高校专区
视觉工具使用的错觉：对图像思考的因果审查
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文通过因果审查方法，发现多模态大语言模型的视觉工具使用存在“调用而不查看”“查看而不规划”等错觉，整体准确率增益下大量场景无因果效果。
EnvACE：通过世界预演内化环境动态以实现智能体强化学习
机构 * 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） ； Sun Yat-sen University（中山大学） ； Central South University（中南大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tencent Inc.（腾讯公司）
AI总结 本文提出 EnvACE 方法，以世界预演替代外部环境交互训练 LLM 智能体，在多基准测试中性能优于基线，可突破外部环境约束扩展 LLM 智能体训练。
Diff-VF：基于扩散模型的免训练高质量长视频生成
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）
AI总结 提出免训练的Diff-VF框架，通过三种互补策略及跳跃残差引导，实现高质量长视频生成，在时间一致性与动作多样性上优于现有基线。
Comments Accepted for publication in ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM)
利用层级推理和话语级目标奖励增强大型语言模型的社交智能
机构 * Alibaba Group（阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 该研究针对LLMs社交互动不足的问题，提出TSR框架与LHRL-VGR算法，微调Qwen2.5-7B智能体后在SOTOPIA基准上超过GPT-4o基线7.32%，实现多智能体社交谈判的最优性能。
SR-JEPA：在3D场景中学习预测性隐状态
机构 * Boston University（波士顿大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出SR-JEPA，一种面向场景级点云的原生点JEPA，通过仅使用自包含的3D EMA目标训练，在3D场景实体缺失时可查询预测隐状态，在ARKitScenes和Sr3D数据集上取得了良好的语义预测性能，揭示了可组合的3D预测状态。
Comments 17 pages, 5 figures, 9 tables
G$^2$ARD-GS：几何引导的锚点正则化高斯溅射蒸馏
机构 * Shanghai Jiao Tong University（上海交通大学） ； Jishu Technology Co., Ltd.（集度科技有限公司）
AI总结 针对3D高斯溅射模型基元过多导致成本高的问题，提出G$^2$ARD-GS几何引导蒸馏方法，在MatrixCity数据集上实现最优压缩性能，提升了外观适配与配准精度。
势匹配最优传输：用于精确$p$-Wasserstein动力学的连续归一化流
机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院）
AI总结 本研究提出PMOT势匹配最优传输框架，结合CNF与广义Benamou-Brenier形式，实现$p$-最优传输的精确动力学建模，在合成基准、高维表格数据及颜色变换任务中表现出良好性能。
Engram-E2VID：基于外观印迹生成激活的参考式事件到视频重建方法
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学） ； DISCOVER Robotics（DISCOVER机器人公司）
AI总结 本研究提出Engram-E2VID框架，通过外观印迹生成激活实现参考式事件到视频重建，在三个基准测试中PSNR最高提升3.29 dB、LPIPS最高降低0.08，性能随重建间隔增加下降更慢。
Comments 9 pages, 5 figures
MobileWAM：用前瞻链将世界动作模型（WAM）与移动操作任务对接
机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； AIR Wuxi Innovation Center, Tsinghua University（清华大学AIR无锡创新中心） ； The University of Adelaide（阿德莱德大学） ； Wuhan University（武汉大学） ； Southeast University（东南大学） ； Beijing Jiaotong University（北京交通大学） ； Fudan University（复旦大学） ； Li Auto（理想汽车） ； School of Information, Renmin University of China（中国人民大学信息学院）
AI总结 MobileWAM是一种混合Transformer架构，通过前瞻链（CoF）解决移动操作的异质动态问题，在ManiSkill-HAB上超越SOTA策略，可微调至真实移动操作机器人且泛化性强。
Enfold：将世界生成器计算融入预测表示以实现高效具身控制
机构 * Shanghai Jiao Tong University（上海交通大学） ； South China University of Technology（华南理工大学） ； Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
AI总结 Enfold将世界生成器计算融入预测表示，在LIBERO等多任务中实现高效具身控制，大幅降低动作延迟，且能适应场景变化，为具身控制提供了新范式。
Comments project page, https://zwl666666.github.io/enfold/
d3LLM：基于伪轨迹蒸馏的超快扩散大语言模型
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 d3LLM通过伪轨迹蒸馏和熵基多块解码技术，在提升并行性的同时保持准确性，实现超快的扩散大语言模型。
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