高校专区
Metis：记忆基础模型
机构 * MemTensor (Shanghai) Technology Co., Ltd.（墨芯（上海）科技有限公司） ； Renmin University of China（中国人民大学） ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tongji University（同济大学）
AI总结 该研究提出首个记忆基础模型原型Metis，赋予基础模型原生记忆能力，通过新架构与优化目标实现，经实验验证其具备原生记忆能力并发布相关资源。
Comments 46 pages, 11 figures, 16 tables
诊断和缓解长视野搜索中的上下文腐烂
机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； SII GAIR
AI总结 本文研究大语言模型在长视野任务中因上下文过长导致的性能退化（上下文腐烂），通过实验揭示其普遍性，并提出上下文管理和拒绝采样两种缓解策略。
RoboProcessBench：视觉语言机器人操作中的过程感知理解基准测试
机构 * Shanghai AI 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） ； Tsinghua University（清华大学） ； China University of Mining Technology（中国矿业大学）
AI总结 提出RoboProcessBench基准，通过静态监控和动态推理两个维度、12个诊断问题家族，评估视觉语言模型在机器人操作中的过程感知理解能力，并基于58k问答对数据集验证了当前模型的局限性及后训练的有效性。
GS-Playground：一种高吞吐量的视觉真实模拟器用于基于视觉的机器人学习
机构 * THU（清华大学） ； Motphys ； Dexmal ； DISCOVER Robotics ； HKUST(GZ)（香港科技大学（广州）） ； BIT（北京理工大学） ； NUS（新加坡国立大学） ； HITSZ（哈尔滨工业大学） ； XJTU（西安交通大学） ； NJU（南京大学） ； SJTU（上海交通大学） ； D-Robotics
AI总结 GS-Playground通过高吞吐量的多模态模拟框架，结合高效物理引擎和3DGS渲染管道，提升视觉强化学习的效率，降低大规模视觉RL的门槛，实现感知与物理的无缝衔接。
Comments Robotics: Science and Systems 2026
DF³：自主导航中基于无解码器特征预测的世界建模
机构 * The University of Manchester（曼彻斯特大学） ； University of Technology Sydney（悉尼科技大学） ； Shandong University（山东大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本研究提出DF³框架，通过冻结视觉基础模型、MACF机制及专用任务查询，在潜在空间直接预测特征并生成任务输出，在性能与效率上实现平衡，适用于自主导航的世界建模。
Harness-R1：从智能体失败轨迹中学习编辑可执行运行时管控程序
机构 * Shanghai Jiao Tong University（上海交通大学） ； Xiaohongshu Inc.（小红书公司） ； Southeast University（东南大学）
AI总结 Harness-R1是首个基于智能体失败轨迹学习编辑可执行运行时管控程序的方法，经WebShop等基准测试，可提升Qwen3.5-9B智能体成功率，为管控程序与智能体协同进化提供了方向。
HarMoE：基于数据集解耦专家的多源胸部X射线预训练
机构 * University of Bern（伯尔尼大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本研究提出HarMoE框架，通过解耦数据集专家从异构胸部X射线数据集学习，提升了放射学视觉-语言模型的零样本分类、分布外迁移等性能，相关代码与87.3万份数据集将公开。
SVGEval：用于文本到SVG生成中感知质量基准测试与评估的视觉基础框架
机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； School of Integrated Circuits (School of Information Science and Electronic Engineering), Shanghai Jiao Tong University（上海交通大学集成电路学院（信息科学与工程学院）） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学致远学院）
AI总结 研究针对文本到SVG生成评估的缺陷，提出视觉基础的SVGEval基准，发现多模态模型在几何布局判断上的差距，训练出可解释的SVG质量评分器，为SVG生成评估改进提供支撑。
Comments Accepted by ECCV 2026
UniMoCa：将运动与相机控制统一为忠实人类视频生成的视觉代理
机构 * SJTU（上海交通大学）
AI总结 UniMoCa是统一运动与相机控制的视觉代理框架，提出MCVP表征并构建MCVP-Video数据集，在Wan2.2 I2V上实现视频生成多方面性能提升且复杂度低
揭示通用多模态嵌入中的视觉身份
机构 * Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团）
AI总结 该研究针对通用多模态嵌入缺乏视觉身份判别能力的问题，提出视觉身份判别统一形式化，构建MVEB基准，设计身份感知采样的学习框架，提升了UMEs的身份判别能力。
Comments Accepted to CVPR 2026
通过空间-光谱视觉锚学习缓解多模态大语言模型（MLLMs）中的视觉退化
机构 * China University of Petroleum (East China)（中国石油大学（华东）） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Great Wall Motor（长城汽车） ； Nanyang Technological University（南洋理工大学） ； The University of Hong Kong（香港大学）
AI总结 针对MLLMs推理时的视觉表示退化问题，提出SSVAL方法，通过VAPI及辅助对齐损失实现稳定视觉锚，性能优于现有方法。
Comments This paper has been accepted by ACM MM 2026
大模型为何妥协：医学谄媚背后的对话因素与推理
机构 * Virginia Tech（弗吉尼亚理工大学） ； Shanghai Tongren Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属同仁医院） ； Emory University（埃默里大学）
AI总结 研究发现医学谄媚是对话属性而非模型属性，通过5个开放权重模型和500个MedQuAD问题的120万次试验，揭示了对话因素对医学谄媚的影响及思维链轨迹的解释。
Comments 21 pages, 7 figures, 14 tables
用于双靶点分子设计的融合贝叶斯流网络
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳））
AI总结 针对现有双靶点分子生成方法难以充分整合双靶标特征的问题，提出融合贝叶斯流网络FusedBFN，通过分布融合与乘积专家公式实现双靶点分子设计，实验证实其生成的分子兼具强结合亲和力与良好性质。
FlowPilot：面向敏捷无人机导航的实时世界-动作建模
机构 * Beijing Institute of Technology（北京理工大学） ； Zhongguancun Academy（中关村学院） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学）
AI总结 FlowPilot是一种基于流匹配的紧凑世界-动作模型，采用双流混合Transformer，在三级深度金字塔数据上训练，可实现敏捷无人机实时导航，性能优于基线，能在杂乱环境中以5.5m/s速度运行。
Comments 8 pages, 9 figures, 2 tables, submitted to IEEE Robotics and Automation Letters (RA-L)
动态环境下基于学习的运动规划：从基础算法到新兴范式
机构 * College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院） ； University of Connecticut（康涅狄格大学） ； Guangzhou Maritime University（广州海事大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Global College, Shanghai Jiao Tong University（上海交通大学全球学院） ； Wuyi University（五邑大学） ； South China University of Technology（华南理工大学）
AI总结 本综述回顾2015至2025年动态环境下基于学习的运动规划代表性研究，提出学习作用分类法，分析相关影响因素，探讨安全可验证规划等开放挑战与未来方向。
Obshazard-bench：面向原始地球观测流的实时灾害情报多模态基础模型基准测试
机构 * National University of Defense Technology（国防科技大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本研究推出Obshazard-bench基准测试，评估多模态基础模型的实时灾害情报能力，发现现有模型在将原始多通道物理观测转化为符合决策需求的灾害推理方面存在显著局限。
CoLT: 教会多模态模型通过潜在思维链进行思考
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； NKIARI ； AAIS & VCIP, Nankai University（南开大学AAIS & VCIP） ； Tianjin University（天津大学）
AI总结 提出CoLT框架，用潜在思维链代替文本推理，通过前向和后向解码器监督及内部监督实现高效多模态推理，在8个基准上优于现有方法，推理时间减少10.1倍。
Comments Accepted by ECCV2026. Code is available at https://github.com/hulianyuyy/CoLT
前缀引导的在线策略蒸馏：从轨迹中挖掘黄金轨迹
机构 * TeleAI ； Shanghai Jiao Tong University（上海交通大学）
AI总结 针对在线策略蒸馏在长程数学推理中效率低、噪声大的问题，提出前缀引导的在线策略蒸馏，通过前缀长度估计轨迹价值，仅对高重叠候选继续生成长轨迹，在多个基准上提升准确率并减少训练时间。
快速响应：从人类演示中提取隐含意图以构建个性化移动使用代理
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） ； OPPO Research Institute（OPPO研究院）
AI总结 本文提出IFRAgent框架，通过分析显式和隐式意图流，提升移动代理对人类意图的对齐率和任务完成率。
LakeMLB: 数据湖机器学习基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing Institute of Technology（北京理工大学） ； Nankai University（南开大学）
AI总结 LakeMLB提出一个数据湖机器学习基准，针对多源多表场景，提供真实数据集和三种整合策略，评估机器学习方法在复杂数据湖环境中的性能。
Comments 9 pages, 6 figures. Preprint
长周期推理代理用于竞赛级数学问题求解
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； MMLab ； The Chinese University of Hong Kong（香港中文大学） ； ICMAT Spanish National Research Council（西班牙国家科研 council） ； The High School Affiliated to Renmin University of China（中国人民大学附属高中） ； Ren Hui Academy of Beijing（北京润辉学院）
AI总结 本文提出Intern-S1-MO，通过多轮分层推理和OREAL-H框架，突破IMO级数学问题的上下文限制，实现26/35分的优异成绩。
iMontage：统一、多功能、高度动态的多对多图像生成
机构 * Nanyang Technological University（南洋理工大学） ； StepFun ； Shanghai Jiao Tong University（上海交通大学）
AI总结 iMontage通过整合视频模型的先验知识与图像数据的多样性，实现了统一、多功能且动态的多对多图像生成。
Comments Our homepage: https://kr1sjfu.github.io/iMontage-web/
AdaThink-Med：通过不确定性量化优化医学推理的推理时计算
机构 * SJTU（上海交通大学） ； SII（上海信息所） ； Shanghai AI Lab（上海人工智能实验室） ； FDU（复旦大学）
AI总结 本文提出AdaThink-Med框架，通过不确定性引导长度校准优化医学推理的推理时计算，在六大医学基准上降低4.7-6.4倍推理token消耗且性能损失极小，无需外部分类器即可实现资源高效分配。
机构 * College of Computing ； Data Science, Nanyang Technological University, Singapore 639798, Singapore ； Computation Initiative, Department of Computer Science, The University of Hong Kong, Pokfulam Road, Hong Kong ； Department of Physics, University of California, San Diego, La Jolla, CA 92093, USA ； Hon Hai (Foxconn) Research Institute, Taipei, Taiwan ； Centre for Quantum Technologies, National University of Singapore ； Department of Computer Science, National University of Singapore ； School of Electrical \& Electronic Engineering, Nanyang Technological University, Singapore 639798, Singapore ； John Hopcroft Center for Computer Science, Shanghai Jiao Tong University, Shanghai 200240, China ； Dahlem Center for Complex Quantum Systems, Freie Universitat Berlin, 14195 Berlin, Germany ； Department of Computer Science, Parks Road, Oxford, OX1 3QD, United Kingdom ； Perimeter Institute for Theoretical Physics, Waterloo, Ontario N2L 2Y5, Canada ； Institute for Quantum Science ； Technology, University of Calgary, Alberta T2N 1N4, Canada
Comments 32 pages. Comments are welcome
Journal ref Nature Reviews Physics (2026)
用于3D理解的参数高效CLIP适配：通过统一分词实现
机构 * Fondazione Bruno Kessler（布鲁诺·科塞拉基金会） ； University of Trento（特伦托大学） ； University of Pisa（比萨大学） ； Beijing Forestry University（北京林业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Hong Kong University of Science and Technology (GZ)（香港科技大学） ； Shandong University（山东大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 本文提出参数高效框架UTok3D，通过学习尺度归一化3D分词器，实现冻结CLIP视觉主干在无标注情况下对不同尺度点云的复用，完成3D分割任务。
Comments 14 pages, tokenizer
面向黑暗环境中鲁棒且具备三维感知能力的RGB-NIR成像
机构 * The University of Tokyo（东京大学） ； Adelaide University（阿德莱德大学） ； School of Artificial Intelligence (SAI) Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文针对黑暗环境下低光照RGB-NIR成像鲁棒性不足的问题，提出一种无需干净RGB监督、具备三维感知能力的神经模型，可融合含噪RGB与NIR线索恢复干净RGB图像，经合成与真实数据验证效果优越。
Comments ACM Multimedia 2026, Codes and Models: https://github.com/MyNiuuu/3DarkFusion
TransGraspNet：透明实验器皿的物理与几何一致性操纵
机构 * Peking University（北京大学） ； School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） ； Shanghai Jiao Tong University（上海交通大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 TransGraspNet是实现透明实验器皿物理与几何一致性操纵的框架，通过三个耦合原则解决跨阶段不一致问题，在真实机器人平台上实现了高抓取成功率与零液体泼洒的可靠操作。
ParaASR：面向快速长上下文基于大语言模型的语音识别的多令牌预测
机构 * StepFun（阶跃星辰） ； NTU（南洋理工大学） ； PKU（北京大学） ； UNSW（新南威尔士大学） ； SJTU（上海交通大学） ； USTC（中国科学技术大学）
AI总结 ParaASR是一款基于大语言模型的ASR系统，通过多令牌预测技术，在保持低错误率、低延迟的同时，支持32K长上下文及30分钟音频的快速转录，兼顾识别质量、速度与上下文长度。
Comments 14 pages, 3 figures, 4 tables
视觉-语言-动作模型的动态执行承诺
机构 * University of Adelaide（阿德莱德大学） ； Sichuan University（四川大学） ； Shanghai Jiao Tong University（上海交通大学） ； Monash University（墨尔本大学） ； Zhejiang University（浙江大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出A3机制，通过将动态执行承诺重新定义为自推测前缀验证问题，解决了视觉-语言-动作模型在动态或分布外情况下执行鲁棒性和推理吞吐量之间的平衡问题。
Comments code is available at https://inceptionwang.github.io/A3/
I3DM：隐式3D-aware记忆检索与注入用于一致的视频场景生成
机构 * Monash University（莫纳什大学） ； Vertex Lab（Vertex实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出I3DM，一种隐式3D-aware记忆机制，通过预训练FF-NVS模型的中间特征进行视图相关性评分，提升复杂遮挡下的场景一致性生成效果。
Comments Project page: https://riga2.github.io/i3dm
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