Northeastern University（东北大学）

SpanVLA: Efficient Action Bridging and Learning from Negative-Recovery Samples for Vision-Language-Action Model

SpanVLA: 一种高效的视觉-语言-动作模型，通过负样本恢复学习实现动作桥接与学习

Zewei Zhou, Ruining Yang, Xuewei, Qi, Yiluan Guo, Sherry X. Chen, Tao Feng, Kateryna Pistunova, Yishan Shen, Lili Su, Jiaqi Ma

机构 * University of California, Los Angeles, USA（加州大学洛杉矶分校） ； Motional, USA（Motional公司） ； Northeastern University, USA（东北大学） 纠错

AI总结 本文提出SpanVLA，一种端到端自动驾驶框架，结合自回归推理与流匹配动作专家，通过高效桥接和负样本恢复学习提升推理效率和鲁棒性。

Comments Project page: https://spanvla.github.io/

DUALVISION: RGB-Infrared Multimodal Large Language Models for Robust Visual Reasoning

DUALVISION：用于鲁棒视觉推理的RGB-红外多模态大语言模型

Abrar Majeedi, Zhiyuan Ruan, Ziyi Zhao, Hongcheng Wang, Jianglin Lu, Yin Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon（亚马逊） ； Northeastern University（东北大学） 纠错

AI总结 本文提出DUALVISION，通过局部化交叉注意力融合IR-RGB信息，提升多模态大语言模型在视觉退化条件下的性能，并引入DV-204K和DV-500数据集进行评估。

Comments Accepted at CVPR Findings 2026

NameBERT: Scaling Name-Based Nationality Classification with LLM-Augmented Open Academic Data

NameBERT: 通过LLM增强的开放学术数据扩展基于名称的国籍分类

Cong Ming, Ruixin Shi, Yifan Hu

机构 * Northeastern University, United States（美国东北大学） 纠错

AI总结 本文提出NameBERT，利用LLM增强开放学术数据构建大规模名称-国籍数据集，通过生成低资源国家名称提升分类性能，实现高效且准确的国籍分类。

Comments 12 pages, 3 figures, 8 tables; accepted at the 39th Canadian Conference on Artificial Intelligence (Canadian AI 2026)

Journal ref Proceedings of Machine Learning Research 318 (2026)

Fine-tuning DeepSeek-OCR-2 for Molecular Structure Recognition

为分子结构识别微调DeepSeek-OCR-2

Haocheng Tang, Xingyu Dang, Junmei Wang

机构 * Department of Computer Science, Princeton University, Princeton, NJ, USA（普林斯顿大学计算机科学系） ； School of Pharmacy, University of Pittsburgh, Pittsburgh, PA, USA（匹兹堡大学药学院） ； Khoury College of Computer Science, Northeastern University, Boston, MA, USA（东北大学Khoury计算机科学学院） ； Computational Chemical Genomics Screening Center, University of Pittsburgh, Pittsburgh, PA, USA（匹兹堡大学计算化学基因组筛选中心） 纠错

AI总结 本文提出通过图像条件生成SMILES的方法微调DeepSeek-OCR-2，采用分阶段监督微调策略提升稳定性，训练数据结合合成图像和专利图像，模型在精确匹配上表现良好但不如图结构模型。

Mitigating Judgment Preference Bias in Large Language Models through Group-Based Polling

通过基于群体的轮询缓解大语言模型中的判断偏好偏差

Shuliang Liu, Zhipeng Xu, Zhenghao Liu, Yukun Yan, Minghe Yu, Yu Gu, Chong Chen, Huiyuan Xie, Ge Yu

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，中国沈阳） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系，中国北京） ； Software College, Northeastern University, Shenyang, China（东北大学软件学院，中国沈阳） ； Huawei, China（华为，中国） 纠错

AI总结 本文提出Genii框架，通过多智能体协作优化缓解LLM判断偏好偏差，无需人工标注数据，提升评估性能。

Who Benefits from AI? Self-Selection, Skill Gap, and the Hidden Costs of AI Feedback

谁从AI中受益？自我选择、技能差距和AI反馈的隐性成本

Christoph Riedl, Eric Bogert

机构 * D'Amore-McKim School of Business, Northeastern University（德阿莫-麦克金商学院，东北大学） 纠错

AI总结 研究探讨了个体在AI反馈中的自我选择行为如何影响学习效果和群体结果，发现高技能个体更倾向于使用AI反馈，导致技能差距扩大和智力多样性下降。

Will the Prince Get True Love's Kiss? On the Model Sensitivity to Gender Perturbation over Fairytale Texts

王子会得到真爱之吻吗？关于童话文本上性别扰动对模型敏感性的研究

Christina Chance, Da Yin, Dakuo Wang, Kai-Wei Chang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Northeastern University（东北大学） 纠错

AI总结 本文研究语言模型在理解故事时是否受习得的性别刻板印象影响，通过反事实数据增强探讨模型对性别刻板印象扰动的响应，发现模型在测试集上对性别扰动敏感，但经过反事实训练后更鲁棒。