高校专区
SAMA：用于指令引导视频编辑的因子化语义锚定与运动对齐
机构 * Baidu（百度） ； Tsinghua University（清华大学） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学）
AI总结 SAMA通过因子化语义锚定和运动对齐方法，在无需外部先验知识的情况下实现精确语义修改与运动保真的平衡，展示了强大的零样本视频编辑能力。
Comments 24 pages, 12 figures
DriveTok: 3D驾驶场景分词用于统一多视角重建与理解
机构 * Tsinghua University（清华大学） ； Yinwang Intelligent Technology Co. Ltd.（云网智能科技有限公司）
AI总结 DriveTok通过3D变形交叉注意力实现高效多视角重建与理解，整合语义、几何与纹理信息，提升多视角分词效率与一致性。
Comments Project Page: https://paryi555.github.io/DriveTok/ Code: https://github.com/paryi555/DriveTok
通过引导随机投影增强基于预训练模型的持续表示学习
机构 * Wuhan University（武汉大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； China University of Mining and Technology（中国矿业大学）
AI总结 本文提出SCL-MGSM方法，通过数据引导机制构建投影层，提升预训练模型在持续学习中的表现和数值稳定性。
ATG-MoE：基于混合专家的自主轨迹生成用于装配技能学习
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Faculty of Engineering, Imperial College London（伦敦帝国理工学院工程学院）
AI总结 本文提出ATG-MoE，通过混合专家架构实现多技能整合，解决传统方法在多阶段设计和多技能整合能力上的不足，实验显示其在模拟和实际应用中均表现优异。
Comments 32 pages, 13 figures
PRIOR：基于参考步态先验的人形机器人感知学习
机构 * Tsinghua University（清华大学） ； ZERITH Robotics（ZERITH机器人公司） ； Shanghai University（上海大学）
AI总结 PRIOR通过参数化步态生成器、GRU状态估计器和自适应足部奖励机制，实现了人形机器人在复杂地形中稳健行走，展示了高效且可复现的框架。
Comments https://prior-iros2026.github.io/
PromptHub: 通过局部感知融合、集中和对齐增强多提示视觉上下文学习
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Meituan, Beijing（美团，北京）
AI总结 PromptHub通过局部感知融合、集中和对齐方法提升多提示视觉上下文学习性能，验证了其在多种视觉任务中的优越性及泛化能力。
Comments Accepted to ICLR 2026. 17 pages, 11 figures, and 9 tables
6Bit-Diffusion：视频扩散模型推理时的混合精度量化
机构 * Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出了一种推理时的混合精度量化框架，通过动态分配NVFP4和INT8精度，提升视频扩散模型的效率与质量，实验显示在推理速度和内存占用上有显著提升。
STEP: 通过跨领域知识蒸馏实现科学时间序列的编码器预训练
机构 * Shanghai Aritificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Sichuan University（四川大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出STEP框架，通过跨领域知识蒸馏整合多领域基础模型，构建统一的科学时间序列编码器，提升科学时间序列的表示学习能力。
MeInTime：弥合年龄差距的恒定身份面部修复
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University（清华大学计算机科学与技术系，人工智能研究院） ； Minzu University of China（民族大学） ； Xiaomi Corporation（小米公司）
AI总结 MeInTime提出一种基于扩散的面部修复方法，通过引入年龄提示和新的注意力机制，实现跨年龄的恒定身份修复，提升了身份保真度和年龄一致性。
CAPSUL：一个全面的人类蛋白质基准用于亚细胞定位
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学）
AI总结 CAPSUL基准通过整合多样化3D结构表示和精细亚细胞定位注释，推动结构基模型在亚细胞定位任务中的应用，展示了结构特征的重要性，并通过高尔基体案例研究揭示了α-螺旋在定位中的关键作用。
Comments Accepted to ICLR 2026
Insight-V++: 向多模态大语言模型实现高级长链视觉推理迈进
机构 * S-Lab（S实验室） ； Nanyang Technological University（南洋理工大学） ； Tencent Hunyuan（腾讯文言） ； Tsinghua University（清华大学）
AI总结 本文提出Insight-V++框架，通过多代理视觉推理系统提升多模态大语言模型的长链视觉推理能力，采用ST-GRPO和J-GRPO算法增强空间时间推理和评估鲁棒性，实验显示在图像和视频推理任务中性能显著提升。
Comments arXiv admin note: text overlap with arXiv:2411.14432
基于多市场异质性的上下文联合 assortment-定价转移学习
机构 * New York University, Stern School of Business（纽约大学， Stern 商学院） ； Tsinghua University, School of Economics and Management（清华大学， 经济管理学院）
AI总结 本文研究了在多努利Logit选择模型下，利用带反馈的转移学习进行上下文联合 assortment-定价问题。通过结构化效用转移模型，提出TJAP框架，结合聚合后去偏估计与UCB策略，建立最小最大遗憾界，证明转移加速学习的同时需承担异质性适应成本。
动作草稿与验证：一种用于视觉-语言-动作模型的自验证框架
机构 * Key Laboratory of Data Engineering（数据工程与知识工程重点实验室） ； Tsinghua University（清华大学） ； Beijing University of Posts（北京邮电大学） ； School of Information, Renmin University of China（中国人民大学信息学院）
AI总结 本文提出Action-Draft-and-Verify框架，结合扩散动作专家和VLM，通过单次前向传递选择最优动作片段，提升模拟和现实场景中的成功率。
从可优化到可交互：混合数字孪生赋能的车辆-基础设施协作系统测试
机构 * School of Vehicle and Mobility, Tsinghua University, 100084 Beijing, China（车辆与移动技术学院，清华大学，北京，100084）
AI总结 本文提出L5级VICS测试框架IMPACT，通过引入人类交互生成高质量corner case，提升车辆-基础设施协作系统测试效果。
HopChain: 多跳数据合成用于通用视觉语言推理
机构 * Qwen Team, Alibaba Inc.（通义实验室，阿里巴巴公司） ； LeapLab, Tsinghua University（清华大学跃迁实验室）
AI总结 本文提出HopChain框架，通过多跳视觉语言推理数据合成提升VLMs的通用推理能力，实验表明其在多个基准测试中显著提升性能。
Comments 28 pages, 8 figures, 2 tables
千GPU大规模训练与优化方案用于AI原生云具身智能基础设施
机构 * AI Infra Team at JDT（JDT人工智能基础设施团队） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Tianjin University（天津大学） ； Beihang University（北洋大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出一种基于LeRobot框架的千GPU分布式训练平台，通过优化数据流程、训练效率和基础设施，实现具身智能模型训练速度提升40倍，推动下一代自主智能机器人发展。
通过大规模数据集进行逆椭圆度测量问题的建模：流匹配
机构 * Chongqing Research Institute of Harbin Institute of Technology（哈尔滨工业大学重庆研究院） ； The Hong Kong Polytechnic University（香港理工大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； Tianjin University（天津大学） ； Tsinghua University（清华大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
AI总结 本文提出EllipBench数据集和Decoupled Conditional Flow Matching框架，解决逆椭圆度测量问题中光常数和膜厚重建的物理不确定性。
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