高校专区
三思而后行：将树搜索提炼为冻结视觉语言动作模型的动作评估
机构 * Nanjing University（南京大学） ； Australian National University（澳大利亚国立大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nvidia（英伟达）
AI总结 研究发现视觉语言动作（VLA）模型泛化能力差的关键瓶颈在于动作评估。提出SVA框架，通过蒙特卡洛树搜索探索输出分布，将知识提炼到轻量级Q值模型，提升任务成功率，且保持泛化能力。
将交错多模态推理作为统一决策过程进行衔接
机构 * Nanjing University（南京大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Washington（华盛顿大学） ； The Chinese University of Hong Kong（香港中文大学） ； Australian National University（澳大利亚国立大学）
AI总结 研究统一多模态模型中强化学习优化多轮生成的问题，提出BRAID框架，将文本-图像-文本推理视为统一马尔可夫决策过程，通过单一强化学习目标联合优化文本和视觉生成，实验表明该框架性能优于基线。
Comments 22 pages, 8 figures
CoRE-VLA：通过专家的条件路由实现可扩展且稳健的视觉-语言-动作建模
机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Jilin University（吉林大学）
AI总结 研究视觉-语言-动作模型在实际部署中的挑战，提出CoRE-VLA框架，通过上下文条件稀疏计算生成动作，利用传感器可用性和任务意图进行专家路由，实验证明其在多任务等方面表现出色。
CL-Anomaly：用于异常检测中持续学习的具有多模态大语言模型的层自适应专家混合模型
机构 * Nanjing University（南京大学） ； China Mobile Zijin Innovation Institute（中国移动紫金创新研究院） ； Nanjing University of Science and Technology（南京理工大学）
AI总结 针对多模态大语言模型持续学习计算昂贵及现有方法语义纠缠问题，提出CL-Anomaly框架，用隔离共享协作实现参数高效微调，介绍任务私有专家PrivLoRA等，实验表明其性能优于现有方法。
分层反美学：保护面部隐私免受定制扩散模型侵害
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； China Mobile Information Technology Co., Ltd.（中国移动信息科技有限公司） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), Center for Research on Intelligent Perception and Computing (CRIPAC), Institute of Automation Chinese Academy of Sciences (CASIA)（多模态人工智能系统国家重点实验室（MAIS）、智能感知与计算研究中心（CRIPAC）、中国科学院自动化研究所（CASIA））
AI总结 提出分层反美学框架，通过全局和局部反美学奖励机制降低定制扩散模型的生成质量，从而保护面部隐私。
Comments arXiv admin note: text overlap with arXiv:2504.12129
WorldRoamBench：交互式世界模型长时稳定性的开放世界基准
机构 * AMAP CV Lab, Alibaba Group（阿里巴巴集团AMAP CV实验室） ； Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Peking University（北京大学）
AI总结 提出WorldRoamBench基准，从动作、视觉、物理和记忆四维度评估交互式世界模型的长时稳定性，包含600+测试用例，揭示现有模型在所有维度均不理想。
增强视听视频字幕的时间与跨模态对齐
机构 * Nanjing University, State Key Laboratory for Novel Software Technology（南京大学，计算机软件新技术国家重点实验室） ； Meituan（美团）
AI总结 提出TCA-Captioner框架，通过观察-检查-纠正迭代策略和密集交互数据集，解决视听字幕中的模态分离与时间不一致问题，实现精准的视听绑定与因果动态建模。
Comments ECCV 2026
GaussianEmoTalker：基于音频驱动和混合形状的3D高斯泼溅实时情感说话头合成
机构 * PCA Lab, Key Lab of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education, School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院，教育部高维信息智能感知与系统重点实验室，PCA实验室） ； Tsientang Institute for Advanced Study（浙江大学前沿交叉研究院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）
AI总结 提出GaussianEmoTalker框架，利用3D高斯泼溅和混合形状，通过中性到情感残差变形实现实时、可控强度的情感说话头合成，兼顾唇同步与渲染质量。
UniTacVLA：视觉语言动作模型中的统一触觉理解与预测
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Great Bay University（大湾区大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics
AI总结 提出统一触觉学习框架，通过触觉链式推理和由粗到细的未来触觉预测构建状态与动力学感知先验，并设计触觉-动作混合控制器，在接触丰富操作任务中提升成功率、精度和鲁棒性。
具身CAD：基于求解器的LLM代理用于参数化B-Rep装配建模
机构 * Nanjing University（南京大学）
AI总结 提出Embodied CAD框架，通过分层技能库和求解器反馈，让LLM代理迭代生成并修复参数化B-Rep装配模型，实现高可执行率和任务完成率。
Comments This paper contains 12 pages, 7 figures. This is an original unpublished manuscript submitted to the arXiv preprint server, with no prior publication or conference presentation
OTCache: 扩散模型中的几何感知缓存的最优传输
机构 * Data Science & Artificial Intelligence Research Institute, China Unicom（中国联通数据科学与人工智能研究院） ； Unicom Data Intelligence, China Unicom（中国联通联通数据智能） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
AI总结 提出OTCache，一种无需训练的扩散采样加速框架，通过最优传输预测缓存调度，在低NFE区域优于图方法，实现4.5倍以上加速并保持生成质量。
Comments ECCV 2026
基于级联扩散先验和UV空间可微分着色的单目虚拟人重建
机构 * Beihang University（北航） ； Great Wall Motors（长城汽车） ； CUHK-Shenzhen（香港科技大学深圳研究院） ； HKUST（香港科技大学） ； Nanjing University（南京大学） ； Wuhan University（武汉大学） ； Zhejiang University（浙江大学） ； KAUST（王国 Abdullah 基础科学研究院） ； Tsinghua University（清华大学）
AI总结 提出数据高效框架，利用统一预训练扩散模型的鲁棒先验，通过级联LoRA依次处理纹理补全、去光照和材质分解，结合UV空间可微分BRDF着色损失，从单张野外图像重建高保真可重光照3D虚拟人。
Comments Accepted by ECCV 2026. Project page: https://luh1124.github.io/MARCUS-Avatar-Projectpage/
OrthoTryOn：面向无冲突统一时尚生成的几何正交化
机构 * PCA Lab, School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院PCA实验室） ； PCA Lab, School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院PCA实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出OrthoTryOn框架，通过正交子空间投影和Fisher引导负向引导解决统一时尚生成中任务间梯度冲突，实现多任务协同优化。
Comments Accepted by ECCV2026
PhyEditBench: 一个用于物理感知图像编辑的真实世界多阶段基准
机构 * Nanjing University（南京大学） ； SDU（山东大学） ； HRBEU（哈尔滨工程大学） ； SDUTCM（山东中医药大学） ； USTC（中国科学技术大学）
AI总结 提出PhyEditBench基准，通过分层分类和真实/反物理实例评估编辑模型的物理理解能力，并引入训练无关基线PhyWorld利用视频生成推理。
Comments 19 pages, 6 figures, 2 tables. Accepted to ECCV 2026
PressMimic: 压力引导的动作捕捉与控制用于人形机器人模仿
机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； Key Laboratory of Optoelectronic Devices and Systems with Extreme Performances of MOE, Nanjing University（南京大学极端性能光电技术与系统教育部重点实验室） ； BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
AI总结 提出PressMimic框架，通过压力模态融合RGB估计3D姿态和全局运动，并利用压力监督策略实现物理一致的接触模式，提升人形机器人模仿的准确性和稳定性。
先擦除后增量注意力：在Delta规则线性注意力中解耦擦除与写入地址
机构 * Qwen Team（Qwen团队） ； Nanjing University（南京大学） ； Zhejiang University（浙江大学）
AI总结 提出Erase-then-Delta Attention (EDA)，通过解耦擦除和写入地址，在Delta规则基础上增加选择性擦除步骤，提升循环记忆模型的记忆管理能力，在2.5B密集和MoE 25B-A2.8B模型上取得最优性能。
MiniOpt: 在有限资源下推理建模与求解通用优化问题
机构 * East China Normal University（华东师范大学） ； AntGroup（蚂蚁集团） ； Southern University of Science and Technology（南方科技大学） ； Nanjing University（南京大学）
AI总结 提出MiniOpt强化学习框架，通过“推理-建模-求解”范式，结合层次化奖励函数OptReward和优化导向策略优化，使3B参数模型在多种优化问题上达到强泛化，且训练资源需求低。
Comments 20 pages, 9 figures, 11 tables, project: https://github.com/Hsiang-1/MiniOpt
EvoEmbedding: 面向长上下文检索与智能体记忆的可演化表示
机构 * Nanjing University（南京大学）
AI总结 提出EvoEmbedding模型，通过持续更新的潜在记忆生成可演化嵌入，实现基于动态上下文的检索，在长上下文基准上超越更大规模模型，并泛化到下游任务。
Comments Project Page: https://clare-nie.github.io/EvoEmbedding
JetFlow: 通过并行树草稿突破推测解码的缩放上限
机构 * UC San Diego（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Nanjing University（南京大学） ； StepFun（阶跃星辰）
AI总结 提出JetFlow框架，通过因果并行草稿头结合树推测解码，将更大草稿预算转化为更长接受前缀和更高端到端加速，在Qwen3模型上实现最高9.64倍加速。
TriViewBench: 多视图结构推理中受控复杂度缩放
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
AI总结 提出TriViewBench基准，通过合成3D场景控制物体数量和遮挡，评估18个多模态大模型在多视图推理中的能力层次和性能退化，发现跨视图空间表示是瓶颈。
Comments 26 pages, 8 figures
基于技能划分与复用的离线多智能体持续协作
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） ； Polixir Technologies.（Polixir技术公司） ； Kuang Yaming Honors School, Nanjing University（匡杨明荣誉学院，南京大学）
AI总结 提出COMAD框架，通过自编码器从离线数据中发现可复用技能，并利用密度估计器指导优势函数，解决多智能体持续学习中的灾难性遗忘和干扰问题。
Comments 29 pages, 12 figures, ICML 2026
探索双元元学习以增强开放集场景中的域泛化
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）
AI总结 针对开放集域泛化中未知类识别和决策边界偏移问题，提出双元元学习联合域类匹配策略（MEDIC），通过隐式梯度匹配同时优化域间和类间任务分割，实现平衡边界，在开放集和闭集场景均表现优异。
RARM：基于置信度门控的进展奖励建模用于操作中的强化学习
机构 * NUS Human-Centered Robotic Lab（新加坡国立大学人机共融机器人实验室） ； University of Cambridge（剑桥大学） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
AI总结 提出参考锚定奖励模型（RARM），通过对比时间目标从通用视频中学习，将单个成功演示转化为密集进展奖励，并在部署时通过置信度门控抑制虚假正奖励，在长时域操作任务中显著提升强化学习成功率。
SER: 用语义证据奖励学习视频推理定位
机构 * Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai AI Laboratory（上海人工智能实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究院）
AI总结 提出语义证据奖励（SER），通过将时空证据定位重构为约束验证任务，利用裁判VLM评估证据的相关性和定位质量，在V-STAR基准上提升3.0点mLGM。
社会结构在三维人-人交互生成中的重要性
机构 * University of New South Wales（新南威尔士大学） ； National University of Singapore（新加坡国立大学） ； NVIDIA（英伟达） ； Nanjing University（南京大学） ； University of Technology Sydney（悉尼科技大学） ； Australian National University（澳大利亚国立大学）
AI总结 提出Solo-to-Social框架，利用LLM规划社会结构（阶段分解、角色分配）并指导运动执行器生成协调的双人3D运动，解决文本驱动的人-人交互生成问题。
TEXEDO：面向控制器感知的语言条件人形运动生成的测试时缩放
机构 * Nanjing University（南京大学） ； University of California, Berkeley（加州大学伯克利分校） ； Southern University of Science and Technology（南方科技大学）
AI总结 提出TEXEDO框架，在测试时从预训练生成器中采样多个候选运动，通过动态可行性验证和语义对齐验证选择可执行且任务对齐的最佳运动，提升人形机器人运动生成质量。
Wh0: 生成式世界模型作为自我中心人类手部操作数据的可扩展来源
机构 * Shanghai Innovation Institute（上海创新研究院） ； Nanjing University（南京大学） ； Shanghai Jiaotong University（上海交通大学）
AI总结 提出Wh0框架，利用生成式视频世界模型产生自我中心人-物交互数据集WM-H，通过手部运动重建和视觉编辑转化为机器人可训练监督，提升预训练灵巧VLA模型在真实任务上的零样本成功率。
Comments Under review. The first three authors contributed equally to this work
LOLLA: 面向GPU加速AI-RAN的闭环链路自适应深度强化学习
机构 * School of Information and Communication Engineering, University of Electronic Science and Technology of China（电子科技大学信息与通信工程学院） ； Yangtze Delta Region Institute (Quzhou), University of Electronic Science and Technology of China（电子科技大学阳澄湖地区研究院（衢州）） ； State Key Laboratory of Novel Software Technology, Nanjing University（南京大学软件新技术国家重点实验室） ； School of Intelligent Software and Engineering, Nanjing University (Suzhou Campus)（南京大学智能软件与工程学院（苏州校区））
AI总结 提出LOLLA框架，用深度强化学习替代传统OLLA，基于丰富PHY/MAC遥测生成连续SINR偏移，在GPU加速5G NR栈上实现亚500微秒闭环控制，吞吐量提升15%-92%。
Comments 14 pages, 7 figures
从片段到路径：大型工业代码库的任务级上下文恢复
机构 * AMAP, Alibaba Group（阿里集团AMAP） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； University of Cambridge（剑桥大学）
AI总结 提出DeepDiscovery方法，通过两阶段定位-推理框架在预算约束下恢复任务级上下文，显著提升大型工业代码库的文件检索和下游软件工程任务性能。
Comments 12 pages, 3figures
CLI-Universe：面向终端代理的可验证任务合成引擎
机构 * Nanjing University（南京大学） ； StepFun（阶跃星辰） ； ZODA ； Shanghai AI Lab（上海人工智能实验室） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 提出CLI-Universe引擎，通过多维能力分类采样和证据引导研究生成终端代理任务，经多阶段可执行验证流水线筛选，构建高质量数据集CLI-Universe-6K，微调Qwen3-32B在Terminal-Bench 2.0上达到33.4%的SOTA。
Comments 20 pages, 5 figures, 3 tables. Preprint
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