Peking University（北京大学）

AutoDesign: Meta-Harness Optimization for Long-Horizon Agentic Design

AutoDesign：面向长视距智能体设计的元工具优化

Yaxin Luo, Haobin Jiang, Jialv Zou, Xu Huang, Wenhao Yan, Haodong Li, Zhengrong Yue, Jing Li, Xiaofu Chen, Xiaohan Zhao, Jiacheng Liu, Jiacheng Cui, Zhiqiang Shen, Xiaotong Li

机构 * Meituan（美团） ； MBZUAI（Mohamed bin Zayed University of Artificial Intelligence） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 AutoDesign是符合人类设计先验的元工具优化框架，以论文转海报生成任务为实例，在PosterBench上性能优于Claude Design，集成其学习的DesignHarness可提升代码智能体性能，且获人类最高偏好。

Comments Tech Report. Code at: https://github.com/Yaxin9Luo/AutoDesign

HumanTracker: Towards Comprehensive and Human-Aligned Motion Tracking Benchmark

HumanTracker：面向全面且与人类对齐的运动跟踪基准

Dairu Liu, Zekun Qi, Jiayu Zeng, Ruixi Yu, Yu Guan, Yintianrun Zhang, Xuchuan Chen, Sikai Liang, Zekai Li, Chenghuai Lin, Xinqiang Yu, Wenyao Zhang, He Wang, Li Yi

机构 * Nankai University（南开大学） ； Tsinghua University（清华大学） ； Galbot ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； Shanghai Qi Zhi Institute（上海启智研究院） 纠错

AI总结 针对人形运动跟踪评估与人类感知不符、基准多样性不足的问题，提出HumanTracker基准及偏好对齐指标HumanScore，该指标可更好预测人类偏好并揭示运动学指标遗漏的接触与稳定性故障。

Comments Accepted to ECCV 2026

SAEVerbalizer: Generating Explanations for Sparse Autoencoder Features via Representation Verbalization

SAEVerbalizer：通过表示 verbalization 为稀疏自编码器特征生成解释

Weihan Meng, Hongzhu Guo, Yi Jing, Dewen Liu, Zijun Yao, Xiaozhi Wang, Lei Hou, Juanzi Li

机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Fudan University（复旦大学） 纠错

AI总结 该研究提出 SAEVerbalizer 框架，通过微调 LLM 下游层生成 SAE 特征的自然语言解释，解决了传统解释方法的表面性与低效率问题，其 verbalization 能力可泛化、迁移并扩展到不同 LLM 的 SAE 特征。

Active-Trace Complexity Bounds for Moreau--Yosida Unadjusted Langevin Sampling

Moreau-Yosida未校正朗之万采样的活动迹复杂度界

Yuchen Xin, Zhihua Zhang

机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） 纠错

AI总结 该研究针对非光滑复合目标的MYULA，推导其离散化误差由参考活动迹控制，证明Moreau偏差界，给出迭代次数复杂度，针对结构化惩罚得到更优的精度依赖关系。

vToken: Token-Level Virtualization for Reclaimable KV Caches

vToken：用于可回收KV缓存的令牌级虚拟化技术

Yuanhang Gao, Xiangrui Yang, Yuanfeng Chen, Hongjia Chen, Qianru Lv, Wenfei Wu, Dongsheng Li

机构 * National University of Defense Technology（国防科技大学） ； Peking University（北京大学） 纠错

AI总结 vToken是一种轻量级令牌级虚拟化层，可解耦逻辑令牌活性与物理块放置，在保留PagedAttention兼容性的同时，提升KV缓存回收效率与服务吞吐量，降低策略集成代码量。

AMR-Pose: An Active LED Marker-Based Relative Pose Estimation Framework With Probabilistic Switching PnP for Cooperative AUVs

AMR-Pose：一种用于协作自主水下航行器（AUV）的基于主动LED标记的相对位姿估计框架，结合概率切换PnP算法

Zeyu Sha, Xiaorui Wang, Mingyang Yang, Feitian Zhang

机构 * Peking University（北京大学） 纠错

AI总结 本文提出AMR-Pose框架，采用含红、蓝LED的标记模块，结合PSwPnP算法实现协作AUV的鲁棒相对位姿估计，经水池及闭环实验验证其准确性与实时性。

Dual-Flow Transformers: Decoupling the Primary Prefill Path from Additional Decode Computation

双流式Transformer：将主预填路径与额外解码计算解耦

Liming Liu, Mingze Wang, Tuo Zhao

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Peking University（北京大学） 纠错

AI总结 该研究提出双流式Transformer，将主预填路径与额外解码计算解耦，通过共享权重与缓存降低推理成本，在多架构与数据配置下实现更低验证损失，且可灵活分配MoE专家预算。

Comments 18 pages

From Refuse to Richness: Rubric Rewards for Long-Form Hallucination Reinforcement Learning

从拒答到丰富：用于长文本幻觉强化学习的评分规则奖励

Yudong Wang, Zhe Yang, Wenhan Ma, Rang Li, Qibin Yang, Weimin Xiong, Jiangshan Duo, Liang Zhao, Zhifang Sui

机构 * Peking University（北京大学） ； Xiaomi（小米） 纠错

AI总结 该研究针对长文本幻觉强化学习的「拒答-丰富度」权衡，提出用关键要点评分规则定义奖励，发现软组合依据、评分规则覆盖率与相关性的奖励能实现最佳平衡，提升了依据性与分布外迁移能力。

Thought-Aware KV Cache Compaction for Reasoning via Adaptive Attention Matching

基于自适应注意力匹配的思维感知KV缓存压缩方法用于推理

Yang Liu, Bin Chong, Chongyang Zhang, Hao Zheng, Jiayu Liang, Xu Kefu

机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Soochow University（苏州大学） 纠错

AI总结 该研究针对推理语言模型 KV 缓存的内存瓶颈问题，提出思维感知注意力匹配（TAM）方法，通过三种机制实现高效压缩，在降低内存占用的同时保持了推理准确率。

Comments 16 pages, 5 figures

REOPD: Reliability-Adaptive Reward Extrapolation for On-Policy Distillation

REOPD：面向在线策略蒸馏的可靠性自适应奖励外推

Yang Sun, Lichao Ma, Houyuan Qin, Yuxin Liu, Hanyang Lu, Yao Zhu, Pinlong Cai, Guohang Yan

机构 * Peking University（北京大学） ； Southwest Jiaotong University（西南交通大学） ； University of Science and Technology of China（中国科学技术大学） ； School of Computer Science and Technology,University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） ； University of Electronic Science and Technology of China（电子科技大学） ； School of Automation Engineering,University of Electronic Science and Technology of China（电子科技大学自动化工程学院） ； Renmin University of China（中国人民大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Autonomous Driving, Shanghai Artificial Intelligence Laboratory（上海人工智能实验室自动驾驶研究中心） 纠错

AI总结 本文提出面向在线策略蒸馏的可靠性自适应奖励外推框架REOPD，通过token级系数实现细粒度可靠性自适应，在多场景下优于基线方法，无需额外模型即可提升训练稳定性与性能。

DiffImaginE: Imagine to Verify Entity Types with Diffusion

DiffImaginE：通过想象验证实体类型

Feng Zhang, Feiyu Han, Rongxin Yang, Yang Liu, Yancheng Chen, Rui Wang, Yingguang Yang, Tian Xueyun, Chongyang Zhang, Hao Zheng, Xu Kefu, Congjing Ran, Fuhai Chen, Bin Chong

机构 * Fuzhou University（福州大学） ； Chinese Academy of Sciences（中国科学院） ； Peking University（北京大学） ； Alibaba Group（阿里巴巴集团） ； University of Science and Technology of China（中国科学技术大学） ； Fullive Innovation (Beijing) AI Technology Co., Ltd.（福莱创新（北京）人工智能科技有限公司） ； Baidu（百度） ； Wuhan University（武汉大学） 纠错

AI总结 DiffImaginE将多模态命名实体识别的类型验证建模为条件潜在扩散推理，在Twitter-2015和Twitter-2017数据集上，相比确定性对照模型取得了一致的性能提升。

How Significant Are the Real Performance Gains? An Unbiased Evaluation Framework for GraphRAG

实际性能提升有多显著？GraphRAG的无偏评估框架

Qiming Zeng, Hao Luo, Yuhao Lin, Yicheng Jin, Yuxiang Wang, Fangcheng Fu, Xiao Yan, Jiawei Jiang

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computer Science, Peking University（北京大学计算机学院） ； Centre for Perceptual and Interactive Intelligence (CPII)（感知与交互智能中心） ； OceanBase 纠错

AI总结 针对GraphRAG现有评估框架的不相关问题与评估偏差缺陷，提出无偏评估框架并发现代表性GraphRAG方法的性能提升远小于此前报告结果，呼吁开展科学评估。