高校专区
CoCo-SAM3：利用概念冲突提升开放词汇语义分割
机构 * School of Computers, Guangdong University of Technology（广东科技学院计算机学院） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； Peking University（北京大学）
AI总结 CoCo-SAM3通过引入提示驱动的掩码生成范式提升开放词汇语义分割，通过解耦推理过程中的类内增强与类间竞争，解决多类开放词汇场景中掩码生成不一致和冲突问题。
EVPO：用于大语言模型后训练中自适应批评者利用的解释方差策略优化
机构 * Peking University（北京大学） ； Fudan University（复旦大学） ； Shanghai Qiji Zhifeng Co., Ltd.（上海启智科技有限公司） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 本文提出EVPO，通过监控批量方差并自适应切换基于批评者或批量均值估计，证明在每一步都能达到更小的方差。在四个任务中，EVPO优于PPO和GRPO。
TS-Attn：多事件视频生成的时序可分离注意力
机构 * Peking University（北京大学） ； Shenzhen Graduate School（深圳研究生院） ； Zhejiang University（浙江大学） ； Nankai University（南开大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Nanjing University（南京大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本文提出TS-Attn机制，解决多事件视频生成中时序不一致与注意力冲突问题，提升生成质量，实验表明在两个数据集上效果显著。
Comments ICLR 2026, code available at: https://github.com/Hong-yu-Zhang/TS-Attn
易于获取的样本足矣：通过数据高效的强化学习实现自演化大语言模型
机构 * Peking University（北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nankai University（南开大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出EasyRL方法，通过结合易标注数据的知识转移与逐步分治策略，实现大语言模型的数据高效自演化，实验表明仅使用10%的易标注数据即可超越现有最佳基线。
Comments Accepted to Findings of ACL 2026
基于脉冲的多模态大语言模型：通过模态特定的时间尺度和时间压缩
机构 * 1 Institute of Automation, Chinese Academy of Sciences 2 University of Chinese Academy of Sciences 3 Beijing Academy of Artificial Intelligence 4 Zhongguancun Academy 5 Peking University 6 Key Laboratory of Brain Cognition ； Brain-inspired Intelligence Technology 7 Spiking Intelligence Lab, Tianqiao \& Chrissy Chen Institute [0.5em] Equal contribution Corresponding authors
AI总结 本文提出SpikeMLLM，首个基于脉冲的多模态大语言模型框架，通过模态特定时间尺度和时间压缩技术，在减少时间步数的同时保持高性能，实验显示其在多个基准上表现优异。
FaithLens：检测并解释忠实性幻觉
机构 * Tsinghua University（清华大学） ； DeepLang AI ； Fudan University（复旦大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Peking University（北京大学）
AI总结 本文提出FaithLens模型，通过合成训练数据和规则强化学习，有效检测并解释大语言模型中的忠实性幻觉，优于GPT-5.2和o3模型，提升可信度与效率。
Comments ACL 2026 (Findings)
没有计划的愿望只是愿望：为长周期智能体任务高效且有效的全局规划器训练
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； DeepLang AI ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出EAGLET方法，通过两步流程训练高效规划器，提升智能体规划能力，实验显示其在长周期任务中优于现有方法，且训练成本降低8倍。
Comments ACL 2026
DualToken: 向通过双视觉词汇统一视觉理解和生成迈进
机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Westlake University（西湖大学） ； Baichuan Inc.（北川科技） ； Peking University（北京大学） ； Xiaomi EV（小米电动车）
AI总结 DualToken通过双视觉词汇统一视觉理解和生成，解决了视觉理解和生成所需不同表示空间的挑战，提升了ImageNet上的重建质量和零样本准确率，并在下游任务中表现出色。
EVE: 通过可执行视觉变换实现多模态大语言模型的可验证自进化
机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家级工程研究中心，北京大学） ； School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学）
AI总结 本文提出EVE框架，通过可执行视觉变换实现多模态大语言模型的可验证自进化，解决伪标签方法和模板方法的不足，通过双策略架构和多维奖励系统提升模型自进化能力。
通过组合提示分解实现长文本到图像生成
机构 * Peking University（北京大学） ； Harvard University（哈佛大学）
AI总结 本文提出PRISM方法，通过轻量模块提取长提示的组成部分，使预训练T2I模型能处理长序列输入，实现对复杂场景的建模，优于基线模型。
Comments Accepted to the Fourteenth International Conference on Learning Representations (ICLR 2026)
基于延迟反馈的测试时扰动学习用于视觉-语言-动作模型
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） ； Tsinghua University（清华大学） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） ； National Defense University（国防大学）
AI总结 本文提出PDF框架，通过不确定性数据增强和动作投票缓解轨迹过拟合，提升决策性能，实验显示在LIBERO和Atari任务中取得显著成效。
Comments 12 pages, 7 figures, 5 tables
Journal ref CVPR 2026 Poster
通过多源动态logit融合实现高效低资源语言适应
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王宣计算机技术研究所）
AI总结 本文提出TriMix框架，通过融合小模型、任务指令微调和大模型的logit，有效提升低资源语言适应性能，无需标注数据和计算资源，实验显示优于单模型基线和Proxy Tuning。
Comments ACL 2026
揭示视觉-语言-动作模型中具身推理的幻觉
机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； BeingBeyond
AI总结 本文通过BeTTER基准测试揭示现有VLA模型在动态场景中表现不佳，指出其根本问题在于架构瓶颈导致的语义表示退化，强调需解决高频率控制与高层推理间的矛盾。
Fisher Decorator：通过局部传输映射细化流策略
机构 * University College London（伦敦大学学院） ； Shanghai Jiao Tong University（上海交通大学） ； King’s College London（伦敦国王学院） ； Peking University（北京大学） ； Shanghai University of Finance and Economics（上海财经大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出Fisher Decorator方法，通过局部传输映射细化流策略，解决离线强化学习中流策略在表达性、最优性和效率之间的权衡问题，通过几何视角分析并改进优化方向。
当助手变成危险：一个多模态大语言模型在日常生活中的安全分析基准
机构 * Key Laboratory of Big Data & Artificial Intelligence in Transportation (Beijing Jiaotong University), Ministry of Education（大数据与人工智能在交通运输中的关键实验室（北京交通大学），教育部） ； School of Computer Science and Technology, Beijing Jiaotong University（计算机科学与技术学院，北京交通大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Montreal（蒙特利尔大学）
AI总结 本文提出SaLAD基准，通过2013个真实世界图像-文本样本评估多模态大语言模型在日常生活中的安全影响，揭示模型在识别危险行为方面的局限性。
Comments Accepted by ACL 2026 (Findings)
FOREVER: 基于遗忘曲线的记忆回放用于语言模型连续学习
机构 * The Hong Kong Polytechnic University（香港理工大学） ； ShineMo Ltd., China（中国 ShineMo 公司） ； Solar System of OVB, Tencent, China（腾讯 OVB 太阳系中国） ； Peking University（北京大学） ； University College London（伦敦大学学院） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 FOREVER通过引入遗忘曲线概念，提出了一种基于模型自身时间的连续学习框架，有效缓解了语言模型在持续学习中的灾难性遗忘问题。
Comments ACL 2026 Camera-ready
MMErroR：面向视觉-语言模型错误推理的基准测试
机构 * Guangdong University of Technology（广东工业大学） ； Hong Kong Baptist University（香港 Baptist大学） ； Sun Yat-sen University（中山大学） ； Peking University（北京大学）
AI总结 本文提出MMErroR基准，通过1997个包含单一推理错误的样本，评估视觉-语言模型检测错误推理的能力，发现即使最佳模型也仅能正确分类66.65%的错误。
Comments Accepted by ACL 2026 Main
LexRel：中国民事案件法律关系抽取基准测试
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Glasgow（格拉斯哥大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Northeastern University（东北大学）
AI总结 本文提出LexRel基准，用于评估法律关系抽取任务，揭示当前大语言模型在识别民事法律关系上的不足，并展示显式整合法律关系信息对下游法律AI任务的积极影响。
Comments Accepted to ACL 2026 (main conference). 17 pages, 7 figures
PiERN：基于令牌级别的路由以整合高精度计算与推理
机构 * Peking University（北京大学） ； Peking University Changsha Institute for Computing and Digital Economy（北京大学长沙计算与数字经济研究院） ； Beihang University（北京航空航天大学） ； Tsinghua University（清华大学）
AI总结 PiERN通过内生整合计算能力，提升语言模型在复杂系统中的精度与效率，实现高准确性、低延迟和可扩展性。
EvoCoT：克服强化学习中的探索瓶颈
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Imperial College London（伦敦帝国理工学院） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
AI总结 EvoCoT通过两阶段链式思维优化框架，解决强化学习中稀疏奖励下的探索瓶颈问题，提升大语言模型的推理能力。
Comments Camera-ready version for ACL 2026
通过强化学习学习提取理性证据以增强检索增强生成
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； Peking University（北京大学）
AI总结 本文提出EviOmni，通过推理先提取证据，结合证据推理与提取，利用强化学习优化生成质量，实验表明其在多个基准数据集上表现优异，提升下游任务准确率。
Comments 23 pages, 8 Figures, 18 Tables; Accepted to ACL 2026 Findings
ScienceBoard: 评估多模态自主代理在真实科学工作流中的表现
机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Peking University（北京大学） ； Nanjing University（南京大学） ； East China Normal University（华东师范大学） ； Yale University（耶鲁大学）
AI总结 ScienceBoard通过真实多领域环境和169个高质量任务评估多模态自主代理在科学工作流中的能力，发现现有代理在复杂任务中仅达到15%的成功率，揭示了改进设计原则的必要性。
Comments ICLR 2026 Camera Ready Version
Vision-Braille: 一种课程学习工具包及用于盲文翻译的盲文-中文语料库
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） ； College of Agriculture and Life Sciences, Cornell University（农业与生命科学学院，康奈尔大学） ； Computer Science Department, University of California at Los Angeles（计算机科学系，加州大学洛杉矶分校）
AI总结 本文提出Vision-Braille，首个可公开获取的端到端系统，用于将图像中提取的中文盲文翻译成书面中文。该系统解决有限标注资源和声调缺失问题，结合鲁棒的盲文OCR流程与针对序列到序列翻译微调的LLM。
Matlas：数学语义搜索引擎
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； IQuest Research（IQuest研究） ； Beijing International Center for Mathematical Research and the New Cornerstone Science Laboratory, Peking University（北京大学北京国际数学研究中心和新基石科学实验室） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； Center for Intelligent Computing, Great Bay Institute for Advanced Study, Great Bay University（大亚湾先进研究所智能计算中心） ； Zhongguancun Academy（中关村学院）
AI总结 Matlas通过构建大规模数学语义库，实现数学陈述的高效检索，提升数学家定理检索效率并为AI系统提供数学知识基础。
Comments Web Service: https://matlas.ai/, API Docs: https://matlas.ai/docs
UniMesh: 统一3D网格理解与生成
机构 * Boston University（波士顿大学） ； Peking University（北京大学）
AI总结 UniMesh提出统一框架，结合3D生成与理解，引入Mesh Head、CoM和自反思机制，提升迭代编辑与双向增强能力。
基于大型语言模型的策略合成用于可扩展的等式饱和
机构 * Peking University（北京大学） ； School of Integrated Circuits（集成电路学院）
AI总结 本文提出EggMind框架，通过领域特定语言EqSatL和LLM引导的代理工作流，高效合成可重用的等式饱和策略，提升资源质量平衡，减少成本和内存消耗。
Hive：一种用于算法和任务级扩展的多智能体基础设施
机构 * Peking University（北京大学）
AI总结 Hive通过算法和任务级扩展提升智能体系统性能，通过Logits Cache减少冗余计算并提升采样速度，Agent-Aware Scheduling优化资源分配，降低热点缺失率。
神经符号推荐冲突在多病共存临床指南中的解决
机构 * Peking University（北京大学） ； National Institute of Health Data Science（国家健康数据科学研究院） ； Peking University Health Science Center（北京大学医学部） ； Institute of Medical Technology（医学技术研究院）
AI总结 本文提出神经符号框架解决多病共存临床指南中的推荐冲突问题，通过多智能体系统和SAT求解器验证逻辑规则，发现90.6%的冲突为局部冲突，F1分数达0.861。
Comments Accepted by Proceedings of the 40th Annual AAAI Conference on Artificial Intelligence (Bridge Program on Logic & AI: Logical and Symbolic Reasoning in Language Models)
面向大数据稀缺性的大型语言模型强化学习综述：挑战与解决方案
机构 * Peking University（北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； Nankai University（南开大学） ； Tongji University（同济大学） ； Nanjing University（南京大学） ； University of Wollongong（沃林根大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文综述了在数据稀缺条件下大型语言模型强化学习的挑战与解决方案，提出三级框架，梳理现有方法并分析其优劣，为高效强化学习提供理论基础。
Comments Accepted to ACL 2026 (Main Conference)
Clover：一种基于随机树-of-thoughts的神经符号代理体系用于验证RTL修复
机构 * Peking University（北京大学）
AI总结 Clover通过结构化搜索代码操作解决RTL修复问题，结合LLM和符号求解器动态调度任务，实现高可靠性修复，修复率高达96.8%。
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