高校专区
在3D几何计算机视觉中评估博士级别的编程能力
机构 * AIR, Tsinghua University（清华大学智能产业研究院） ； Qiuzhen College, Tsinghua University（清华大学求真书院） ； BAAI（北京智源人工智能研究院） ； Peking University（北京大学） ； Nanjing University（南京大学） ； University of Toronto（多伦多大学）
AI总结 本文提出GeoCodeBench基准，用于评估3D视觉编程能力。通过精选论文中的任务，生成多样化的测试用例，评估八种模型的性能，揭示当前模型在可靠3D科学编程方面的差距。
Comments Accepted by CVPR 2026; Project page: https://geocodebench.github.io/
ReDiPrune：基于相关性与多样性的预投影令牌剪枝用于高效的多模态大语言模型
机构 * University at Albany, SUNY（纽约州立大学奥尔巴尼分校） ； Peking University（北京大学）
AI总结 ReDiPrune是一种无需训练的预投影令牌剪枝方法，通过选择信息丰富的视觉令牌提升多模态大语言模型的效率与准确性。
StreetTree: 一个大规模全球基准用于细粒度树种分类
机构 * Peking University（北京大学） ； University of Vienna（维也纳大学）
AI总结 本文提出StreetTree，首个大规模全球树种分类基准，包含1200万张图像，涵盖8300种常见树种，用于评估城市环境下的细粒度分类挑战与方法局限。
理解与生成：多模态模型中的优化困境导航
机构 * State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Tencent（腾讯） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心）
AI总结 本文提出R3框架，通过将生成任务分解为生成-理解-生成的多步骤过程，缓解生成与理解之间的优化困境，提升生成效果和理解能力。
Comments Accepted to ICLR2026
SVBench：视频生成模型在社会推理中的评估
机构 * Tsinghua University（清华大学） ； Shanda AI Research Tokyo（盛大人工智能研究院东京） ； Shanghai AI Lab（上海人工智能实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Peking University（北京大学）
AI总结 本文提出SVBench基准，用于评估视频生成模型在社会推理能力上的不足，通过七大核心维度和免训练流程，评估七种先进模型，揭示表面合理性与深层社会推理能力间的差距。
Comments 10pages
通过结构化形式中介学习生成可形式验证的逐步逻辑推理
机构 * Wangxuan Institue of Computer Technology, Peking University（北京大学王选计算机技术研究所）
AI总结 本文提出PRoSFI方法，通过形式验证提升推理可靠性，利用结构化中间步骤和形式证明验证生成可信的逐步推理过程。
Comments 19 pages
VecAttention: 向量级稀疏注意力用于加速长上下文推理
机构 * SCS, Peking University（北京大学计算机科学技术学院） ； Key Lab of HCST (PKU), MOE（高可信软件技术教育部重点实验室（北京大学）） ； Fudan University（复旦大学） ； Alibaba Group（阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出VecAttention，一种向量级稀疏注意力框架，通过动态选择信息向量提升视频模型的精度与效率，实测在视频理解和生成任务中比全注意力快2.65倍，比现有稀疏注意力方法快1.83倍且精度相当。
Comments Accepted at CVPR 2026
mtslearn：用于医疗时间序列的Python机器学习
机构 * Nanjing University of Information Science and Technology（南京信息工程大学） ； National Institute of Health Data Science, Peking University（北京大学健康医疗大数据国家研究院） ； School of Health Humanities, Peking University Health Science Center（北京大学医学人文学院） ； Institute of Medical Technology, Peking University Health Science Center（北京大学医学技术研究院） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； School of Business English, Sichuan International Studies University（四川外国语大学商务英语学院） ； School of Clinical Medicine, Chengdu Medical College（成都医学院临床医学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； State Key Laboratory of Vascular Homeostasis and Remodeling, NHC Key Laboratory of Cardiovascular Molecular Biology and Regulatory Peptides, Peking University（北京大学血管稳态与重构全国重点实验室、国家卫生健康委员会心血管分子生物学与调节肽重点实验室）
AI总结 本文提出mtslearn，一个专为医疗时间序列设计的端到端工具包，通过统一数据接口和模块化设计，简化数据处理流程，降低临床人员使用门槛，促进先进算法在临床实践中的应用。
PSPA-Bench：面向智能手机GUI代理的个性化基准
机构 * Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究院）
AI总结 本文提出PSPA-Bench，用于评估智能手机GUI代理的个性化能力，通过12855条个性化指令和22款移动应用，揭示现有方法在个性化场景下的不足，并提出改进方向。
Comments 28 pages
SkillTester：智能体技能的评估与安全性的基准测试
机构 * Key Laboratory of High Confidence Software Technologies, Ministry of Education, Peking University（高可信软件技术教育部重点实验室（北京大学）） ； Northwestern Polytechnical University（西北工业大学）
AI总结 SkillTester通过对比原则和用户友好原则，评估智能体技能的实用性和安全性，提供标准化评分和安全状态标签，旨在提升智能体技能的质量保障。
Comments Technical report, 13 pages, 2 figures, 9 tables. Project page: https://skilltester.ai. Code: https://github.com/skilltester-ai/skilltester
面向政策适应的图像防护：基准与方法
机构 * Fudan University（复旦大学） ； Tencent（腾讯） ； Peking University（北京大学）
AI总结 本文提出SafeGuard-VL方法，通过强化学习与可验证奖励提升图像防护的政策适应能力，并通过SafeEditBench基准测试验证其有效性。
MA-SAPO：多智能体推理用于评分感知提示优化
机构 * Enhans ； Peking University（北京大学） ； Fudan University（复旦大学） ； University of North Texas（北德克萨斯大学）
AI总结 本文提出MA-SAPO框架，通过多智能体推理将评估结果与针对性改进联系起来，提升提示优化的可解释性和可控性，实验表明其在多个评估指标上优于现有方法。
Comments Preprint
统一多模态模型作为自编码器
机构 * Shenzhen Graduate School, Peking University（北京大学深圳研究生院） ； Baidu（百度） ； Rabbitpre AI（兔展智能） ； SYSU（中山大学） ； USTC（中国科学技术大学） ； CASIA（中国科学院自动化研究所）
AI总结 本文提出统一GRPO方法，通过强化学习联合优化图像到文本和文本到图像任务，利用重建奖励提升语义一致性，增强多模态协同效果。
动态网络的在线设计
机构 * Peking University（北京大学） ； Institut Polytechnique de Paris（巴黎理工学院）
AI总结 本文提出一种基于蒙特卡洛树搜索的滚动时间规划方法，用于动态网络的在线设计，通过实时调整公交线路以适应随机需求，提升系统性能。
Comments 14 pages
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