Shanghai Jiao Tong University（上海交通大学）

ClassEval-Pro: A Cross-Domain Benchmark for Class-Level Code Generation

ClassEval-Pro：一个跨领域用于类级别代码生成的基准测试

Yeheng Chen, Chaoxiang Xie, Yuling Shi, Wenhao Zeng, Yongpan Wang, Hongyu Zhang, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Hohai University（淮海大学） ； Chongqing University（重庆大学） 纠错

AI总结 本文提出ClassEval-Pro，一个包含300个跨11个领域的类级别任务的基准测试，通过自动化三阶段流程构建，评估五种前沿LLM在五种生成策略下的表现，揭示了逻辑错误和依赖错误是核心瓶颈。

Comments Accepted to AIware 2026. Code and data available at https://github.com/ian-Kappa/ClassEval-Pro

FedPF: Accurate Target Privacy Preserving Federated Learning Balancing Fairness and Utility

FedPF: 一种在保障隐私的同时平衡公平性与效用的精确目标联邦学习

Kangkang Sun, Jun Wu, Minyi Guo, Jianhua Li, Jianwei Huang

机构 * The School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院，上海，中国） ； The Shanghai Key Laboratory of Integrated Administration Technologies for Information Security, Shanghai, China（上海信息安全集成管理技术重点实验室，上海，中国） ； The School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）科学与工程学院，中国） 纠错

AI总结 FedPF通过将多目标优化转化为零和博弈，平衡公平性与隐私保护，实验证明在严格隐私约束下仍能保持最低歧视水平和高效用，同时揭示了隐私和公平性需通过精心权衡而非单独优化。

Comments 13 pages, 4 figures, 33 conference, The paper has been accepted by ICDCS conference

Journal ref ICDCS conference 2026

StreamAgent: Towards Anticipatory Agents for Streaming Video Understanding

StreamAgent：面向流视频理解的前瞻性代理

Haolin Yang, Feilong Tang, Lingxiao Zhao, Xinlin Zhuang, Yifan Lu, Xiang An, Ming Hu, Xiaofeng Zhang, Abdalla Swikir, Junjun He, Zongyuan Ge, Muhammad Haris Khan, Imran Razzak

机构 * MBZUAI ； Shanghai AI Laboratory（上海人工智能实验室） ； DeepGlint ； Shanghai Jiao Tong University（上海交通大学） ； Monash University（墨尔本大学） 纠错

AI总结 本文提出StreamAgent，通过整合问题语义和历史观测，预测关键事件的时间进展，调整感知动作，提升流视频处理的响应准确性和实时效率。

DenseStep2M: A Scalable, Training-Free Pipeline for Dense Instructional Video Annotation

DenseStep2M: 一种可扩展且无需训练的密集指令视频标注流水线

Mingji Ge, Qirui Chen, Zeqian Li, Weidi Xie

机构 * SAI, Shanghai Jiao Tong University（上海交通大学人工智能研究院） 纠错

AI总结 本文提出无需训练的DenseStep2M流水线，通过分割视频、过滤对齐不佳内容并利用先进多模态模型生成高质量步骤注释，构建了包含10万视频和200万步骤的大型数据集，支持长期视频理解。

Beyond Fixed Formulas: Data-Driven Linear Predictor for Efficient Diffusion Models

超越固定公式：用于高效扩散模型的数据驱动线性预测器

Zhirong Shen, Rui Huang, Jiacheng Liu, Chang Zou, Peiliang Cai, Shikang Zheng, Zhengyi Shi, Liang Feng, Linfeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Shandong University（山东大学） ； Xiamen University（厦门大学） ； Fudan University（复旦大学） 纠错

AI总结 本文提出L2P数据驱动缓存框架，通过学习每时间步的权重替代固定系数，有效降低扩散模型采样成本，实现4.55倍FLOPs减少和4.15倍延迟加速。

Comments Accepted by CVPR 2026

DSIPA: Detecting LLM-Generated Texts via Sentiment-Invariant Patterns Divergence Analysis

DSIPA：通过情感不变模式分歧分析检测大语言模型生成文本

Siyuan Li, Aodu Wulianghai, Guangyan Li, Xi Lin, Qinghua Mao, Yuliang Chen, Jun Wu, Jianhua Li

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Shanghai Key Laboratory of Integrated Administration Technologies for Information Security（上海信息安全集成管理技术重点实验室） ； State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） 纠错

AI总结 DSIPA是一种无需训练的框架，通过量化在受控风格变化下的情感分布稳定性，检测大语言模型生成的文本，其在多个领域和对抗条件下均表现出更高的检测准确率和鲁棒性。

Seeking Consensus: Geometric-Semantic On-the-Fly Recalibration for Open-Vocabulary Remote Sensing Semantic Segmentation

寻求共识：面向开放词汇遥感语义分割的几何-语义即插即用重校准

Guanchun Wang, Chenxiao Wu, Xiangrong Zhang, Zelin Peng, Jianxun Lai, Tianyang Zhang, Xu Tang

机构 * School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院） ； MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院） 纠错

AI总结 本文提出SeeCo框架，通过几何和语义双共识学习提升遥感开放词汇语义分割性能，无需训练即可实现场景特异性重校准。

Comments 11 pages, 9 figures

PASR: Pose-Aware 3D Shape Retrieval from Occluded Single Views

PASR：基于遮挡单视图的姿态感知3D形状检索

Jiaxin Shi, Guofeng Zhang, Wufei Ma, Naifu Liang, Adam Kortylewski, Alan Yuille

机构 * Shanghai Jiao Tong University（上海交通大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） 纠错

AI总结 PASR通过将2D基础模型知识蒸馏到3D编码器，解决单视图3D形状检索中姿态感知与遮挡问题，实现更鲁棒的检索与多任务能力。

ELIQ: A Label-Free Framework for Quality Assessment of Evolving AI-Generated Images

ELIQ：一种无需标签的进化AI生成图像质量评估框架

Xinyue Li, Zhiming Xu, Min Tang, Zhaolin Cai, Sijing Wu, Xiongkuo Min, Yitong Chen, Guangtao Zhai

机构 * Shanghai Jiao Tong University（上海交通大学） ； Xi'an Jiaotong University（西安交通大学） 纠错

AI总结 ELIQ通过自动构建正负样本对，利用预训练多模态模型提升质量评估，实现无需人工标注的高质量评估，优于现有无标签方法。

ChartVerse: Scaling Chart Reasoning via Reliable Programmatic Synthesis from Scratch

ChartVerse: 通过从零开始可靠程序合成实现图表推理的扩展

Zheng Liu, Honglin Lin, Chonghan Qin, Xiaoyang Wang, Xin Gao, Yu Li, Mengzhang Cai, Yun Zhu, Zhanping Zhong, Qizhi Pei, Zhuoshi Pan, Xiaoran Shang, Bin Cui, Conghui He, Wentao Zhang, Lijun Wu

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Laboratory of Software and Hardware Cooperative Artificial Intelligence Systems（北京市软件与硬件协同人工智能系统重点实验室） 纠错

AI总结 ChartVerse通过从零开始生成复杂图表和可靠推理数据，解决开放源模型开发中高质量训练数据缺乏的问题，采用RPE量化图表复杂度并生成高复杂度图表，结合truth-anchored inverse QA合成和CoT蒸馏提升推理深度。

Comments 29 pages

ToolPRM: Fine-Grained Inference Scaling of Structured Outputs for Function Calling

ToolPRM：用于函数调用的结构化输出细粒度推理扩展

Jianghao Lin, Yuanyuan Shi, Xin Peng, Renjie Ding, Hairui Wang, Yuxuan Peng, Bizhe Bai, Weixi Song, Fengshuo Bai, Huacan Chai, Weinan Zhang, Fei Huang, Ying Wen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Longshine AI Research（长 Shine 人工智能研究院） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出ToolPRM框架，结合细粒度束搜索与过程奖励模型，提升结构化输出的推理扩展能力，并通过细粒度监督数据集改进函数调用性能。

Comments ACL 2026 (main)

A Survey of Process Reward Models: From Outcome Signals to Process Supervisions for Large Language Models

对过程奖励模型的调查：从结果信号到大语言模型的过程监督

Congmin Zheng, Jiachen Zhu, Zhuoying Ou, Yuxiang Chen, Kangning Zhang, Rong Shan, Zeyu Zheng, Mengyue Yang, Jianghao Lin, Yong Yu, Weinan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University College London（伦敦大学学院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Bristol（布里斯托大学） 纠错

AI总结 本文综述了过程奖励模型，探讨了如何生成过程数据、构建PRMs及在测试时扩展和强化学习中的应用，涵盖数学、代码、文本、多模态推理、机器人和智能体等领域。

Towards Redundancy Reduction in Diffusion Models for Efficient Video Super-Resolution

向扩散模型的冗余减少迈进：为高效视频超分辨率而优化

Jinpei Guo, Yifei Ji, Shengwei Wang, Zheng Chen, Yufei Wang, Sizhuo Ma, Yong Guo, Baiang Li, Jusheng Zhang, Yulun Zhang, Jian Wang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； Sun Yat-sen University（中山大学） ； Snap Inc.（Snap公司） ； South China University of Technology（华南理工大学） 纠错

AI总结 本文提出OASIS，一种针对真实世界视频超分辨率的高效单步扩散模型，通过注意力专业化路由减少冗余，提升性能与推理速度。

Data-Centric Foundation Models in Computational Healthcare: A Survey

计算医学中的数据驱动基础模型：一项综述

Yunkun Zhang, Jin Gao, Zheling Tan, Lingfeng Zhou, Kexin Ding, Mu Zhou, Shaoting Zhang, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Rutgers University（罗切斯特大学） ； Shanghai Jiao Tong University, China（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文综述了计算医学中数据驱动基础模型的发展，探讨了从预训练到推理的数据中心化方法，旨在提升医疗工作流程，并讨论了AI安全、评估及与人类价值观的对齐问题。

Comments Published in ACM Computing Surveys

Journal ref ACM Comput. Surv. 58, 11, Article 287 (August 2026), 35 pages