高校专区
ConsiSpace：学习几何一致性对视频空间推理很重要
机构 * School of Intelligent Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 针对视频空间推理中现有模型难以聚合一致空间证据的问题，提出ConsiSpace框架，通过构建几何一致内存及采用统一一致性自监督强化学习，在三个空间推理基准测试上取得成绩提升，平均得分比最强基线高12.6分。
Comments ECCV 2026
泛非社会行为识别数据集：野生大猩猩的社会行为识别
机构 * University of Bristol（布里斯托大学） ； Wild Chimpanzee Foundation（野生黑猩猩基金会） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California（加利福尼亚大学） ； Peking University（北京大学） ； Max Planck Institute for Evolutionary Anthropology（马克斯·普朗克进化人类学研究所） ； Senckenberg Museum of Natural History（森肯伯格自然历史博物馆）
AI总结 研究旨在解决野生大猩猩社会行为识别数据不足问题，引入PanAf-SBR数据集，结合AlphaChimp架构建立基准，通过双向迁移学习实验发现跨数据集预训练对特定类别有益，还研究了背景上下文在其中的作用。
SkyVLaM：用于遥感中无人机视频理解的多模态大语言模型
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Beijing Wuzi University（北京物资学院）
AI总结 针对无人机视频理解任务，提出多模态大语言模型SkyVLaM，通过时间基感知器构建稀疏令牌，正则化稀疏基，自适应选择密集段，联合大语言模型处理，还构建SkyVid，实验证明其能有效分配视觉令牌预算，提升语言条件视频分割效果。
Comments Accepted by WAICA 2026
STAR：用于交互识别的骨骼令牌对齐与重排
机构 * State Key Laboratory of General Artificial Intelligence, Peking University, Shenzhen Graduate School（北京大学深圳研究生院通用人工智能国家重点实验室） ； University at Buffalo SUNY（纽约州立大学布法罗分校） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系）
AI总结 针对人机和人与人交互识别，提出STAR方法，通过骨骼令牌对齐与重排，利用实体重排、交互式时空令牌及视觉交互编码等组件，结合骨骼与RGB视频数据学习特征，经对比学习对齐表示，实验验证其性能优于现有方法。
Comments Accepted for publication in IEEE Transactions on Multimedia (IEEE TMM)
Journal ref IEEE Transactions on Multimedia, vol. 28, pp. 4652-4665, 2026
VecFontLLM：基于锚点引导的中文矢量字体直接合成
机构 * Fuzhou University（福州大学） ； Peking University（北京大学）
AI总结 研究旨在解决直接生成中文矢量字体的难题，提出VecFontLLM这一基于锚点引导的多模态大语言模型，通过锚点预测、细化及贝塞尔控制点完成来合成矢量字形，实现高质量少样本合成，实验显示其相比现有方法有显著优势。
Comments 12 pages
VLA-ReID：具有高度相似对象的多目标跟踪中用于重新识别的视频级关联
机构 * Glasgow College, University of Electronic Science and Technology of China（电子科技大学格拉斯哥学院） ； Key Laboratory for Urban Habitat Environmental Science and Technology, School of Environment and Energy, Peking University Shenzhen Graduate School（北京大学深圳研究生院环境与能源学院城市人居环境科学与技术重点实验室） ； School of Management Science and Real Estate, Chongqing University（重庆大学管理科学与房地产学院）
AI总结 针对多目标跟踪中对象外观相似时身份保持难的问题，提出VLA-ReID方法，将重新识别建模为视频级关联，通过聚合历史轨迹特征等进行全局关联优化，实验显示该方法有效提升多项指标并减少身份切换。
Comments 11 pages, 8 figures, 2 tables
InfoDense：用于内存高效增量式人脸伪造检测的密度感知区域决定性重放
机构 * Huazhong Agricultural University（华中农业大学） ； Peking University（北京大学） ； National University of Singapore（新加坡国立大学） ； Nantong University（南通大学） ； Wuhan University（武汉大学）
AI总结 针对人脸伪造技术发展带来的检测挑战及传统方法的问题，提出密度感知区域决定性重放策略InfoDense，通过定位决定性补丁、排序候选片段、自适应合并样本等步骤，有效减轻灾难性遗忘，提升跨域泛化能力。
用于噪声标签学习的单变量基函数鲁棒损失
机构 * School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院） ； School of Earth and Space Sciences, Peking University（北京大学地球与空间科学学院）
AI总结 针对噪声标签学习问题，提出从单变量基函数构建鲁棒多类损失的框架，开发两种方案并分析其性质，推导理论标准，所提损失在多噪声设置下经实验验证有竞争力或更优。
思考、规划、绘制：统一模型中用于可控图像生成的布局感知推理
机构 * Tencent（腾讯） ； Peking University（北京大学）
AI总结 研究针对统一多模态大语言模型在可控图像生成中难以遵循复杂空间指令的问题，提出ATLAS框架，采用“思考、规划、绘制”范式及布局共享表示，经强化学习提升性能，在图像生成等任务中效果显著，还支持相关编辑与多模态基础，并引入评估基准。
Comments 22 pages, 12 figures, 9 tables
用于光声计算机断层扫描的双域自监督伪影去除框架
机构 * College of Future Technology, Peking University（北京大学未来技术学院） ； Pohang University of Science and Technology（浦项科技大学）
AI总结 针对光声计算机断层扫描因检测条件稀疏产生的重建伪影问题，提出用轻量级暹罗神经网络及复合损失函数的自监督伪影去除框架，能有效抑制伪影并提升计算效率。
Comments 13 pages, 9 figures
用语义匹配抑制重新思考特征依赖评估
机构 * Institute of Medical Technology, Peking University Health Science Center（北京大学医学部医学技术研究所） ； National Institute of Health Data Science, Peking University（北京大学国家卫生数据科学研究院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）
AI总结 该研究重新审视视觉识别模型特征依赖问题，引入语义匹配评估框架，通过比较不同抑制下性能，发现卷积神经网络更依赖纹理，视觉Transformer更具鲁棒性，指出语义可比性对解释特征依赖很关键，其优势或与人类视觉皮层表征有关。
FVAttn：用于视频生成的具有运行时负载均衡的自适应稀疏注意力
机构 * Tencent Inc.（腾讯公司） ； Peking University（北京大学）
AI总结 研究视频生成中自注意力瓶颈问题，提出FVAttn方法，通过Top-$p$路由等技术及运行时负载均衡等策略，提升自适应稀疏注意力分布式执行效率，降低负载不平衡，实现注意力和推理加速，且视频质量有竞争力。
JoyNexus：面向服务的视觉语言动作模型多租户训练后处理
机构 * Peking University（北京大学） ； Beihang University（北航） ； Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学）
AI总结 针对VLA模型训练后处理问题，提出JoyNexus统一服务，解耦相关服务，多租户可通过API调用，引入组批处理提高效率，经评估能减少GPU时间，提升服务利用率。
Comments 23 pages, 12 figures
更好的开始，更好的结束：用于压缩推理的自引导迭代自推理蒸馏
机构 * Xi’an Jiaotong University（西安交通大学） ； Peking University（北京大学）
AI总结 研究大型推理模型冗余计算问题，提出BIRD两阶段自推理蒸馏方法，先在简洁指令下采样简洁解并学习，再用简洁自教师进行策略内蒸馏，在Qwen3系列模型上提升精度并降低响应长度，凸显前缀支持对高效推理蒸馏的关键作用。
ToolVerse：为智能强化学习解锁大规模环境和长时任务
机构 * LongCat Interaction Team, Meituan（美团长猫互动团队） ； Peking University（北京大学） ； Fudan University（复旦大学） ； Wuhan University（武汉大学）
AI总结 研究针对LLM智能体在复杂环境中工具集成问题，提出ToolVerse框架。通过构建大规模训练环境、设计任务策略及提出新算法，经实验验证该框架能增强LLM长时工具使用能力，提升性能与推理能力。
用于多步视觉推理的分层去噪
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理技术国家重点实验室） ； The Hong Kong University of Science and Technology（香港科技大学） ； Beihang University（北京航空航天大学） ； Fuzhou University（福州大学） ； Muka Robotics（木卡机器人）
AI总结 研究针对视频模型多步推理不足的问题，提出HDR框架，通过树形层次结构和稀疏分层注意力模式进行多步推理，在新基准测试中提升了成功率和进度，推理更快，数据效率更高，在机器人实验中展现潜力。
试验中的评分标准：通过合成成对证据从单个查询中演化评分标准
机构 * School of Computing, National University of Singapore（新加坡国立大学计算学院） ； Xiaohongshu Inc.（小红书公司） ； School of Cyber Science and Technology, Zhejiang University（浙江大学网络空间安全学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 研究针对构建可靠特定查询评分标准难的问题，提出“试验中的评分标准”框架，仅从查询演化评分标准集，靠合成响应对获取监督并验证，实验证明该框架有效，平均准确率最佳且在多数评估集领先。
CosFly-VLA：一种用于无人机跟踪的空间感知视觉-语言-动作模型
机构 * Autel Robotics（大疆创新科技有限公司） ； Northeast Normal University（东北师范大学） ； Southern University of Science and Technology（南方科技大学） ； Peking University（北京大学） ； University of Hong Kong（香港大学）
AI总结 针对复杂城市环境中无人机动态目标跟踪问题，提出CosFly-VLA模型，通过结构化预测接口联合定位目标、估计可见性并生成飞行动作。经多阶段训练，该模型在开环误差和闭环成功率上有显著提升，实现从可见帧模仿到空间基础动作闭环控制的进展。
VideoChat3：用于高效通用视频理解的全开放视频多模态语言模型
机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学） ； Peking University（北京大学）
AI总结 研究针对视频理解开源模型局限，提出VideoChat3。通过I3D-ViT等提升效率，利用可扩展视频数据合成管道生成训练数据集提升泛化性，以4B参数在多基准测试中超越同等或更多参数的开源模型，实现泛化与计算效率平衡。
ChronoQG：迈向用于时态知识图谱问题生成的具有时态表现力和跳数限制的基准
机构 * Nankai University（南开大学） ； Peking University（北京大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 研究时态知识图谱问题生成，提出ChronoQG框架，通过整合多种方法构建有时态表现力和跳数限制的基准数据集，评估多种设置下的相关方法，揭示静态KGQG与TKGQG差距，为时态忠实问题生成提供测试平台。
Comments Preprint
WorkDrive：自动驾驶的道路施工因果链
机构 * Peking University（北京大学） ； Xiaomi EV（小米电动汽车）
AI总结 针对自动驾驶视觉语言模型在道路施工区域的难题，提出WorkDrive框架，通过自动化多任务感知管道提取场景事实，经监督微调与强化学习，在ROADWork数据集上降低轨迹平均位移误差，实现渐进改进。
xHC：扩展超连接
机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Dots Studio, Xiaohongshu Inc.（小红书公司点点工作室） ； University of Science and Technology of China（中国科学技术大学） ； School of CS, Peking University（北京大学计算机科学学院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 研究针对超连接（HC）扩展残差流时的性能瓶颈，提出xHC方法，结合时间特征增强与稀疏残差流架构，实现超越N = 4的有效扩展，在MoE模型上有下游改进，还介绍xHC - Flash减少内存流量，让大N残差流扩展用于语言模型预训练更有效实用。
Comments Technical report. Project page: https://github.com/aHapBean/xHC
通过原子运动生成音乐驱动的舞蹈
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所） ； School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院） ； National Institute of Health Data Science, Peking University（北京大学健康数据科学研究所） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
AI总结 研究音乐驱动的舞蹈生成问题，提出结构感知框架，将编排建模为原子运动序列，经数据分割、聚类及大语言模型处理得到原子运动注释，设计两阶段生成框架，提升舞蹈生成的结构连贯性、节奏对齐和自然度，增强可解释性与可控编辑性。
释放多模态大语言模型用于野外无训练的人机交互检测
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所）
AI总结 该研究针对传统人机交互检测方法在开放世界和组合场景中泛化能力受限的问题，提出无训练的AgentHOI框架，利用基础模型多模态推理能力，通过上下文感知多轮推理和多方面交互定位机制，在实际场景中取得优于现有监督和弱监督方法的性能。
一种具有大范围可折叠可偏转机翼的微型混合水下滑翔器的设计、建模与实验验证
机构 * Peking University（北京大学）
AI总结 研究微型混合水下滑翔器，通过将机翼配置视为结构变量开发多体动力学模型，基于CRBA投影形成统一动态模型，提出顺序参数识别框架，经实验验证能在受限水下环境主动重构形态并增强导航。
Comments 11 pages, 8 figures, journal
CoDiffGRN：通过BEELINE-KGC基准和协同进化离散扩散重新思考基因调控网络推理
机构 * Peking University（北京大学） ； National University of Defense Technology（国防科技大学）
AI总结 该研究针对单细胞转录组数据推断基因调控网络问题，提出CoDiffGRN方法，将GRN推理转化为归纳图完成问题，引入新基准和协同进化离散扩散框架，实验表明其在新调控发现上性能优越，优于现有方法。
Comments 19 pages, 6 figures
DeGuNet：用于高效激光雷达-相机3D检测的深度引导超紧凑骨干网络
机构 * Tianjin University（天津大学） ； Peking University（北京大学）
AI总结 研究针对自动驾驶中激光雷达与相机融合检测依赖2D预训练骨干网络的问题，提出DeGuNet，通过稀疏感知机制有效对齐图像与激光雷达深度，实验证明其能消除架构冗余，提升效率并提高mAP，建立参数高效多模态3D感知新范式。
Comments Accepted to ECCV 2026
突发脉冲神经网络
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） ； State Key Laboratory of Media Convergence and Communication, Communication University of China（中国传媒大学媒体融合与传播国家重点实验室） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Peng Cheng Laboratory（鹏城实验室） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 研究SNN的准确性 - 鲁棒性问题，提出基于突发增强脉冲神经元和动态权重约束机制的BuSNN，通过理论分析和实验表明其在准确性、鲁棒性及低功耗方面优势显著，推进了SNN在相关应用中的可行性。
Comments 18 pages, 21 figures, 1 supplementary material PDF, submitted to IEEE Transactions on Pattern Analysis and Machine Intelligence
读回：预训练的多模态语言模型是文本到图像生成的零样本奖励模型
机构 * The University of Hong Kong（香港大学） ； ByteDance Seed（字节跳动Seed） ； Peking University（北京大学）
AI总结 研究提出SpectraReward将预训练多模态语言模型转为图像生成强化学习奖励模型，用图像条件提示对数似然作奖励，还引入Self-SpectraReward形成闭环框架。经广泛实验验证，二者能提升生成性能，表明奖励-策略对齐是关键。
突破瓶颈：用于严格归纳的沙漏推理
机构 * Peking University（北京大学）
AI总结 研究针对大语言模型少样本归纳推理能力不足的问题，提出沙漏推理方法，通过在推理阶段强制实现严格上下文隔离，构建符号编码器 - 解码器。实验表明该方法在多基准测试中显著提升准确率，证实收益源于阶段隔离和初始归纳质量。
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