Peking University（北京大学）

StreamCacheVGGT: Streaming Visual Geometry Transformers with Robust Scoring and Hybrid Cache Compression

StreamCacheVGGT：具有鲁棒评分和混合缓存压缩的流式视觉几何变换

Xuanyi Liu, Chunan Yu, Deyi Ji, Qi Zhu, Lingyun Sun, Xuanfu Li, Jin Ma, Tianrun Chen, Lanyun Zhu

机构 * Peking University（北京大学） ； Nanjing University of Science and Technology（南京理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； Huawei（华为） ； Tongji University（同济大学） 纠错

AI总结 本文提出StreamCacheVGGT框架，通过Cross-Layer Consistency-Enhanced Scoring和Hybrid Cache Compression模块，解决流式视频中稳定重建密集3D几何的问题，实现高精度和稳定性。

Splats in Splats++: Robust and Generalizable 3D Gaussian Splatting Steganography

Splats in Splats++: 一种鲁棒且通用的3D高斯点云隐写框架

Yijia Guo, Wenkai Huang, Tong Hu, Gaolei Li, Yang Li, Yuxin Hong, Liwen Hu, Xitong Ling, Jianhua Li, Shengbo Chen, Tiejun Huang, Lei Ma

机构 * State Key Laboratory of Multimedia Information Processing and National Engineering Research Center of Visual Technology, School of Computer Science, Peking University（多媒体信息处理国家重点实验室和视觉技术国家工程研究中心、计算机科学学院，北京大学） ； Shanghai Key Laboratory of Integrated Administration Technologies for Information Security, School of Computer Science, Shanghai Jiao Tong University（信息安全集成管理技术上海市重点实验室、计算机科学学院，上海交通大学） ； National Biomedical Imaging Center, College of Future Technology, Peking University（生物医学成像国家中心、未来技术学院，北京大学） ； School of Software, Nanchang University（软件学院，南昌大学） ； Institute of Biopharmaceutical and Health Engineering, Tsinghua Shenzhen International Graduate School, Tsinghua University（生物制药与健康工程研究院，清华大学深圳国际研究生院） 纠错

AI总结 本文提出一种统一的隐写框架，通过在3DGS表示中直接嵌入高容量3D/4D内容，实现安全高效的隐写，同时提升鲁棒性和通用性。

Discover and Prove: An Open-source Agentic Framework for Hard Mode Automated Theorem Proving in Lean 4

发现与证明：一个开源代理框架用于Lean 4中的硬模式自动定理 proving

Chengwu Liu, Yichun Yin, Ye Yuan, Jiaxuan Xie, Botao Li, Siqi Li, Jianhao Shen, Yan Xu, Lifeng Shang, Ming Zhang

机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, PKU-Anker LLM Lab, Peking University（信息处理国家重点实验室，计算机科学学院，PKU-Anker LLM实验室，北京大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； School of Software & Microelectronics, Peking University（软件与微电子学院，北京大学） ； School of Electronics Engineering and Computer Science, Peking University（电子工程与计算机科学学院，北京大学） 纠错

AI总结 本文提出DAP框架，通过LLM自然语言推理与自我反思发现答案，并将硬模式问题转换为易模式问题以提升自动定理证明性能，实现了CombiBench和PutnamBench上的显著提升。

Comments ACL 2026 Main Conference

From Seeing to Simulating: Generative High-Fidelity Simulation with Digital Cousins for Generalizable Robot Learning and Evaluation

从感知到模拟：利用数字亲属进行生成高保真模拟，用于可推广的机器人学习与评估

Jasper Lu, Zhenhao Shen, Yuanfei Wang, Shugao Liu, Shengqiang Xu, Shawn Xie, Jingkai Xu, Feng Jiang, Jade Yang, Chen Xie, Ruihai Wu

机构 * Peking University（北京大学） ； Lightwheel 纠错

AI总结 本文提出一种生成框架，将真实世界全景映射到高保真模拟场景，并通过语义和几何编辑合成多样化的亲属场景，结合高质量物理引擎和真实资产，支持交互式操作任务，并通过多房间拼接构建一致的大规模环境，验证了平台的保真度和数据扩展对泛化能力的提升。

MEDSYN: Benchmarking Multi-EviDence SYNthesis in Complex Clinical Cases for Multimodal Large Language Models

MEDSYN：多证据合成在复杂临床病例中的基准测试用于多模态大语言模型

Boqi Chen, Xudong Liu, Jiachuan Peng, Marianne Frey-Marti, Bang Zheng, Kyle Lam, Lin Li, Jianing Qiu

机构 * ETH Zurich（苏黎世联邦理工学院） ； MBZUAI（马克斯·普朗克人工智能研究所） ； Amazon（亚马逊） ； University of Oxford（牛津大学） ； University of Bern（伯尔尼大学） ； Imperial College London（伦敦帝国理工学院） ； Peking University（北京大学） 纠错

AI总结 MEDSYN是一个多语言、多模态的复杂临床病例基准测试，用于评估多模态大语言模型在差分诊断和最终诊断中的表现，揭示模型在异质临床证据合成中的不足。

AscendKernelGen: A Systematic Study of LLM-Based Kernel Generation for Neural Processing Units

AscendKernelGen: 一种针对神经处理单元的LLM基内核生成系统研究

Xinzi Cao, Jianyang Zhai, Pengfei Li, Zhiheng Hu, Cen Yan, Bingxu Mu, Guanghuan Fang, Bin She, Jiayu Li, Yihan Su, Dongyang Tao, Xiansong Huang, Fan Xu, Feidiao Yang, Yao Lu, Chang-Dong Wang, Yutong Lu, Weicheng Xue, Bin Zhou, Yonghong Tian

机构 * Pengcheng Laboratory（鹏城实验室） ； Huawei（华为） ； Sun Yat-sen University（中山大学） ； Peking University（北京大学） 纠错

AI总结 本文提出AscendKernelGen框架，通过引入Ascend-CoT数据集和KernelGen-LM模型，提升NPU内核生成效率与正确性，实验显示复杂内核编译成功率从0%提升至95.5%。

Comments 33 pages,7 figures,16 tables

Not All Tokens Matter: Towards Efficient LLM Reasoning via Token Significance in Reinforcement Learning

并非所有标记都重要：通过强化学习中的标记重要性实现高效的LLM推理

Hanbing Liu, Lang Cao, Yuanyi Ren, Mengyu Zhou, Haoyu Dong, Xiaojun Ma, Shi Han, Dongmei Zhang

机构 * Tsinghua University（清华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Peking University（北京大学） ； Qwen Large Model Application Team, Alibaba（阿里云文大模型应用团队） ； Microsoft（微软） ； Shenzhen Key Laboratory of Ubiquitous Data Enabling, Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院 ubiquitous 数据赋能重点实验室） 纠错

AI总结 本文提出通过标记重要性优化强化学习，减少冗余并提升LLM推理效率和准确性，实验显示响应长度显著缩短且正确性保持或提升。

SelfBudgeter: Adaptive Token Allocation for Efficient LLM Reasoning

SelfBudgeter：面向高效大语言模型推理的自适应令牌分配

Zheng Li, Qingxiu Dong, Jingyuan Ma, Di Zhang, Kai Jia, Zhifang Sui

机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； BandAI, Bytedance（字节跳动BandAI） 纠错

AI总结 本文提出SelfBudgeter策略，通过自适应预算分配提升LLM推理效率，实验显示在数学推理任务中平均响应长度压缩61%并保持准确性。