵循文本到语音的多语言基准测试，通过分层多轴分类法、可扩展的多阶段数据构建流程和分层混合评估协议，评估内容一致性、指令遵循和感知质量。实验显示当前系统仍有较大提升空间，开源模型在特定语言环境下可超越商业系统。
使用平行反平行四边形腱驱动手腕实现手帕纺任务的周期稳态控制
机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； School of Biomedical Engineering, Tsinghua University（清华大学生物医学工程系） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Institute of Nuclear and New Energy Technology, Tsinghua University（清华大学核能与新能量技术研究院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Automation, Nanjing University of Science and Technology（南京理工大学自动化学院） ； Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院） ； Department of Mechanical Engineering, Tsinghua University（清华大学机械工程系） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） ； State Key Laboratory for Novel Software Technology and the School of Science and Technology, Nanjing University (Suzhou Campus)（南京大学软件新技术国家重点实验室（苏州校区）） ； Hepato-pancreato-biliary Center, Beijing Tsinghua Changgung Hospital（北京清华长庚医院肝胆外科中心） ； Key Laboratory of Digital Intelligence Hepatology (Ministry of Education), Beijing, China（教育部数字智能肝病重点实验室（北京）） ； School of Clinical Medicine, Tsinghua Medicine, Tsinghua University（清华大学医学部临床医学学院）
AI总结 本文提出了一种平行反平行四边形腱驱动手腕，结合分层控制方案和粒子弹簧模型，实现了高动态手帕纺任务的高展开比和高精度跟踪。
Comments ICRA2026
擦除以提升：用于搜索增强大语言模型的可擦除强化学习
机构 * SenseAuto ； Shenzhen University（深圳大学） ； Nanjing University（南京大学）
AI总结 本文提出Erasable Reinforcement Learning框架，通过识别并擦除推理中的错误步骤，提升搜索增强大语言模型在多步推理中的鲁棒性，实验表明其在多个基准测试中取得显著提升。
Comments 10 pages, 5 figures
ScienceBoard: 评估多模态自主代理在真实科学工作流中的表现
机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Peking University（北京大学） ； Nanjing University（南京大学） ； East China Normal University（华东师范大学） ； Yale University（耶鲁大学）
AI总结 ScienceBoard通过真实多领域环境和169个高质量任务评估多模态自主代理在科学工作流中的能力，发现现有代理在复杂任务中仅达到15%的成功率，揭示了改进设计原则的必要性。
Comments ICLR 2026 Camera Ready Version
面向大数据稀缺性的大型语言模型强化学习综述：挑战与解决方案
机构 * Peking University（北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； Nankai University（南开大学） ； Tongji University（同济大学） ； Nanjing University（南京大学） ； University of Wollongong（沃林根大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文综述了在数据稀缺条件下大型语言模型强化学习的挑战与解决方案，提出三级框架，梳理现有方法并分析其优劣，为高效强化学习提供理论基础。
Comments Accepted to ACL 2026 (Main Conference)
本能与反思：统一令牌和 verbalized 自信在多模态大模型中
机构 * School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
AI总结 本文研究多模态大模型响应自信估计的本能-反思不一致问题，提出融合框架和均值对齐方法，提升校准和失败预测性能。
RemoteShield：为地球观测启用鲁棒的多模态大语言模型
机构 * Hohai University（河海大学） ； Nanjing University（南京大学） ； Southeast University（东南大学）
AI总结 本文提出RemoteShield，一种针对地球观测的鲁棒多模态大语言模型，通过偏好学习提升在现实输入变化下的稳定性与一致性，实验显示其在多模态扰动下表现优于基线模型。
世界价值-动作模型：面向视觉-语言-动作系统的隐式规划
机构 * Westlake University（西湖大学） ； Nanjing University Suzhou Campus（南京大学苏州校区）
AI总结 本文提出World-Value-Action模型，通过隐式规划提升视觉-语言-动作系统在长时域决策中的性能，通过学习潜在表示和价值函数实现高效规划。
如果共识是谎言呢？测试时的选择性互补强化学习
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University（南京大学）
AI总结 本文提出SCRL框架，通过选择性正伪标签和熵门控负伪标签减少标签噪声影响，提升测试时强化学习的鲁棒性和泛化能力。
Comments Accepted at ACL 2026 Main Conference
理解并强制任务算术中的权重解耦
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） ； University of Wollongong, Australia（沃林根大学，澳大利亚） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
AI总结 本文提出Task-Feature Specialization（TFS）作为权重解耦的根本原理，通过促进权重向量的正交性，提出OrthoReg正则化方法以提升任务算术方法的性能。
Comments CVPR 2026
迈向完全无参数的随机优化：带有自界分析的网格搜索
机构 * National Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家级重点实验室，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） ； Tel Aviv University（特拉维夫大学）
AI总结 本文提出Grasp框架，通过自界分析实现完全无参数的随机优化，在非凸和凸情况下均取得优异收敛率和性能。
FineCog-Nav：整合细粒度认知模块以实现零样本多模态无人机导航
机构 * Northwestern Polytechnical University（西北工业大学） ； Nanjing University（南京大学）
AI总结 本文提出FineCog-Nav框架，通过细粒度认知模块提升无人机零样本多模态导航性能，构建了AerialVLN-Fine基准测试集，实验表明其在指令遵循、长视距规划和环境泛化方面优于基线方法。
Comments Accepted by CVPR 2026 Findings
理解大语言模型中新知识诱导的事实幻觉：分析与解释
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） ； Huawei Translation Services Center（华为翻译服务中心）
AI总结 研究探讨了新知识微调导致的大语言模型事实幻觉现象，通过设计Biography-Reasoning数据集，分析不同知识类型和任务类型中的幻觉表现，发现知识类型中不熟悉程度是幻觉的主要驱动因素。
Comments ACL 2026 Findings
TabularMath: 通过大规模语言模型理解表格上的数学推理
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） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）
AI总结 本文提出TabularMath基准，通过神经符号框架将数学问题转化为可扩展的表格推理任务，揭示表格复杂度、质量及表征对推理性能的影响，发现低质量表格对当前LLM的可靠性构成严重风险。
Comments Accepted by ACL 26
从零到细节：一种渐进式频谱解耦范式用于超高清图像修复的新基准
机构 * State Key Laboratory of Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； Department of Computer Science and Engineering, Michigan State University（计算机科学与工程系，密歇根州立大学） ； School of Computer Science and Technology, Dalian University of Technology（计算机科学与技术学院，大连理工大学）
AI总结 本文提出渐进式频谱解耦范式，通过零频增强、低频修复和高频细化三个阶段提升超高清图像修复效果，并构建了高质量基准数据集LSUHDIR。
Comments TPAMI
CLAW：可组合的语言标注全身运动生成
机构 * Nanjing University（南京大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 CLAW通过结合运动规划和模板引擎，为Unitree G1人形机器人生成可扩展的语言标注全身运动数据，提供实时键盘模式和时间轴序列编辑器，实现物理可行的运动轨迹生成。
OpenMobile: 通过任务和轨迹合成构建开放移动代理
机构 * Nanjing University（南京大学） ； SenseTime（秒速） ； Nanyang Technological University（南洋理工大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文提出OpenMobile框架，通过可扩展的任务合成管道和策略切换策略生成高质量任务指令和轨迹，实现移动代理在AndroidWorld等基准测试中取得显著成绩。
Comments Work in progress
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