高校专区
AHA-WAM：异步自适应时域世界-动作建模与观测引导的上下文路由
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Baidu AI Cloud（百度智能云） ； The University of Hong Kong（香港大学）
AI总结 提出AHA-WAM，一种基于双扩散Transformer的异步时域自适应世界-动作模型，通过低频世界规划器和高频动作执行器解耦时序，实现高效闭环控制，在RoboTwin和真实任务上达到SOTA性能。
Comments Project page: https://serene-sivy.github.io/aha-wam/
SynManDex: 从合成人类预抓取中合成类人灵巧抓取
机构 * Shanghai AI Lab（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； Shenzhen University（深圳大学） ； Fudan University（复旦大学） ； University of Hong Kong（香港大学） ； ZTE Corporation（中兴通讯股份有限公司）
AI总结 提出SynManDex流水线，利用生成的人类预抓取作为启发，通过机器人原生优化实现力闭合接触，生成类人灵巧抓取，在仿真和真实机器人上取得高成功率和类人性。
跨物理系统的控制微分方程数据驱动发现
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院） ； Ningbo Key Laboratory of Advanced Manufacturing Simulation, Eastern Institute of Technology（东部理工学院宁波先进制造仿真重点实验室） ； The State Key Lab of Brain-Machine Intelligence, Zhejiang University（浙江大学脑机智能全国重点实验室） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Department of Chemical and Environmental Engineering, Yale University（耶鲁大学化学与环境工程系） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； School of Engineering Sciences, University of Chinese Academy of Sciences（中国科学院大学工程科学学院） ； DP Technology
AI总结 本文提出问题导向视角，通过二维相图组织方程可发现性，并引入表示-评估-优化（REO）框架抽象发现过程，旨在从数据中推断物理定律，推动理论修正与新概念形成。
代码不仅仅是文本：代码生成的不确定性估计
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学）
AI总结 针对代码生成中错误程序的可靠性问题，提出基于词法、算法和功能三个正交轴的不确定性估计方法，在五个代码LLM上将AUROC提升8.1个百分点。
H2HMem: 面向人际交互中智能体的多模态记忆基准
机构 * Jilin University（吉林大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California at Merced（加州大学默塞德分校）
AI总结 提出H2HMem基准，通过双人和多人多模态对话评估智能体在记忆召回、推理和应用方面的能力，揭示现有模型在多模态、多参与者场景下的显著局限。
Comments 22 pages, 6 figures
SG-OPD: 通过符号一致性门控和分阶段教师采样的符号门控在线蒸馏
机构 * Zhejiang University（浙江大学） ； Hunan University（湖南大学） ； Tianjin University（天津大学） ； Shanghai Jiao Tong University（上海交通大学） ； Jilin University（吉林大学）
AI总结 针对在线蒸馏中轨迹级对齐和教师偏好均匀可靠性假设的失效问题，提出SG-OPD方法，通过符号一致性门控和分阶段教师采样改进蒸馏效果，在竞赛级数学推理任务上平均提升1.98和7.50。
NüshuVoice：利用音高感知文本到语音技术复兴濒危女书的声音
机构 * Ocean University of China（中国海洋大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Cornell University（康奈尔大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Michigan–Ann Arbor（密歇根大学安娜堡分校） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 针对女书语音数据稀缺问题，提出NüshuVoice基准和F0条件VITS框架Nüshu-PitchVITS，利用五级音高标注作为韵律先验，在频谱保真度、音高重建和可懂度上优于强基线。
Comments 12 pages, 3 figures
Visual Para-Thinker++：用于视觉推理的单策略多智能体框架
机构 * Zhejiang University（浙江大学） ； Hunan University（湖南大学） ； Tianjin University（天津大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Jiao Tong University（上海交通大学） ； Jilin University（吉林大学）
AI总结 提出Visual Para-Thinker++框架，通过共享MLLM策略实例化为多个角色智能体并行推理，结合多智能体能力注入和角色解耦优化，有效缓解视觉推理中的早期感知承诺和幻觉问题。
DiffSight-Former：建模结构差异和时间动态用于青光眼进展预测
机构 * The University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出DiffSight-Former框架，通过时间变异特征提取、多结构差异建模和时间感知Transformer，从序列眼底图像中预测青光眼进展，在SIGF和GRAPE数据集上取得高AUC和灵敏度。
Comments 12 pages, 6 figures
基于平移光流与不确定性掩膜的自主FPV飞行
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 提出利用平移光流和不确定性掩膜增强FPV四旋翼自主飞行，在仿真和真实森林环境中实现高达13.91 m/s和11.79 m/s的飞行速度，成功率93.3%。
SpaceVLN：具有在线空间认知记忆与推理的零样本视觉与语言导航智能体
机构 * Shanghai Jiao Tong University（上海交通大学） ； China Telecom（中国电信） ； Central South University（中南大学） ； Jiangsu University（江苏大学）
AI总结 提出SpaceVLN，通过空间认知记忆和任务引导的空间推理，在零样本设置下实现连续环境中的视觉与语言导航，在多个基准上达到最优性能。
Comments 23 pages, 9 figures, 7 tables
OASIS：从仿真数据收集到真实世界人形机器人移动操作
机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Fudan University（复旦大学） ； East China University of Science and Technology（华东理工大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出OASIS框架，利用3D生成模型从真实图像重建物体资产，在仿真中收集并增强轨迹数据，训练层次化视觉运动策略，实现零样本部署下人形机器人移动操作，成功率优于真实遥操作数据。
Comments Project Page: https://oasis-humanoid.github.io/
SAEExplainer: 基于激活引导偏好优化的SAE特征解释
机构 * Shanghai Jiao Tong University（上海交通大学） ； NJIT（新泽西理工学院） ； Jilin University（吉林大学） ； Institute of Computing Technology, CAS（中国科学院计算技术研究所） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出SAEExplainer框架，利用激活分数作为奖励信号，通过两轮优化迭代自纠正基础解释，减少解释幻觉并增强因果触发模式。
HACK++：面向高效视觉自回归建模的更有效的头部感知键值压缩
机构 * Shanghai Jiao Tong University（上海交通大学） ； Rakuten（乐天） ； Tsinghua University（清华大学）
AI总结 针对VAR模型跨尺度KV缓存导致的高计算和内存开销，提出无训练头部感知压缩框架HACK++，通过离线分类头部类型和自适应预算分配，在极低缓存预算下保持近无损生成。
SSR: 模拟患者能否学会自我污名化？通过内心独白建模自我污名
机构 * Shanghai Jiao Tong University（上海交通大学） ； X-LANCE Lab, Dept. of Computer Science and Engineering（X-LANCE实验室，计算机科学与工程系） ； MoE Key Lab of Artificial Intelligence, AI Institute（教育部人工智能重点实验室，人工智能研究院）
AI总结 提出基于心理3A1H模型的SSR框架，通过内心独白数据集和链式思维微调LLM，使模拟患者根据对话触发动态调整污名表达，生成更真实的情境适应性反应。
推理中的跨LLM一致性：来自共享交互的证据
机构 * School of Computer Science Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Ningbo Key Laboratory of Advanced Manufacturing Simulation Eastern Institute of Technology, Ningbo（宁波市先进制造仿真重点实验室，宁波东方理工大学） ； College of Computer and Information Science Chongqing Normal University（重庆师范大学计算机与信息科学学院） ； SymtrustAI.com ； Eastern Institute of Technology, Ningbo（宁波东方理工大学）
AI总结 研究发现，不同大型语言模型在相同提示下预测相同目标词时，常共享交互模式，且高级模型一致性更强，共享交互通常阶数更低、正负抵消更弱。
Comments 20 pages, 8 figures
三思而后行：基于意图引导推理的LLM位置预测
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 提出IntentPOI框架，通过两阶段意图引导推理（先推断用户出行意图，再基于意图选择POI），将位置预测从直接轨迹匹配转化为意图推理，在三个真实数据集上超越11个基线。
重新审视机器人操作中的关节部件感知
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 提出几何主结构（GPS）作为关节部件的新表示，结合VR设备实现高效标注，训练通用模型，在零样本下达到73%操作成功率。
Comments CVPR2026
超越同质性：迈向广义图重构攻击与防御
机构 * Hong Kong Baptist University（香港浸会大学） ； Shanghai Jiao Tong University（上海交通大学） ； Stanford University（斯坦福大学）
AI总结 针对图神经网络可能泄露训练图邻接信息的问题，提出基于马尔可夫链近似的攻击方法MC-GRA(+)和防御方法MC-GPB(+)，在异质图上实现高保真重构攻击并有效防御。
EgoAERO：无需物体资产，从单个第一人称视频学习灵巧操作
机构 * School of Astronautics, Harbin Institute of Technology（哈尔滨工业大学航天学院） ； Lumos Robotic ； Suzhou Research Institute, Harbin Institute of Technology（哈尔滨工业大学苏州研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； Nanjing University（南京大学） ； Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； Fudan University（复旦大学）
AI总结 提出EgoAERO框架，无需物体资产，从单个第一人称RGB-D视频中通过无资产物体跟踪与重建、自我运动补偿和自适应接触优化重建接触一致的手-物轨迹，并利用两阶段残差学习转化为机器人策略，实现单次演示的灵巧操作。
IEA：通过三阶段多任务对齐的业余友好型对话式图像编辑代理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institution（上海创新研究院） ； Huawei Technologies Ltd.（华为技术有限公司） ； Nanyang Technological University（南洋理工大学） ； Jiangsu Key Lab of Language Computing（江苏省语言计算重点实验室）
AI总结 提出IEA对话式图像编辑代理，通过三阶段多任务训练学习操作参数化工具，实现可解释编辑轨迹，在像素距离和ROUGE-L指标上优于基线，用户研究中指令跟随和感知质量表现最佳。
Comments [CVPR 2026 Findings] Our data and code are released at https://github.com/OpenDFM/Image_Edit_Agent
Embody4D: 面向具身4D世界建模的通用数据引擎
机构 * Zhejiang University（浙江大学） ； Beijing Zhongguancun Academy（北京中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学）
AI总结 提出Embody4D视频到视频世界模型，通过3D感知合成管道、潜在置信度专家调制和交互注意力机制，将单目机器人视频转换为多视角视频，解决具身智能中视角稀疏问题，提升下游规划与学习性能。
放射学中比较推理的视觉语言框架
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Radiology, Renmin Hospital of Wuhan University（武汉大学仁民医院放射科） ； Shanghai Sixth People’s Hospital Affiliated to Shanghai Jiao Tong University（上海交通大学附属第六人民医院）
AI总结 提出一个实体感知的跨图像推理框架，通过构建大规模比较影像数据集MedReCo-DB和开发MedReCo及MedReCo-VLM模型，实现了参考病例检索和时间比较解读，显著提升了放射学比较推理性能。
Wasserstein策略梯度在熵正则化强化学习中的全局收敛性
机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文通过利用熵正则化强化学习的Bellman结构，证明了Wasserstein策略梯度（WPG）方法的全局收敛性，并建立了分布Polyak-Łojasiewicz条件。
BORA: 弥合离线强化学习与在线残差适应以实现真实世界灵巧VLA模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； CASIA（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室） ； USTC（中国科学技术大学）
AI总结 提出BORA框架，通过离线构建动作条件价值引导的评论家，并结合在线冻结VLA基础、引入人类在环的分块残差适应机制，解决灵巧操作中高维探索导致的时间不一致、样本低效和硬件风险问题，在五个真实灵巧任务上平均成功率提升33%。
Comments 24 pages,11 figures
S3Mem：用于长时域交互式问答的结构化时空场景-事件记忆
机构 * 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） ； Shanghai AI Laboratory（上海人工智能实验室） ； City University of Hong Kong（香港城市大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The University of Sydney（悉尼大学） ； Beihang University（北航）
AI总结 提出S3MEM框架，通过结构化场景-事件记忆和锚点敏感检索，在长时域交互式问答中实现比通用记忆接口更优的准确率-效率平衡。
DeltaBox: 通过毫秒级沙箱检查点/回滚扩展状态化AI代理
机构 * Institute of Parallel and Distributed Systems, Shanghai Jiao Tong University（并行与分布式系统研究所，上海交通大学） ； Engineering Research Center for Domain-specific Operating Systems, Ministry of Education, China（领域特定操作系统工程研究中心，中华人民共和国教育部，中国） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 本文提出DeltaBox，一种通过DeltaFS和DeltaCR机制实现毫秒级检查点/回滚的新型AI代理沙箱，解决了传统方法在高频状态探索中的延迟问题。
RAS：一种面向可靠性的自动语音识别度量标准
机构 * X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University, China（上海交通大学计算机科学学院X-LANCE实验室，中国） ； MoE Key Lab of Artificial Intelligence（人工智能MOE重点实验室；江苏语言计算重点实验室，中国） ； Jiangsu Key Lab of Language Computing, China
AI总结 本研究提出了一种面向可靠性的度量标准RAS，用于评估自动语音识别系统在不确定段落中的转录可靠性，通过引入一种具有退避意识的转录框架，结合人类偏好校准的参数，提升了转录的可靠性同时保持了准确性。
Comments 5 pages, 4 figures; Accepted at InterSpeech 2026
UAOR: 面向视觉-语言-动作模型的不确定性感知观测重注入
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） ； New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别新技术实验室） ； Shanghai Jiao Tong University（上海交通大学） ； FiveAges（五代）
AI总结 提出UAOR模块，通过动作熵检测不确定性，在语言模型高不确定层重注入观测信息，无需额外训练或数据，提升VLA模型在仿真和真实任务中的性能。
UniVoice: 统一自回归ASR与基于流匹配的TTS的大语言模型框架
机构 * Xiamen University, China（厦门大学） ； Shanghai Innovation Institute, China（上海创新研究院） ； Shanghai Jiao Tong University, China（上海交通大学） ； Zhejiang University, China（浙江大学）
AI总结 提出UniVoice，通过连续表示统一语音识别与合成，结合自回归建模和流匹配，设计双重注意力机制解决模态差异，实现高质量零样本语音克隆。
Comments accepted at interspeech2026
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