高校专区
为扩散模型带来稳定性：分解和减少训练掩码扩散模型的方差
机构 * University of Cambridge（剑桥大学） ； Peking University（北京大学） ； Qwen Large Model Application Team, Alibaba（阿里巴巴通义大模型应用团队）
AI总结 本文研究了掩码扩散模型（MDMs）训练方差高导致不稳定的问题，通过分解方差来源并提出六种方差减少方法，显著提升了模型在复杂推理任务中的准确率，并将运行间变异性降低至自回归模型（ARMs）水平。
QKFormer: 基于Q-K注意力的分层脉冲变换器
机构 * Pengcheng Laboratory（鹏城实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Peking University（北京大学）
AI总结 本文提出QKFormer，一种基于Q-K注意力的分层脉冲变换器，通过引入新的脉冲形式Q-K注意力机制、分层结构和灵活的补丁嵌入模块，提升了脉冲神经网络在图像分类任务中的性能，实现了在ImageNet-1K数据集上85.65%的top-1准确率。
Comments Accepted by NeurIPS 2024 (Spotlight). Code and Model: https://github.com/zhouchenlin2096/QKFormer
通过固定点迭代实现离散扩散图像生成器的一步蒸馏
机构 * Peking University（北京大学）
AI总结 本文提出了一种名为Fixed-Point Distillation (FPD)的端到端框架，通过部分破坏学生模型的一步草稿并用单个教师步骤进行细化，构建局部修正目标。该方法将离散标记提升为连续特征，并应用多带宽漂移损失，迭代累积这些修正。通过直通估计器将连续梯度回传到学生日志it，同时可选地引入无条件对抗目标以增强感知现实。在类别和文本条件生成上的评估验证了该框架的有效性，FPD在单步推理中实现了竞争性的视觉保真度和结构对齐，缩小了与多步教师之间的差距，同时优于现有离散蒸馏基线。
DeepWeb-Bench: 一个要求大规模跨源证据和长周期推导的深度研究基准
机构 * Peking University（北京大学）
AI总结 本文提出DeepWeb-Bench基准，通过要求大规模证据收集、跨源验证和长周期推导，评估前沿语言模型在深度研究任务中的能力，揭示检索并非瓶颈，强弱模型失败方式不同，且模型在不同领域表现出专业性。
Comments Work in Progress. 27 pages, 10 figures, 4 tables. Project page: https://sixiongxie1001-dot.github.io/deep-research-benchmark2.0
从扫掠接触到姿态：通过互补形状对接实现探针感知的注册
机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Tsingscribe Medical Ltd.（Tsingscribe医疗有限公司） ； D-MAVT, ETH Zürich（苏黎世联邦理工学院D-MAVT） ； Peking University School and Hospital of Stomatology（北京大学口腔医学院及口腔医院） ； Institute for Guo Qiang, Tsinghua University（清华大学国强研究院）
AI总结 本研究提出了一种无需校准的注册方法，通过将接触注册重新表述为物体与探针扫掠体积之间的互补形状对接，显式考虑探针几何形状，并利用接触和非接触证据。该方法通过3D FFT相关性进行全局到局部搜索，然后使用李代数更新和解析接触灵敏度进行连续SE(3)细化，实现了高效的探索和指标级收敛。
Comments 8 pages, 9 figures, accepted to ICRA 2026
tutor-student 强化学习：一种动态课程以实现鲁棒的深度伪造检测
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Integrated Circuits, Peking University（北京大学集成电路学院） ； School of Information, Huazhong Agricultural University（华中农业大学信息学院） ； Cyberspace Institute of Advanced Technology, Guangzhou University（广州大学先进技术网络研究院）
AI总结 本文提出了一种 tutor-student 强化学习框架，通过动态优化训练课程来提高深度伪造检测的鲁棒性和泛化能力。
Comments Accepted to CVPR 2026
Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026 (CVPR 2026)
VersusQ：用于通用视频质量评估的成对边距推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； WeChat Vision, Tencent Inc.（腾讯公司视觉部门） ； Beijing Normal University（北京师范大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出VersusQ，一种基于成对边距推理的框架，通过直接比较视频来缓解绝对尺度校准偏差，实现跨域的视频质量评估。
在MNAR中具有隐藏混杂因素的鲁棒个性化推荐
机构 * Guangdong University of Technology（广东工业大学） ； Chinese Academy of Sciences（中国科学院） ； Peking University（北京大学）
AI总结 本文提出了一种新的框架，通过估计用户-项目层面的敏感度界限，缓解了全局敏感度界限中固有的同质性假设，从而在存在隐藏混杂因素的情况下实现更鲁棒和准确的个性化推荐。
Demo-JEPA: 一种用于单次跨体态模仿的联合嵌入预测架构
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息处理国家重点实验室，计算机学院，北京大学） ； University of Washington（华盛顿大学） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心）
AI总结 本文提出Demo-JEPA，一种跨体态模仿框架，通过解耦示范意图与体态特定的执行，利用共享预测表示空间将源视觉示范转换为目标兼容的未来潜在轨迹，使目标代理通过规划实现这些子目标，从而在异构体态间实现灵活的模仿。
学习物理中的推理：通过表征对齐打破科学扩散中的捷径学习
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Shandong University（山东大学） ； LimX Dynamics Technology Co., Ltd.（LimX动态技术有限公司） ； Xidian University（西安电子科技大学） ； Peking University（北京大学） ； Institute of Deep Perception Technology, Jiangsu Industrial Technology Research Institute (JITRI)（感知技术研究院，江苏工业技术研究院（JITRI）） ； Griffith University（格里菲斯大学）
AI总结 该研究提出了一种无需教师的框架REPA-P，通过使用原理残差对中间特征与物理状态进行对齐，以解决物理信息扩散模型中中间表示在边界条件变化时容易产生捷径学习的问题，从而在四个PDE任务中提高了收敛速度、减少了物理残差并增强了分布外鲁棒性。
RoPeSLR: 3D RoPE驱动的稀疏低秩注意力用于高效的扩散变换器
机构 * Peking University（北京大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 本研究提出RoPeSLR，一种基于3D RoPE的稀疏低秩注意力框架，旨在解决扩散变换器中长序列生成的高复杂度问题，通过结合高频率语义尖峰集和极低秩背景连续体，实现子二次稀疏性和子线性秩增长，从而在超长视频推理中表现出色。
具有状态管理的多智能体协作
机构 * Shanghai Jiaotong University（上海交通大学） ； Cortices AI ； Emory University（埃默里大学） ； Peking University（北京大学）
AI总结 本文提出STORM，一种面向多智能体协作的状态管理方法，通过在共享工作区中调解智能体的交互，确保每个智能体在一致的代码库视图上操作，并在写入时检测和解决冲突。STORM在多个LLM上优于基于git-worktree的多智能体基线，且在成本效率上具有竞争力，表明显式状态管理比工作区隔离更有效。
CosFly-Track: 一个大规模多模态数据集，用于通过多约束轨迹优化的无人机视觉跟踪
机构 * Autel Robotics（Autel机器人公司） ； Nanjing University（南京大学） ； Peking University（北京大学） ； Southern University of Science and Technology（南方科技大学） ； University of Hong Kong（香港大学）
AI总结 本文提出CosFly-Track数据集，用于无人机视觉跟踪任务，通过多约束轨迹优化生成大规模多模态数据，提升了动态目标跟踪性能。
SEED：通过加权独立集实现目标数据选择
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Tianjin University（天津大学） ； EECS, UC Berkeley（伯克利大学电子工程与计算机科学系） ； Chinese Academy of Sciences（中国科学院）
AI总结 本文提出SEED方法，通过将数据选择问题建模为加权独立集（WIS）在相似性图上，解决样本质量与多样性之间的平衡问题，并引入节点价值校准和局部尺度归一化来提升数据选择的鲁棒性和可扩展性。
Comments 20 pages
当前智能体能否缩小发现到应用的差距？Minecraft中的一个案例研究
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Peking University（北京大学） ； Amazon（亚马逊）
AI总结 本文通过Minecraft中的SciCrafter基准测试，探讨了智能体在发现因果规律并将其应用于构建功能系统（发现-应用循环）方面的能力，发现前沿模型在该任务中的成功率约为26%，揭示了知识识别和问题提出能力成为当前AI的瓶颈。
Comments Preprint, under review. 41 pages. Project page: https://scicrafter-bench.github.io/. Code: https://github.com/scicrafter-bench/scicraft-bench
FT-Dojo: 向自主LLM微调迈进的语言代理
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Microsoft Research Asia（微软亚洲研究院） ； The University of Chicago（芝加哥大学）
AI总结 本文提出FT-Dojo交互式基准环境，用于研究自主LLM微调，通过标准化任务接口、共享数据仓库、沙盒执行环境和反馈协议，开发了FT-Agent框架，实现了结构化迭代规划和多级反馈分析，实验显示FT-Agent在13个任务中表现优异，且展示了代理在故障恢复和长期规划中的能力。
Comments 26 pages, 6 figures, 11 tables
基于尖端-柄检测与匹配的盆腔种子植入近距离放射治疗多针定位
机构 * Image Processing Center, Beihang University（北航图像处理中心） ； Department of Radiation Oncology, Peking University Third Hospital（北京大学第三医院放疗科） ； Department of Radiation Oncology, Duke University Medical Center（达勒姆大学医学中心放疗科）
AI总结 本文提出了一种基于尖端-柄检测与匹配的新方法，用于解决术中CT图像中多针定位的难题，通过锚点自由网络和贪心匹配与合并方法，在100名患者的数据集上实现了更高的精度和F1分数，为复杂临床场景下的针定位提供了更鲁棒和准确的解决方案。
SUGAR: 一种可扩展的人类-视频驱动的通用人形机器人运动-操作学习框架
机构 * CFCS, School of Computer Science, Peking University（计算机学院，北京大学计算机科学系） ； School of Computer Science and Engineering, Beihang University（计算机科学与工程学院，北航）
AI总结 该研究提出SUGAR框架，通过将多样化的视频转化为可部署的人形机器人运动-操作技能，无需特定任务的奖励工程或参考动作条件，在仿真和现实硬件中实现了六种代表性任务的高性能表现，展示了可扩展性和零样本现实迁移能力。
Comments Project Page: https://tianshuwu.github.io/sugar-humanoid/
FusionCell: 跨注意力融合布局几何与网络列表拓扑以实现标准单元性能预测
机构 * School of Integrated Circuits, Peking University, Beijing, China（集成电路学院，北京大学，北京，中国）
AI总结 本文提出FusionCell，通过跨注意力机制融合布局几何和网络列表拓扑，以提高标准单元性能预测的准确性，解决了传统方法忽略布局几何导致的耦合和布局依赖效应的问题。
为代理调优辩护：从文档到PostgreSQL中的行动
机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of System Software (Chinese Academy of Sciences)（中国科学院系统软件重点实验室） ； Beihang University（北航） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出通过动态行动替代静态文档进行系统调优，引入PerfEvolve工具，利用LLM代理实现版本一致性验证、工作负载特定分析和多参数联合优化，实验表明其在PostgreSQL上比现有文档驱动调优方法提升35.2%。
超越二元成功：一种用于细粒度操控的诊断元评估框架
机构 * Southeast University（东南大学） ； Monash University（墨尔本大学） ； Xiaomi EV（小米电动车） ； University of Copenhagen（哥本哈根大学） ； Peking University（北京大学）
AI总结 本文提出MetaFine框架，通过分解理解、感知和受控行为三个维度，诊断细粒度操控中的能力瓶颈，并通过因果干预识别视觉编码器在保持局部空间结构方面的关键限制，从而提升操控精度。
Comments Project page: https://metafine.github.io/
为混合具身体验中的长时域演化构建世界-自我模型
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peking University（北京大学）
AI总结 本文提出了一种新的世界-自我建模范式，通过分解未来演化为世界和自我组件，解决混合任务中长时域具身体验中的退化问题，并通过HTEWorld基准测试验证了其有效性。
从稀疏航拍视图进行前馈高斯点扩散
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Peking University（北京大学） ； The Ohio State University（俄亥俄州立大学）
AI总结 本文提出AnyCity框架，通过观察驱动的生成重建方法，解决稀疏航拍视图中大规模城市场景重建中的证据不平衡问题，通过几何潜在表示和条件化空中完成标记预测，实现高质量的3D高斯点场重建。
FIKA-Bench: 从细粒度识别到细粒度知识获取
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学计算机技术研究所）
AI总结 本文提出FIKA-Bench，一个包含311个公开来源和现实实例的细粒度知识获取基准，通过过滤和审计确保实例质量，评估最新多模态模型和代理发现细粒度识别任务仍具挑战性，需改进代理设计以提升知识获取能力。
Comments Project page with code: https://ligeng0197.github.io/FIKA-Bench.github.io/
探究跨模态技能注入：场景、方法与超参数
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，计算机科学学院，北京大学） ； WeChat AI, Tencent Inc., China（腾讯公司，中国） ； The University of Hong Kong（香港大学）
AI总结 本文研究了跨模态技能注入在不同场景下的表现，分析了其方法和超参数的影响，发现其在指令遵循和跨语言任务中表现良好，但在数学推理中存在困难，同时指出经典方法如TA和DARE在性能上优于其他融合方法。
LMM-Track4D: 通过轨迹引导的对话激发LMM中的4D动态推理
机构 * Huazhong University of Science and Technology（华中科技大学） ； Sun Yat-sen University（中山大学） ； Beihang University（北航） ； Peking University（北京大学）
AI总结 本文提出LMM-Track4D任务，通过轨迹引导的多轮时空对话，结合RTGE、TRK和OSK-RA解码器，提升LMM在4D动态推理中的性能，实验表明显式动态状态建模是有效设计原则。
SciCustom: 一个用于大型语言模型科学能力定制评估的框架
机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, PKU-Anker LLM Lab, Peking University（多媒体信息处理国家重点实验室，计算机学院，PKU-Anker LLM实验室，北京大学） ； Zhongguancun Academy（中关村学院） ； IDEA ； Xidian University（西安电子科技大学） ； Peking University（北京大学） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文提出SciCustom框架，通过从大规模科学数据中自定义构建基准，评估LLM在特定科学任务中的能力，无需专家标注或合成问题生成，展示了细粒度科学能力差异。
Comments Accepted to ACL 2026 Main Conference
CosFly：矩阵中的计划，世界中的飞行
机构 * Autel Robotics（Autel机器人公司） ； Nanjing University（南京大学） ； Peking University（北京大学） ； Southern University of Science and Technology（南方科技大学） ； University of Hong Kong（香港大学）
AI总结 本文提出CosFly，一个用于空中跟踪的盒状结构规划和多模态模拟流程，以及CosFly-Track大规模无人机数据集，用于在多样环境中动态目标跟踪。CosFly通过将复杂的3D世界转换为结构化障碍表示进行规划，然后将轨迹投影到多模态传感器数据中，并支持可配置的固定视角缩放级别。
RoadmapBench: 评估跨版本升级的长期代理软件开发
机构 * UniPat AI ； Peking University（北京大学） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； G Labs（0G实验室） ； Pipeline Lab（Pipeline实验室）
AI总结 本文提出RoadmapBench，一个基于真实开源版本升级的115个长期编码任务的基准，旨在评估长期多目标软件开发，发现现有基准无法有效评估此类任务，表明长期软件开发仍是难题。
Comments 30 pages, 15 figures
VGGT-Edit：基于残差场预测的前馈原生3D场景编辑
机构 * Peking University（北京大学） ； Tencent（腾讯） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai AI Lab（上海人工智能实验室） ； NTU Singapore（新加坡国立大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Lab of Data Intel. & Security (PKU)（北京数据智能与安全实验室（北京大学））
AI总结 本文提出VGGT-Edit，一种基于文本条件的前馈原生3D场景编辑框架，通过引入深度同步文本注入和残差变换头，实现高质量的3D场景编辑，同时构建DeltaScene数据集以提升编辑效果和推理速度。
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