Shanghai Jiao Tong University（上海交通大学）

FedDOSE: Federated Learning Framework Decomposing Site Effects for Modeling Brain Dynamic Functional Connectivity

FedDOSE：分解站点效应以建模脑动态功能连接的联邦学习框架

Deepank Girish, Yi Hao Chan, Yubin Zheng, Sukrit Gupta, Jagath C. Rajapakse

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Indian Institute of Technology Ropar（罗帕尔印度理工学院） 纠错

AI总结 FedDOSE是分解站点效应的联邦学习框架，通过模块化引导Tucker分解等技术处理多站点fMRI的动态功能连接，在ASD和ADHD检测中性能优于现有方法。

From Test-Time Scaling to Reusable Memory: Measuring Crystallization in Text-to-SQL

从测试时扩展到可复用记忆：测量文本到SQL中的结晶现象

Jiaqian Wang, Yutao Qi, Wenjin Hou, Yuanxi Che, Muning Wen

机构 * Xidian University（西安电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 该研究提出文本到SQL的结晶问题，通过受控评估发现存储已验证修正查询可提升BIRD数据集的保留首次尝试准确率，确定数据库特定内容是关键要素，明确验证与检索覆盖的作用。

Comments 18 pages, 6 figures. Open-source code, evaluation artifacts, and reproduction instructions: https://github.com/ai-jiaqian/text-to-sql-memory-crystallization

Modular TTT: Rethinking Test-Time Training as Composable Modules

模块化测试时训练（TTT）：将测试时训练重新思考为可组合模块

Bohao Tang, Zhen Qin, Yuqi Pan, Zheng Li, Pengfei Liu, Ya Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； ByteDance Seed（字节跳动Seed） 纠错

AI总结 该研究提出Modular TTT框架，将TTT各组件设为显式设计维度，通过消融实验明确关键组件对性能的影响，训练的大参数模型性能可与Gated DeltaNet媲美。

Comments Code: https://github.com/ByteDance-Seed/Modular-TTT

M2-SMap: Memory-Efficient Semantic Mapping with Hierarchical Multi-Model Representation

M2-SMap：基于分层多模型表示的内存高效语义建图

QiYing Deng, ZhongLai Wang, Yuan Gao, Wei Dong

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出基于分层多模型表示的内存高效语义建图框架M2-SMap，通过分层几何分解等策略提升场景表达，在三个RGB-D序列上实现低基元数、无物体粘连的实时建图。

Comments 8 pages, 10 figures

MMAG: A Multi-Control Mixed Audio Generation Benchmark

MMAG：多控制混合音频生成基准

Zihao Zheng, Xuenan Xu, Jiahao Mei, Yixuan Li, Minghao Lv, Wen Wu, Chao Zhang, Mengyue Wu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） 纠错

AI总结 本研究针对现有音频生成基准的不足，推出MMAG混合音频生成基准，构建含4000个标注音频的数据集，提出系统评估协议，测试发现各类模型在多控制能力间存在性能权衡，为该领域提供综合基准。

Comments 15 pages, 6 figures

MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents

MemPrism：面向长程智能体的任务条件关系记忆视图

Zhisheng Chen, Bingfan Zeng, Bangde Cao, Zhengwei Xie, Yuxuan Li, Jinhan Li, Zheng Lu, Xiangchen Guan, Zikai Xiao, Rui Qian, Jingwei Song

机构 * Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 该研究针对长程智能体记忆系统的表示不匹配问题，提出MemPrism任务条件关系记忆框架，经实验验证可提升长程任务性能、减少记忆消耗且视图策略可跨VLM迁移。

Solver-Guided Reasoning for Mixed-Equilibrium Strategies

求解器引导的混合策略均衡推理

Han Wang, Philippe Beardsell, Boning Li, Aaron Sasmita, Shuai Li, Hongyuan Zha, Baoxiang Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； GTO Wizard ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Vector Institute（向量研究所） 纠错

AI总结 本研究提出混合策略决策树（MDT），用求解器输出引导LLM在博弈中的均衡推理，在无限制德州扑克8种LLM配置下，将与均衡的L1距离降低52.6%，且策略可移植性良好。

Interpretable Unsupervised Community Detection with LLM-Symbolized Structured Processes

基于LLM符号化结构化过程的可解释无监督社区检测

Aoting Zeng, Kai Wang, Jianwei Wang, Yuxiang Sun, Yizhang He, Wenjie Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of New South Wales（新南威尔士大学） 纠错

AI总结 本研究提出LLM引导的无监督社区检测方法LUCID，通过四阶段流程结合LLM生成规则实现可解释性，在真实数据集上性能优于主流无监督与半监督基线。

Vorch-Streamer: Extending Human Audio-Visual Generation to Real-Time Long-Form Streaming

Vorch-Streamer：将人类音视频生扩展至实时长格式流式生成

Menglin Han, Yang Ding, Yulei Lu, Haoran Yu, Xin Ma, Junyi Chen, Zhangkai Ni, Lin Ma, Yaohui Wang

机构 * Vorch Team（Vorch团队） ； Tongji University（同济大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 Vorch-Streamer是一款后训练框架，通过混合训练、自强制与DMD蒸馏等技术，实现了超24 FPS的实时长格式T2AV流式音视频生成，兼具音唇同步性与身份保留能力。

Comments Project page: https://vorch-project.github.io/Vorch-Streamer-project/

Efficient Chain-of-Modality Reasoning via Progressive Compression for Spoken Language Models

通过渐进压缩实现口语语言模型的高效模态链推理

Pengchao Feng, Chao-Hong Tan, Qian Chen, Wen Wang, Xiangang Li, Xie Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Token Foundry, Alibaba Group（阿里巴巴集团淘系技术） 纠错

AI总结 针对口语语言模型推理能力落后问题，提出高效模态链推理（ECoM推理），通过压缩文本组件提高推理准确性，并用渐进压缩策略训练，实验显示其在口语数学问答基准测试中，增强推理且保持效率，准确率提升显著。

In-Context Examples Suppress Scientific Knowledge Recall in LLMs

上下文示例抑制大语言模型中的科学知识回忆

Chaemin Jang, Woojin Park, Hyeok Yun, Dongman Lee, Jihee Kim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 研究发现上下文示例会削弱大语言模型对科学知识的回忆能力，使模型更依赖经验模式匹配而非预训练知识。

Comments COLM 2026

EchoVLA: Robotic Vision-Language-Action Model with Synergistic Declarative Memory for Mobile Manipulation

EchoVLA：用于VLA驱动移动操作的协同声明记忆

Min Lin, Xiwen Liang, Bingqian Lin, Jingzhi Liu, Zijian Jiao, Kehan Li, Ziang Yan, Yu Sun, Weijia Liufu, Yuhan Ma, Jiarui Hu, Yuecheng Liu, Shen Zhao, Yuzheng Zhuang, Xiaodan Liang

机构 * Shenzhen Campus of Sun Yat-sen University, Shenzhen, China（中山大学深圳校区） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Huawei Noah's Ark Lab, China（华为诺亚方舟实验室） 纠错

AI总结 EchoVLA通过协同声明记忆提升移动操作性能，结合场景与事件记忆，利用注意力融合指导基臂策略，实现高效导航与操作。

Provable Training Data Identification for Large Language Models

大语言模型训练数据的可证明识别

Zhenlong Liu, Hao Zeng, Weiran Huang, Hongxin Wei

机构 * Department of Statistics and Data Science, Southern University of Science and Technology（统计与数据科学系，南方科技大学） ； Shanghai Innovation Institute（上海创新研究院） ； School of Computer Science, Shanghai Jiao Tong University（计算机科学学院，上海交通大学） 纠错

AI总结 本文提出PTDI方法，通过集级推断实现大语言模型训练数据识别的可证明误差控制。

CHIME: A Case for Efficient Long-Context Attention-FC Disaggregated Inference with DIMM-PIM

CHIME：基于DIMM-PIM的高效长上下文注意力-全连接分离式推理方案

Qingyuan Liu, Liyan Chen, Haocheng Wang, Yanning Yang, Dong Du, Zhigang Mao, Naifeng Jing, Yubin Xia, Haibo Chen

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

AI总结 CHIME是首个集成DIMM-PIM的AFD系统，通过无气泡流水线等技术解决同步问题，实现最高5.15倍于HBM-PIM方案的LLM推理加速。