Shanghai Jiao Tong University（上海交通大学）

AdvDMD: Adversarial Reward Meets DMD For High-Quality Few-Step Generation

AdvDMD：对抗性奖励与DMD结合实现高质量少步生成

Xu Wang, Zexian Li, Litong Gong, Tiezheng Ge, Zhijie Deng

机构 * Shanghai Jiao Tong University（上海交通大学） ； Alimama Tech（阿里巴巴技术） 纠错

AI总结 本文提出AdvDMD方法，结合DMD蒸馏与强化学习，通过对抗训练的判别器作为奖励模型，提升少步生成质量并稳定训练过程。

GUI Agents with Reinforcement Learning: Toward Digital Inhabitants

具有强化学习的图形用户界面代理：迈向数字居民

Junan Hu, Jian Liu, Jingxiang Lai, Jiarui Hu, Yiwei Sheng, Shuang Chen, Jian Li, Dazhao Du, Song Guo

机构 * Shandong University（山东大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tencent（腾讯） 纠错

AI总结 本文探讨了强化学习与GUI代理的结合，提出分类体系及趋势分析，旨在指导下一代鲁棒GUI自动化及基础设施发展。

Comments Project Page: https://github.com/Steve2457/Awesome-RL-GUI-Agents

DPN-LE: Dual Personality Neuron Localization and Editing for Large Language Models

DPN-LE: 大语言模型双人格神经元定位与编辑

Lifan Zheng, Xue Yang, Jiawei Chen, Chenyan Wu, Jingyuan Zhang, Fanheng Kong, Xinyi Zeng, Xiang Chen, Yu Tian

机构 * Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Zhongguancun Academy（中关村学院） ； Zhejiang University of Technology（浙江工业大学） ； Kuaishou Technology（快手科技） ； Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） 纠错

AI总结 本文提出DPN-LE方法，通过对比高特质与低特质样本的MLP激活，定位并编辑双人格神经元，实现精准的人格控制与能力保留。

Journal ref ACL 2026 Findings

GazeVLA: Learning Human Intention for Robotic Manipulation

GazeVLA：学习人类意图以促进机器人操作

Chengyang Li, Kaiyi Xiong, Yuan Xu, Lei Qian, Yizhou Wang, Wentao Zhu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology, Ningbo（宁波东部科技研究院） ； Peking University（北京大学） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 本文提出GazeVLA框架，通过学习人类意图弥合人机之间的固有差距，提升机器人操作性能。

Comments Project page: https://gazevla.github.io

OmniDrive-R1: Reinforcement-driven Interleaved Multi-modal Chain-of-Thought for Trustworthy Vision-Language Autonomous Driving

OmniDrive-R1: 基于强化学习的交错多模态链式推理用于可信的视觉-语言自动驾驶

Zhenguo Zhang, Haohan Zheng, Yishen Wang, Le Xu, Tianchen Deng, Xuefeng Chen, Qu Chen, Bo Zhang, Wuxiong Huang

机构 * ShanghaiTech University（上海科技大学） ； Tsinghua University（清华大学） ； Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； MEGVII Technology（美科维七科技） ； AFARI 纠错

AI总结 本文提出OmniDrive-R1，通过交错多模态链式推理机制统一感知与推理，引入强化驱动的视觉 grounding 能力，提升自动驾驶中的推理准确性和稳定性，实验显示其在DriveLMM-o1数据集上的表现显著优于基线模型。

Robot Learning from Human Videos: A Survey

从人类视频学习机器人：综述

Junyi Ma, Erhang Zhang, Haoran Yang, Ditao Li, Chenyang Xu, Guangming Wang, Hesheng Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文综述了通过人类视频学习机器人技能的方法，探讨了政策学习基础、人类视频接口、技能转移层次分类及数据基础，分析了挑战与未来研究方向。

Comments Paper list: https://github.com/IRMVLab/awesome-robot-learning-from-human-videos

PRTS: A Primitive Reasoning and Tasking System via Contrastive Representations

PRTS：通过对比表示实现的原始推理与任务系统

Yang Zhang, Jiangyuan Zhao, Chenyou Fan, Fangzheng Yan, Tian Li, Haitong Tang, Sen Fu, Xuan'er Wu, Qizhen Weng, Weinan Zhang, Xiu Li, Chi Zhang, Chenjia Bai, Xuelong Li

机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） 纠错

AI总结 PRTS通过目标引导强化学习重构预训练过程，学习统一嵌入空间以评估物理可行性，提升机器人任务执行与长期规划能力。

Comments 38 pages, 12 figures

DOT-Sim: Differentiable Optical Tactile Simulation with Precise Real-to-Sim Physical Calibration

DOT-Sim: 基于精确实-仿真物理校准的可微光学触觉仿真

Yang You, Won Kyung Do, Aiden Swann, Rika Antonova, Monroe Kennedy, Leonidas Guibas

机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； Toyota Research Institute University 2.0 Program（丰田研究院大学2.0计划） ； ARL grant W911NF-21-2-0104（ARL授予的W911NF-21-2-0104项目） ； Vannevar Bush Faculty Fellowship（范内var布什教职 fellowship） ； Flexiv corporation（Flexiv公司） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出DOT-Sim，通过材料点法建模软传感器为弹性材料，实现高精度光学触觉仿真，支持大变形和非线性模拟，并在实-仿真任务中验证了物理和视觉真实性。

Comments Accepted at ICRA 2026

EAG-PT: Emission-Aware Gaussians and Path Tracing for Diffuse Indoor Scene Reconstruction and Editing

EAG-PT：考虑发射的高斯和路径追踪用于漫反射室内场景重建与编辑

Xijie Yang, Mulin Yu, Changjian Jiang, Kerui Ren, Tao Lu, Jiangmiao Pang, Dahua Lin, Bo Dai, Linning Xu

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 EAG-PT通过统一的2D高斯表示实现室内场景的物理重建与渲染，支持可编辑的漫反射全局光照，结合高效单次反弹优化和高质量多次反弹路径追踪，优于现有方法。

Comments SIGGRAPH 2026 Conference Paper; Project Page: https://eag-pt.github.io

In Line with Context: Repository-Level Code Generation via Context Inlining

与上下文一致：通过上下文内联实现仓库级代码生成

Chao Hu, Wenhao Zeng, Yuling Shi, Beijun Shen, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出InlineCoder框架，通过内联未完成函数到调用图中，将仓库理解转化为更易处理的函数级编码任务，提升仓库级代码生成能力。

Comments Accepted to FSE 2026

Aligning Perception, Reasoning, Modeling and Interaction: A Survey on Physical AI

对齐感知、推理、建模与交互：物理AI的综述

Kun Xiang, Terry Jingchen Zhang, Yinya Huang, Jixi He, Zirong Liu, Yueling Tang, Ruizhe Zhou, Lijing Luo, Youpeng Wen, Xiuwei Chen, Bingqian Lin, Jianhua Han, Hang Xu, Hanhui Li, Bin Dong, Xiaodan Liang

机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（云网智能技术有限公司） ； Peking University and Beijing International Center for Mathematical Research（北京大学和北京国际数学研究中心） 纠错

AI总结 本文综述了物理AI，探讨了理论物理推理与应用物理理解的区别，并分析了基于物理的方法如何提升AI在现实世界中的理解能力，推动更安全、可推广的AI系统。