高校专区
混合归因先验用于可解释和鲁棒模型训练
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Key Lab of High Confidence Software Technologies, Peking University（北京大学高可信软件技术重点实验室） ； Kling Team（Kling团队） ； Department of Systems Engineering and Engineering Management, CUHK（CUHK系统工程与工程管理系）
AI总结 本文提出CAP Hybrid方法，通过结合CAP与现有归因技术，提升模型的可解释性和鲁棒性。
Comments 15 pages
RecTok: 修复流中的重建蒸馏
机构 * Peking University（北京大学） ； Nanyang Technological University（南洋理工大学） ； TeleAI
AI总结 RecTok通过流语义蒸馏和重建-对齐蒸馏提升高维视觉分词器的重建和生成性能，实现更丰富的潜在空间结构。
通过推测解码和NPU协同执行加速移动语言模型
机构 * Peking University（北京大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 本文提出sd.npu框架，通过推测解码和NPU协同执行，提升移动设备RAG任务的效率与能耗表现。
影响大语言模型有效深度的因素是什么？
机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； Department of Computer Science, Massachusetts Institute of Technology（计算机科学系，麻省理工学院）
AI总结 研究发现大语言模型的有效深度受模型规模、训练类型和任务难度影响，且有效深度比例稳定，提示需提升层利用率、模型剪枝和提前退出技术。
通过神经特征解码实现鲁棒的单次结构光3D成像
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Yuanpei College, Peking University（北京大学元培学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； College of Future Technology, Peking University（北京大学未来技术学院） ； 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）
AI总结 基于神经特征解码的鲁棒单次结构光3D成像方法，通过特征空间匹配提升鲁棒性，优于商业系统和被动立体深度估计。
ValuePilot：一种面向价值驱动决策的双阶段框架
机构 * State Key Laboratory of General Artificial Intelligence, BIGAI（1 通用人工智能国家重点实验室，BIGAI） ； Tsinghua University（2 清华大学） ； Peking University（3 北京大学）
AI总结 ValuePilot通过双阶段框架实现价值驱动的个性化决策，提升AI在复杂场景中的可解释性和适应性。
Comments Accepted at LAW Workshop, NeurIPS 2025
面向开放世界设置的零样本息肉检测自适应检测-验证框架
机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； Columbia University（哥伦比亚大学） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Apon AI and Brain-Computer Engineering Research Institute（Apon人工智能与脑机工程研究院） ； Faculty of Science and Technology, University of Macau（澳门大学科学与技术学院） ； Faculty of Applied Science and Engineering, University of Toronto（多伦多大学应用科学与工程学院） ； Faculty of Computer Science and Information Technology, University of Malaya（马来亚大学计算机科学与信息技术学院） ； Zhaolong Technology（智龙科技） ； Purdue University（普渡大学）
AI总结 本文提出AdaptiveDetector，通过自适应阈值调整和成本敏感强化学习，实现开放世界中零样本息肉检测，提升召回率并减少假阴性。
VideoMem: 通过自适应内存管理增强超长视频理解
机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学）
AI总结 VideoMem通过自适应内存管理框架，有效提升超长视频理解任务的性能，采用PRPO算法和两个核心模块实现高效训练和长期记忆保留。
MCTS-EP：通过在线偏好优化增强具身规划
机构 * School of Management, Fudan University, Shanghai, China（复旦大学管理学院） ； Independent Researcher（独立研究者） ； CFCS, School of Computer Science, Peking University, Beijing, China（计算机科学系，北京大学） ； PKU-AgiBot Lab, Peking University, Beijing, China（北京大学）
AI总结 MCTS-EP通过结合大语言模型与蒙特卡洛树搜索，实现具身智能体的在线偏好优化，提升多模态任务的性能表现。
跨图像和图像内细化用于少样本分割
机构 * Department of Biomedical Engineering, Peking University（北京大学生物医学工程系） ； Institute of Medical Technology, Peking University Health Science Center, Peking University（北京大学医学部医学技术研究所） ； National Biomedical Imaging Center, Peking University（北京大学国家生物医学成像中心）
AI总结 IIR通过跨图像和图像内细化方法提升少样本分割性能，解决原型表示导致的类内差距和类间干扰问题，实现更准确的先验图生成和解码器优化。
MIRA：面向真实世界健康数据的医学时间序列基础模型
机构 * Microsoft Research（微软研究院） ； University of Manchester（曼彻斯特大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院伦敦分校）
AI总结 MIRA是一种专为医学时间序列预测设计的基础模型，通过连续时间旋转位置编码、频率特定混合专家层和连续动态外推块，实现对不规则时间间隔、异质采样率和缺失值的高效处理，提升医疗时间序列数据的预测精度和跨机构迁移能力。
Comments NeurIPS 2025 Main Conference
QCircuitBench：用于量子算法设计的大型数据集
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Center on Frontiers of Computing Studies, Peking University（北京大学计算前沿研究中心） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Anderson School of Management, University of California, Los Angeles（美国加州大学洛杉矶分校安德森管理学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 QCircuitBench是一个用于评估AI在量子算法设计中能力的大型数据集，包含多种任务和算法，揭示了大语言模型在此领域的局限性。
Comments 45 pages, 17 figures, 15 tables, GitHub repository: https://github.com/EstelYang/QCircuitBench
有机合成过程生成的科学推理模型
机构 * Microsoft Research AI for Science（微软研究院人工智能科学部） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 QFANG通过化学引导推理框架生成高质量合成程序，提升计算机辅助合成规划与自动化实验室合成的衔接。
深度神经网络中特征选择的非参数统计方法及其理论保证
机构 * Department of Statistics and Actuarial Science, The University of Hong Kong（统计与精算科学系，香港大学） ； Peking University HSBC Business School（北京大学汇丰商学院）
AI总结 本文提出了一种非参数统计方法，通过神经网络索引模型和二次Stein公式，在理论保证下实现深度神经网络中的特征选择，适用于高维和稀疏场景。
Comments 64 pages
从用户界面到代理界面：UI表示的效率优化以提升LLM代理性能
机构 * Key Lab of HCST (PKU), MOE（HCST关键实验室（PKU），教育部） ； SCS, Peking University（SCS，北京大学） ； Tencent Inc.（腾讯公司） ； University of Texas at Dallas（德克萨斯大学达拉斯分校）
AI总结 UIFormer通过约束优化和结构分解，优化LLM代理的UI表示效率，实现令牌减少与性能提升的平衡。
通过演示编辑强化学习实现通用灵巧功能抓取
机构 * Peking University（北京大学） ； BeingBeyond
AI总结 本研究提出DemoFunGrasp，通过演示编辑强化学习实现通用灵巧功能抓取，提升抓取性能和现实泛化能力。
Comments 19 pages
无人落伍：如何利用不完整且偏斜的多标签数据进行转化率预测
机构 * Peking University（北京大学） ； Noah's Ark Lab, Huawei（华为诺亚实验室） ； Huawei Technology Co., Ltd.（华为技术有限公司）
AI总结 本文提出KAML框架，通过细粒度知识转移和分层知识提取机制，解决不完整且偏斜多标签数据下的转化率预测问题。
虚假的安全感：基于探测的恶意输入检测为何无法泛化
机构 * National University of Singapore（新加坡国立大学） ； Peking University（北京大学） ； University of California, Davis（加州大学戴维斯分校）
AI总结 研究指出基于探测的恶意输入检测方法因学习表面模式而非语义有害性，导致无法泛化，需重新设计模型和评估协议。
通过人类视频中的视觉-物理对齐实现空间感知的VLA预训练
机构 * Peking University（北京大学） ； Renmin University of China（中国人民大学） ； BeingBeyond
AI总结 通过人类视频中的视觉-物理对齐实现空间感知的VLA预训练，提升机器人任务的稳健性和通用性。
基于内容适应的运动对齐框架用于学习视频压缩
机构 * Shenzhen Graduate School, Peking University, Shenzhen, China（北京大学深圳研究生院） ； Pengcheng Laboratory, Shenzhen, China（鹏城实验室）
AI总结 本文提出基于内容适应的运动对齐框架，通过改进编码策略和运动估计，实现更高效的视频压缩性能。
Comments Accepted to Data Compression Conference (DCC) 2026 as a poster paper
L-STEC: 基于长期空间-时间增强上下文的学习视频压缩
机构 * Shenzhen Graduate School, Peking University（北京大学深圳研究生院） ； Pengcheng Laboratory（鹏城实验室） ； National Engineering Research Center for Visual Technology, School of Computer Science, Peking University（国家视觉技术工程研究中心，北京大学计算机学院） ； Bytedance Inc（字节跳动公司）
AI总结 L-STEC通过引入长期空间-时间增强上下文，提升视频压缩效率，实现比现有方法更高的PSNR和MS-SSIM性能。
Comments Accepted to Data Compression Conference (DCC) 2026 as an oral paper
解锁基于强化学习的多模态推理中难度先验的潜力
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR&MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） ； Zhongguancun Academy（中关村学院）
AI总结 本文通过建模问题难度先验信息，改进基于强化学习的多模态推理性能，通过数据筛选、优势分化和难度提示提升模型推理深度和准确性。
实例自适应关键点学习与局部到全局几何聚合用于类别级物体姿态估计
机构 * Wuhan Institute of Technology（武汉理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学）
AI总结 INKL-Pose通过实例自适应关键点学习与局部到全局几何聚合，实现类别级物体姿态估计的高精度与高效性。
RobustMerge: 用于MLLMs的参数高效模型合并的鲁棒性
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； Centre for Artificial Intelligence and Robotics, HKISI-CAS（香港科学院智能机器人中心） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Shenzhen Loop Area Institute（深圳河套学院） ； 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国家重点实验室）
AI总结 RobustMerge提出一种无需训练的参数高效模型合并方法，通过参数修剪和跨任务归一化提升多任务泛化能力。
Comments NeurIPS 2025 (Spotlight)
高效的时间图神经共同邻居用于时间图链接预测
机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； State Key Laboratory of General Artificial Intelligence, Peking University（通用人工智能国家重点实验室，北京大学）
AI总结 TNCN通过高效的时间图架构和多跳共同邻居学习，实现了在大规模时间图上高效且准确的链接预测。
GCoDE: 通过架构映射联合搜索实现高效的设备-边缘协同推理
机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Qingdao Research Institute, Beihang University（北京航空航天大学青岛研究院） ； School of Computer Science and Engineering, Peking University（北京大学计算机科学与工程学院） ； School of Integrated Circuits and Engineering, Beihang University（北京航空航天大学集成电路与工程学院）
AI总结 GCoDE通过架构映射联合搜索实现高效的设备-边缘协同推理，提升GNN推理效率与能耗表现。
Comments accepted by IEEE Transactions on Computers
DentalGPT: 促进牙科多模态复杂推理的激励机制
机构 * Shenzhen Stomatology Hospital (Pingshan) of Southern Medical University（南方医科大学深圳口腔医院（平山）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； State Key Laboratory of Membrane Biology, Beijing Key Laboratory of Cardiometabolic Molecular Medicine, Institute of Molecular Medicine, National Biomedical Imaging Center, School of Future Technology, Peking University（北京大学膜生物学国家重点实验室、北京心代谢分子医学重点实验室、分子医学研究院、国家生物医学成像中心、未来技术学院） ； Freedom AI ； Division of Applied Oral Sciences & Community Dental Care Faculty of Dentistry, The University of Hong Kong（香港大学牙科学院应用口腔科学与社区牙科护理系） ； Beijing Institute of Collaborative Innovation（北京协同创新研究院） ； National Health Data Institute, Shenzhen（深圳国家健康数据研究院） ； Shenzhen Loop Area Institute（深圳河套学院） ； Shenzhen Institute of Big Data（深圳大数据研究院）
AI总结 DentalGPT通过高质量数据和强化学习提升牙科多模态推理能力，实现优于现有模型的诊断性能。
重建作为事件驱动视觉问答的桥梁
机构 * Peking University（北京大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学）
AI总结 本文提出基于重建的框架，通过FRT和ART方法提升事件驱动视觉问答性能，并引入EvQA基准验证其有效性。
从宏观到微观：通过视觉-语言模型在分子上基准测试微观空间智能
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大型模型与智能治理研究重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程研究中心） ； Dept. of Comp. Sci. & Tech., Tsinghua University（清华大学计算机科学与技术系） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； SKL-ESPC & SEPKL-AERM, College of Environmental Sciences and Engineering, Peking University（环境科学与工程学院，北京大学） ； MAIS, Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院） ； DAMO Academy, Alibaba Group, Hangzhou, China（阿里巴巴集团 DAMO Academy，中国杭州） ； Hupan Lab, Hangzhou, China（杭州实验室）
AI总结 本文提出MiSI-Bench基准测试框架，评估视觉-语言模型在分子微观空间智能任务中的表现，发现微调模型在空间转换任务上超越人类，但需整合领域知识以推动科学AGI发展。
用状态链将非正式证明翻译成正式证明
机构 * School of Mathematical Sciences, Peking University, Beijing 100871, P.R. China（北京大学数学科学学院）
AI总结 通过状态链方法将非正式证明转换为正式证明，提升证明生成效率和准确性。
Comments 31 pages, 5 figures
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