Shanghai Jiao Tong University（上海交通大学）

The Illusion of Visual Tool-Use: A Causal Audit of Thinking with Images

视觉工具使用的错觉：对图像思考的因果审查

Zhiheng Wang, Bo Peng, Lai Wei, Chaochao Lu

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） 纠错

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: Internalizing Environment Dynamics via World Rehearsal for Agentic Reinforcement Learning

EnvACE：通过世界预演内化环境动态以实现智能体强化学习

Zishan Xu, Zhiyuan Yao, Yuxin Chen, Yifu Guo, Zhengxi Lu, Yuquan Lu, Jinyang Huang, Yan Xu, Yasheng Wang, Weinan Zhang, Xingshan Zeng, Weiwen Liu

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） 纠错

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: Training-free High-quality Long Video Generation via Diffusion Model

Diff-VF：基于扩散模型的免训练高质量长视频生成

Haoning Yang, Xinyuan Chen, Yaohui Wang, Guo Lu

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） 纠错

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)

Enhancing Social Intelligence in LLMs with Hierarchical Reasoning and Utterance-Level Goal Rewarding

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

Xiaofeng Wang, Kakam Chong, Shuai Xiao, DeXin Kong, Qingyuan Tian, Chen Ju, Xu Yan, Shuai Zhao, Fei Huang, Rui Wang, Shuguang Han, jufeng chen

机构 * Alibaba Group（阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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: Learning Predictive Latent State in 3D Scenes

SR-JEPA：在3D场景中学习预测性隐状态

Zihan Zhou, Qifu Wen, Xi Zeng

机构 * Boston University（波士顿大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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: Geometry-Guided Anchor-Regularized Gaussian Splatting Distillation

G$^2$ARD-GS：几何引导的锚点正则化高斯溅射蒸馏

Puyuan Zhang, Jianming Huang, Wenkai Ye, Wei Dong

机构 * Shanghai Jiao Tong University（上海交通大学） ； Jishu Technology Co., Ltd.（集度科技有限公司） 纠错

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。

Potential Matching Optimal Transport: Continuous Normalizing Flows for Exact $p$-Wasserstein Dynamics

势匹配最优传输：用于精确$p$-Wasserstein动力学的连续归一化流

Lishuo Zhang, Ruizhi Huang, Yang Yu, Lei Li

机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） 纠错

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: Reference-Based Event-to-Video Reconstruction via Generative Activation of Appearance Engrams

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

Feiyu Ji, Xiang Li, Hao Ma, Tianxiang Huang, Qingxin Lu, Mengqi Ji, Lei Han, Xiaokang Yang, Xiaoyun Yuan

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） 纠错

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