高校专区
RoboMemArena：一个全面且具有挑战性的机器人记忆基准
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Tsinghua University（清华大学） ； Zhejiang University of Technology（浙江工业大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出RoboMemArena，一个包含26个任务的大型基准，通过多模态注释和真实世界评估，改进了现有机器人记忆基准的不足。PrediMem在基准测试中表现优异，为复杂记忆系统提供了新的见解。
Comments Project website: https://robomemarena.github.io
WildClawBench: 一个用于真实世界、长周期代理评估的基准测试
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Shanghai Innovation Institute（上海创新研究院） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出WildClawBench，一个包含60个双语多模态任务的原生运行时基准测试，评估代理在真实工具环境中的长周期任务能力，结果显示当前前沿模型在真实运行时表现仍不理想。
Comments Github link: https://github.com/internlm/WildClawBench
按任意粒度计数
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University, China（人工智能学院，上海交通大学，中国） ； CMIC, Shanghai Jiao Tong University, China（计算机医学研究所，上海交通大学，中国）
AI总结 本文提出多粒度计数框架，通过显式定义计数粒度解决开放世界计数问题，构建了最大的标注数据集KubriCount，并训练了HieraCount模型提升计数精度与泛化能力。
Comments Project page: https://verg-avesta.github.io/KubriCount/
你需要Masked Generative Transformer来进行图像编辑
机构 * ByteDance（字节跳动） ； National University of Singapore（新加坡国立大学） ； Duke University（杜克大学） ； Shanghai Jiao Tong University（上海交通大学） ； HKUST(GZ)（香港科技大学（广州））
AI总结 本文提出EditMGT框架，利用Masked Generative Transformers实现局部化编辑，通过多层注意力整合和区域保持采样提升编辑精度，使用CrispEdit-2M数据集在多个基准上取得最佳性能。
Comments CVPR 2026 HiGen Workshop; Project Page at https://weichow23.github.io/EditMGT/ GitHub at https://github.com/weichow23/EditMGT
BabelDOC: 通过中间表示实现更好的布局保持PDF翻译
机构 * School of Computer Engineering and Science, Shanghai University, Shanghai, China（1 上海大学计算机工程与科学学院，上海，中国） ； Funstory.ai Limited, Hong Kong SAR, China（2 Funstory.ai有限公司，香港特别行政区，中国） ； Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, China（3 上海交通大学计算机科学与工程系，上海，中国）
AI总结 BabelDOC通过中间表示框架实现布局保持的PDF翻译，解决语言处理与布局保持的矛盾，提升翻译精度和文档一致性。
Comments ACL 2026 System Demonstration paper. 2 figures
TINS: 测试时ID-原型分离的负语义学习用于OD检测
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； University of Electronic Science and Technology of China（电子科学与技术大学）
AI总结 TINS通过测试时ID-原型分离负语义学习方法，提升OOD检测性能，实验显示在Four-OOD基准上FPR95显著降低。
非盲目而是被沉默：通过对抗性反常识平衡视觉与语言
机构 * South China University of Technology（华南理工大学） ； Institute for Super Robotics (Huangpu)（机器人研究所（黄埔）） ； Shanghai Jiao Tong University（上海交通大学） ； Changsha University of Science and Technology（长沙理工大学）
AI总结 本文提出ACE框架，通过对抗性反常识补丁扰动视觉上下文，动态平衡语言先验与视觉信息，提升模型可信度。
具有教师意识的从学习优化策略中演化启发式程序
机构 * Shenzhen Technology University（深圳科技大学） ； Shanghai Polytechnic University（上海理工大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出一种教师意识的进化框架，利用独立训练的优化策略作为行为教师，通过查询教师对候选启发式程序状态的动作偏好来指导进化，提升调度、路由和图优化任务的性能。
Comments 15 pages
通过语义表示对齐提升人类图像动画
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University, China（上海交通大学人工智能学院，中国） ； Alibaba Group, China（阿里巴巴集团，中国）
AI总结 本文提出SemanticREPA方法，通过结构和ID对齐提升人类动画质量，增强动作连续性和一致性。
Comments Accepted by CVPR 2026 workshop
物理探针揭示并缓解分子表示中的化学-环境崩溃
机构 * Hainan Institute, Zhejiang University（浙江大学海南研究院） ； Institute of Marine Biology and Pharmacology, Ocean College, Zhejiang University（浙江大学海洋学院海洋生物学与药理研究所） ； School of Food and Pharmacy, Zhejiang Ocean University（浙江海洋大学食品学院） ； Hangzhou Bio-Sincerity Pharmaceutical Technology Company Limited（杭州生物 sincerity 药业技术有限公司） ； School of Pharmaceutical Sciences, Shanghai Jiao Tong University（上海交通大学药学院）
AI总结 本文提出CLAIM框架，通过对比学习恢复化学分辨率，提升分子光谱检索，并在多种分子属性任务中实现有效应用。
EvoStreaming: 你的离线视频模型本质上是一个原生流式助手
机构 * EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Fudan University（复旦大学）
AI总结 本文提出EvoStreaming框架，通过自演化方法使离线视频模型适应流式助手任务，仅需1000个自生成样本即可提升RealStreamEval评分，并保持离线性能。
Comments 33 pages, 9 figures
PaperFit：科学文档中的视觉闭环排版优化
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院）
AI总结 PaperFit通过视觉闭环优化将可编译的LaTeX文档转化为高质量PDF，解决排版问题并提升文档自动化流程的完整性。
Comments 47 pages, 17 figures, 17 tables
V-ABS：基于动作-观察者的动态视觉推理束搜索
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University（上海交通大学图像处理与模式识别研究所） ； SenseTime Research（商汤科技研究院） ； Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医学机器人研究所）
AI总结 本文提出V-ABS框架，通过思考-行动-观察循环和熵适应加权算法，缓解IAO偏差，提升多模态模型在复杂视觉推理中的性能。
CLEAR: 基于上下文的端到端无掩码推理的自适应视频字幕移除
机构 * University of Electronic Science and Technology of China（电子科技大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Technical University of Munich（慕尼黑技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； National University of Singapore（新加坡国立大学）
AI总结 CLEAR通过上下文感知的自适应学习实现端到端无掩码推理，有效区分字幕与背景内容，提升多语言字幕移除性能。
Comments Accepted by ICML 2026 (Spotlight)
通过变分正则化进行机器人操作的信息过滤
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出变分正则化方法，通过在U-Net和DiT中随机掩码骨干特征或跳过中间层，减少中间特征中的无关噪声，提升机器人操作性能。
EchoPrune: 将冗余视为时间回声以实现高效的视频大语言模型
机构 * KU Leuven（鲁文大学） ； Shanghai Jiaotong University（上海交通大学） ； Weill Cornell Medicine（韦尔医学院）
AI总结 本文提出EchoPrune方法，通过将冗余视频token视为时间回声，提升视频大语言模型在固定token预算下的时间分辨率，实验表明其在六个视频理解基准上使模型处理20倍帧数，性能提升8.6%且推理速度提升5.6倍。
Comments 9 pages
ExtraVAR: 用于视觉自回归模型中分辨率外推的阶段感知RoPE重映射
机构 * Beijing Institute of Technology（北京理工大学） ； Xidian University（西安电子科技大学） ； Northeastern University at Qinhuangdao（秦皇岛东北大学） ； Shanghai Jiao Tong University（上海交通大学） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 本文提出ExtraVAR，通过阶段感知RoPE重映射解决视觉自回归模型中分辨率外推的全局重复、局部重复和细节退化问题，引入熵驱动自适应注意力校准提升结构和细节质量。
Comments 10 pages, 7 figures
位置：学术会议可能面临由完全自动化科学代理引发的分母游戏威胁
机构 * Shanghai Jiao Tong University（上海交通大学） ； Central South University（中南大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文探讨了由完全自动化科学代理引发的分母游戏威胁，分析了其对学术会议评审系统的影响，并提出系统性政策改革作为缓解措施。
Comments Accepted by ICML'26 Position Track
PDEAgent-Bench: 一个多指标、多库的PDE求解器生成基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Tencent（腾讯） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Arizona State University（亚利桑那州立大学） ； Rice University（里士满大学） ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学） ； Alibaba Group（阿里巴巴集团）
AI总结 PDEAgent-Bench是首个针对PDE求解器生成的多指标、多库基准，包含645个实例，涵盖6类数学问题和11种PDE家族，评估生成求解器的可执行性、数值精度和计算效率。
反射锚点用于长链多模态推理中的传播感知视觉保留
机构 * Shanghai Jiao Tong University（上海交通大学） ； Lanzhou University（兰州大学）
AI总结 本文提出RAPO方法，通过信息论分析优化视觉传播潜力和局部分支空间，提升长链多模态推理的视觉信息保留效果。
Comments Under Review
生物信号指纹：一种跨模态PPG-ECG基础模型
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research（牛津苏浙先进研究中心） ； School of Public Health, Shanghai Jiao Tong University（上海交通大学公共卫生学院）
AI总结 本文提出生物信号指纹，通过跨模态基础模型M2AE生成紧凑且可迁移的心血管状态表示，实现无需重新训练的多任务应用，在多个任务中表现出色。
Comments 21 pages, 8 figures, 7 tables
SWIFT: 用于高效交互长视频生成的提示自适应内存
机构 * University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 SWIFT提出一种无需训练的多提示长视频生成框架，通过轻量级语义注入缓存和自适应动态窗口实现高效语义切换，保持时间一致性，达到22.6 FPS的高效生成速度。
Comments Code is available at https://github.com/ShanwenTan/SWIFT
超越孤立：一个通用导航的统一基准
机构 * AutoLab, SAI, Shanghai Jiao Tong University（自动化实验室、上海交通大学） ； Research Lab, Anyverse Dynamics（Anyverse Dynamics 研究实验室）
AI总结 本文提出OmniNavBench基准，通过复合复杂性、形态通用性和演示质量三大变革，解决通用导航中跨技能协调与跨形态泛化的问题，揭示现有方法在复杂导航任务中的不足。
Comments Accepted at RSS 2026
EduStory: 一个统一框架，用于教学一致的多镜头STEM教学视频生成
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出EduStory框架，通过整合教学状态建模、脚本引导的结构控制和学习导向评估指标，解决多镜头STEM教学视频中知识一致性与教学叙事连贯性的问题，并引入EduVideoBench基准测试以评估生成视频的质量。
维特根斯坦表示假说：语言是否是多模态收敛的吸引子？
机构 * Central South University（中南大学） ； Huazhong University of Science and Technology（华中科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团）
AI总结 研究探讨了为何不同模态的神经网络收敛于共享表示，发现语言模态对其他模态有显著方向性吸引，提出维特根斯坦表示假说。
Comments 22 pages, 11 figures, 6 tables
ReasonSTL：通过工具增强的过程奖励学习桥接自然语言与信号时间逻辑
机构 * Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出ReasonSTL框架，通过工具增强和过程奖励学习，解决自然语言到信号时间逻辑（STL）的转换难题，提供透明、低成本且隐私保护的正式规范起草方案。
SDFlow：基于相似度的流匹配用于时间序列生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai University（上海大学） ； Nanyang Technological University（南洋理工大学） ； Chinese Academy of Sciences（中国科学院） ； Institute for Infocomm Research, A*STAR（信息通信研究院，A*STAR）
AI总结 SDFlow通过非自回归框架在冻结的VQ潜在空间中实现并行序列生成，解决曝光偏差问题，降低高维性，引入离散监督，提升生成质量与效率。
从扩散策略中恢复隐藏奖励
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出EnergyFlow框架，通过参数化标量能量函数的梯度作为去噪场，统一生成动作建模与逆强化学习，证明在最大熵最优性下，去噪分数匹配学习的分数函数能恢复专家的软Q函数梯度，无需对抗训练即可提取奖励。
Comments Accepted by ICML 2026
HiVLA：一种以视觉为基础的分层具身操作系统
机构 * The University of Hong Kong（香港大学） ； Shanghai AI 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）
AI总结 HiVLA提出一种分层框架，将高层语义规划与底层动作控制解耦，通过视觉 grounding 和 Diffusion Transformer 专家提升机器人操作能力，实验证明其在长时序技能组合和精细操作中表现优异。
Comments Project Page: https://tianshuoy.github.io/HiVLA-page/
Pair2Scene：学习局部物体关系以生成程序化场景
机构 * The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出Pair2Scene框架，通过学习局部规则与场景层次和物理算法，生成高保真的3D室内场景，优于现有方法。
Comments ICML 2026
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