高校专区
TRACE-Bot：通过隐式语义表示和AIGC增强的行为模式检测新兴的LLM驱动社交机器人
机构 * Sichuan University（四川大学） ； Peking University（北京大学）
AI总结 本文提出TRACE-Bot框架，通过联合建模隐式语义表示和AIGC增强的行为模式，有效检测新兴LLM驱动社交机器人，实验表明其在两个公开数据集上达到98.46%和97.50%的准确率。
PAM：一种用于仿真到现实手-物体互动视频生成的姿态-外观-运动引擎
机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； BAAI（北京智源人工智能研究院） ； SJTU（上海交通大学） ； Eastern Institute of Technology（东方理工高等研究院） ； University of Cambridge（剑桥大学）
AI总结 本文提出PAM引擎，整合姿态、外观和运动生成可控的HOI视频，通过实验验证其在DexYCB和OAKINK2数据集上的性能优势。
Comments Accepted to CVPR 2026 Code: https://github.com/GasaiYU/PAM
重新思考跨域红外小目标检测中的表示方法：从频域视角提出的一种通用性视角
机构 * Department of Mathematics, Hong Kong Baptist University（香港浸会大学数学系） ； School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）
AI总结 本文从频域视角重新思考红外小目标检测中的表示方法，提出S²CPNet网络以解决跨域检测中的领域差异问题，通过相位校正模块和正交注意力机制提升模型在不同领域中的泛化能力。
Comments The code will be released at https://github.com/fuyimin96/S2CPNet upon acceptance
后验优化与截断目标：在生成策略学习中平衡效率与稳定性
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； CFCS, School of Computer Science, Peking University（北京大学计算机学院前沿计算研究中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 本文提出POCO框架，通过后验推断方法改进策略，结合离线到在线范式，提升生成模型在机器人操控中的稳定性和效率，实验证明其在多个任务中表现优异。
GVGS: 基于高斯可见性感知的多视角几何用于准确表面重建
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）
AI总结 本文提出GVGS方法，通过显式建模高斯体的可见性，改进多视角几何一致性，提升表面重建精度，实验表明优于现有基于高斯的方法。
M3-BENCH：混合动机游戏中LLM代理社会行为过程感知评估
机构 * Peking University（北京大学） ； National Key Laboratory of Data Space Technology and System（数据空间技术与系统全国重点实验室）
AI总结 M3-BENCH通过24个混合动机游戏，从行为轨迹、推理过程和沟通内容三个视角评估LLM代理的社会能力，揭示了仅关注结果的评估方法无法捕捉到的社交能力差异，尤其是推理模型在内部 deliberation 与有效沟通之间的矛盾。
WFR-FM：无模拟动态不平衡最优传输
机构 * LMAM and School of Mathematical Sciences, Peking University（北京大学数学科学学院及数学及其应用实验室） ； Center for Quantitative Biology, Peking University（北京大学定量生物学中心） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； NSF-Simons Center for Multiscale Cell Fate Research, University of California, Irvine（加州大学尔湾分校NSF-Simons多尺度细胞命运研究中心） ； Department of Developmental and Cell Biology, University of California, Irvine（加州大学尔湾分校发育与细胞生物学系） ； Department of Mathematics, University of California, Irvine（加州大学尔湾分校数学系） ； National Engineering Laboratory for Big Data Analysis and Applications, Beijing（北京大数据分析与应用技术国家工程实验室） ； AI for Science Institute, Beijing（北京科学智能研究院）
AI总结 WFR-FM通过结合位移与质量变化，统一了流匹配与动态不平衡最优传输，解决了传统方法不稳定、计算成本高和难以扩展的问题，提升了单细胞生物学中轨迹推断的准确性和鲁棒性。
Journal ref International Conference on Learning Representations (2026)
DR-LoRA：动态秩LoRA用于混合专家模型的微调
机构 * City University of Hong Kong（香港城市大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Michigan（密歇根大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 DR-LoRA通过动态分配不同秩的LoRA模块，提升混合专家模型微调效果，实验表明其优于传统方法。
Vi-TacMan：通过视觉和触觉进行关节物体操作
机构 * Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理与认知科学学院） ； State Key Lab of General AI, Peking University（北京大学通用人工智能国家重点实验室） ； Beijing Key Laboratory of Behavior and Mental Health, Peking University（北京大学行为与心理健康北京市重点实验室） ； LeapZenith AI Research（跃臻人工智能研究院） ； Embodied Intelligence Lab, PKU-Wuhan Institute for Artificial Intelligence（北京大学武汉人工智能研究院具身智能实验室）
AI总结 本文提出Vi-TacMan，结合视觉和触觉反馈实现关节物体的精确操控，通过表面法线作为几何先验并利用von Mises-Fisher分布建模方向，显著优于基线方法，且无需显式运动学模型。
Comments ICRA 2026
在合适水平上发言：基于RAG-RL的识字率控制反驳生成
机构 * University of North Texas（北德克萨斯大学） ； Peking University（北京大学）
AI总结 本文提出基于RAG-RL的识字率控制框架，生成适应不同健康识字水平的定制化反驳内容，提升信息可及性和有效性。
Comments Accepted at Findings of EMNLP 2025
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025
图池化全面基准：有效性、鲁棒性和泛化性
机构 * University of Chicago（芝加哥大学） ； Peking University（北京大学） ； Nankai University（南开大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文构建了包含17种图池化方法和28个图数据集的全面基准，系统评估了图池化方法在有效性、鲁棒性和泛化性三方面的性能，通过不同任务和噪声攻击实验验证其强大能力。
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