高校专区
自适应质量分段KV压缩用于长上下文推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Institute of Digital Twin, Eastern Institute of Technology（数字孪生研究院，东部技术研究所）
AI总结 提出自适应质量分段（AMS）KV压缩框架，通过区域感知配额分配替代全局Top-k选择，防止推理块被过度驱逐，从而保持逻辑连贯性。
蒸馏思考，预见行动：面向自动驾驶的认知-物理强化学习
机构 * NJU（南京大学） ； SJTU（上海交通大学） ； FDU（福建大学）
AI总结 提出CoPhy框架，通过蒸馏VLM知识到BEV编码器实现零推理成本的认知能力，并构建自回归BEV世界模型预测未来语义地图以提供可解释的物理沙盒，结合双奖励机制（物理奖励和安全约束、认知奖励和意图对齐）优化驾驶策略，在NAVSIM基准上取得最优结果。
TwinRouterBench：面向现实智能体LLM路由的快速静态与实时动态评估
机构 * Gradient ； Soochow University（苏州大学） ； Independent Researcher（独立研究者） ； University of Southern California（南加州大学） ； Rice University（Rice大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of the Chinese Academy of Sciences（中国科学院大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出TwinRouterBench基准，通过静态轨迹级前缀和动态智能体执行两轨，实现无需在线LLM评判的步骤级路由评估。
TingIS：企业级规模下从嘈杂客户事件中实时发现风险事件
机构 * Ant Group（蚂蚁集团） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出TingIS系统，通过多阶段事件链接引擎结合高效索引与大型语言模型，从嘈杂客户事件中稳定提取可操作事件，实现企业级实时风险发现。
Comments Accepted to ACL 2026 Industry Track (oral presentation)
分解、结构化与修复：基于操作树的神经符号自动形式化框架
机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学紫阳学院） ； Institute of Natural Sciences, MOE-LSC, CMA-Shanghai, Shanghai Jiao Tong University（上海交通大学自然科学研究院）
AI总结 提出DSR神经符号框架，通过将数学语句分解为逻辑组件并映射为结构化操作树，利用子树精炼定位和修复错误，在PRIME基准上达到新最优。
Comments Accepted to ICML 2026
通过信息增益改进掩码扩散模型的采样
机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Massachusetts Institute of Technology（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北航） ； College of AI, Tsinghua University（清华大学人工智能学院）
AI总结 提出一种无需训练的Info-Gain采样器，利用掩码扩散模型的双向结构平衡即时不确定性与剩余掩码位置的信息增益，在推理、编码、创意写作和图像生成任务中优于现有采样器。
Comments https://github.com/yks23/Information-Gain-Sampler Accepted by ICML2026 Accepted by ICML2026
能量引导的生成式建模用于低能分子结构发现
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
AI总结 提出EnFlow，一种结合流生成模型与显式能量景观建模的能量引导框架，用于联合生成构象集合和识别基态结构，在极少采样步数下实现高保真度。
InfVSR：迈向一致性驱动的流式生成视频超分辨率
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 提出InfVSR，通过自回归单步扩散范式与流式推理，实现长视频的高效、一致超分辨率，速度提升达58倍。
Comments Code and model are available at https://github.com/Kai-Liu001/InfVSR
MedExpMem：适应经验记忆用于鉴别诊断
机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出MedExpMem经验记忆框架，通过存储和利用诊断失败中的判别经验，增强医学视觉语言模型的鉴别诊断能力，在放射学基准上最高提升7.0%准确率。
Comments MICCAI 2026 Early Accept. Submission Version
RAG4Outcome：用于慢性骨髓炎预后预测的检索增强多模态框架
机构 * Queen Mary University of London（女王玛丽大学） ； Shanghai Sixth People’s Hospital Affiliated to SJTU School of Medicine（上海第六人民医院附属复旦大学医学院） ； University College London（大学学院伦敦）
AI总结 提出RAG4Outcome框架，通过检索增强生成技术融合PET-CT影像报告、结构化手术诊断记录和非结构化随访笔记等多模态临床数据，实现慢性骨髓炎的预后预测，提高可解释性和临床可靠性。
VeriScale：对抗性测试套件缩放用于可验证代码生成
机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） ； School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； School of Mathematics, Jilin University（吉林大学数学学院） ； School of Mathematical Sciences, Tongji University（同济大学数学科学学院） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学紫阳学院） ； School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； Institute of Natural Sciences, Shanghai Jiao Tong University（上海交通大学自然科学研究院） ； MOE-LSC, CMA-Shanghai, Shanghai Jiao Tong University（上海交通大学MOE-LSC、CMA-上海）
AI总结 本文提出VeriScale框架，通过对抗性实现扩展和缩减测试套件，提升代码生成的可验证性，实验表明VerinaPlus显著暴露了模型弱点，而VerinaLite在低成本下保持判别能力。
QuantSR+: 推动量化图像超分辨率网络的极限
机构 * ETH Zurich（苏黎世联邦理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学）
AI总结 本文提出QuantSR+框架，通过改进量化操作、网络设计和训练优化，实现了在精度和效率之间的更好平衡，针对超低精度下的性能下降问题，提出了三种关键技术贡献：重分布驱动位数确定、量化瘦身架构和瘦身引导的功能局部蒸馏。
技能编织：通过模块化技能包实现高效的LLM改进
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； The Hong Kong Polytechnic University（香港理工大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Shanghai Jiaotong University（上海交通大学）
AI总结 本研究提出SkillWeave框架，通过模块化技能包使LLM在固定内存预算下实现领域专业化，通过SkillZip压缩技术实现高效部署，实验表明其在多任务和代理基准上表现优异，速度提升达4倍。
Comments Accepted by ACL2026
Hölder Policy Optimisation
机构 * University College London（伦敦大学学院） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 本文提出HölderPO框架，通过Hölder均值统一token级概率聚合，解决固定聚合机制导致的训练崩溃与性能不足问题，理论证明不同p值对梯度集中度和方差的平衡作用，并通过动态退火算法实现训练周期内的p值调度，实验表明其在多个数学基准测试中取得更优的稳定性和收敛性。
RTPrune: 两次阅读启发的令牌修剪用于高效DeepSeek-OCR推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 本文提出RTPrune，一种针对DeepSeek-OCR的两次阶段令牌修剪方法，通过优先保留高范数视觉令牌并利用最优传输理论进行令牌配对和合并，从而在OCR任务中实现更高效的推理性能和更优的效率-精度权衡。
Comments 21 pages, accepted by ICML2026
MemEvoBench: 评估LLM代理中内存误进化带来的安全风险
机构 * Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Shandong University（山东大学） ； Duke University（杜克大学）
AI总结 本文提出MemEvoBench，首个评估LLM代理长期内存安全性的基准，针对对抗性内存注入、噪声工具输出和偏见反馈，通过7个领域36种风险类型的问题任务和20个Agent-SafetyBench环境改编的工作流任务，验证了内存进化对安全性的重大影响，指出静态提示防御不足，亟需加强LLM代理内存进化的安全性。
视觉工具使用强化学习究竟在学习什么？解构工具诱导效应与内在效应以实现作物和缩放
机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文研究了视觉工具使用强化学习在作物和缩放任务中的学习机制，通过引入MED框架解耦内在能力变化与工具诱导效应，发现改进主要由内在学习驱动，而工具使用强化学习主要减少工具诱导的负面影响，而非掌握工具。
Comments ICML 2026 camera ready. Code: https://github.com/GAIR-NLP/Med
Video-o3：长视频多跳推理的原生交错线索搜索
机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； SIAT, Chinese Academy of Sciences（中国科学院软件研究所）
AI总结 本研究提出Video-o3框架，通过迭代发现显著视觉线索、细粒度检查关键片段以及适应性终止，提升长视频多跳推理能力，实验表明其在MLVU和Video-Holmes上分别达到72.1%和46.5%的准确率。
Comments 27 pages, 15 figures, 15 tables
决策潜力面：大型语言模型决策边界的理论与实用近似
机构 * The Hong Kong Polytechnic University（香港理工大学） ； University of Macau（澳门大学） ； Shanghai Jiaotong University（上海交通大学） ； Huawei（华为） ； Rochester Institute of Technology（罗切斯特理工学院） ； PolyU Research Centre for Privacy and Security Technologies in Future Smart Systems（PolyU未来智能系统隐私与安全技术研究中心）
AI总结 本文提出决策潜力面（DPS）作为一种新的分析大型语言模型决策性质的方法，通过K-DPS算法以有限样本近似决策边界，理论推导了误差上限，展示了误差与采样次数的权衡。
Comments Source code: https://github.com/liangzid/DPS
RobuQ: 通过鲁棒激活量化推动DiTs至W1.58A2
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Tsinghua University, Beijing, China（清华大学）
AI总结 本文提出RobuQ框架，通过鲁棒激活量化技术，解决了DiTs在极低比特下的部署问题，实现了在子4比特量化配置下的最佳性能，首次在大规模数据集上实现了稳定且具有竞争力的图像生成。
Comments Accepted by ICML2026
基于原型的分类子任务解耦框架：提升多变量时间序列的泛化能力与可解释性
机构 * East China Normal University（华东师范大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出PDFTime框架，通过多阶段决策过程解耦时间序列分类任务，提升模型的泛化能力和可解释性，实现了在UEA和UCR基准测试中的最优性能。
LABO: 通过广泛探索和选择性实验实现的LLM加速贝叶斯优化
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院） ； Institute for Advanced Study in Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学研究所） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Automation, Central South University（中南大学自动化学院） ； College of New Energy and Materials, China University of Petroleum, Beijing（中国石油大学（北京）新能源与材料学院） ； College of Carbon Neutrality Future Technology, China University of Petroleum, Beijing（中国石油大学（北京）碳中和未来技术学院） ； DeepVerse PTE. LTD.
AI总结 本文提出LABO框架，通过结合LLM预测与实验观测，在贝叶斯优化中实现更高效的样本优化，理论分析和实验结果表明其在科学任务中优于现有方法。
Comments Accepted to ICML 2026
心肌梗死逆推推理的生理与解剖意识：用于心脏数字双胞胎
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； National University of Singapore, Singapore（新加坡国立大学） ； Universitat Pompeu Fabra, Barcelona, Spain（庞培法华大学）
AI总结 本文提出了一种基于心脏数字双胞胎的非侵入性心肌梗死定位方法，通过整合运动成像和心电图，利用解剖和生理意识网络（PAA-Net）来更准确地推断心肌梗死区域的形态和位置，从而提高逆推推理的精度和可解释性。
Comments Early-accepted by MICCAI 2026. This version corresponds to the submitted version. The final version will be available on Springer Link
LatentOmni: 通过统一的音频-视觉潜在推理重新思考多模态理解
机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Peking University（北京大学） ； HKUST（香港科技大学） ； CASIA（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； Tsinghua University（清华大学）
AI总结 本文提出LatentOmni框架，通过统一的音频-视觉潜在空间进行多模态推理，利用特征级监督和Omni-Sync Position Embedding保持时间一致性，从而在多个音频-视觉推理基准测试中取得最佳性能。
Comments 21 pages, 15 figures
从片段到轨迹：软件工程代理的特权过程监督
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research Asia（微软亚洲研究院） ； Shanghai Jiao Tong University（上海交通大学） ； King’s College London（伦敦国王学院）
AI总结 本文提出Patches-to-Trajectories (P2T)方法，通过利用开发者撰写的参考补丁来改进软件工程代理的训练过程，提高训练效果和效率。
动态潜在记忆混合用于自演化智能体
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出MoLEM框架，通过动态混合专家机制实现智能体的持续学习，避免灾难性遗忘，提升任务学习和能力保持。
Comments 19 pages, 5 figures, 5 tables
频域正则化对抗对齐用于针对闭源大语言模型的可转移攻击
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出FRA-Attack，通过频域正则化方法解决对抗转移性问题，通过高通DCT目标和频率域梯度正则化提升跨模型的对抗转移能力。
VDFP：基于闪烁带先验的视频去闪烁
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出VDFP，一种基于闪烁带先验的视频去闪烁框架，通过构建DeViD数据集和引入DFM和CPP模块，有效解决屏幕捕捉中的带状伪影问题，实验表明其在去闪烁效果和时空一致性方面优于现有方法。
Comments Our dataset and code will be released at https://github.com/ZhiyiZZhou/VDFP
GROW: 将GRPO与状态-动作建模对齐以适用于开放世界VLM智能体
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） ； East China Normal University（华东师范大学） ； Zhejiang Normal University（浙江师范大学） ； Shandong Normal University（山东省师范大学）
AI总结 本文提出GROW框架，通过将收集的轨迹分解为状态-动作样本，并在样本间计算优势，解决了标准GRPO在多轮RL中因需要完整轨迹导致上下文过长和噪声的问题，实验表明其在超过800个Minecraft任务中取得SOTA性能。
DSSP：具有完整历史编码的扩散状态空间策略
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出DSSP，一种基于扩散模型的状态空间策略，通过完整历史编码提升机器人操作任务中长周期任务的历史依赖性处理能力，实现了更高效的模型压缩和更小的模型规模。
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