高校专区
MAIC-UI: 用生成式UI制作交互式课程ware
机构 * Tsinghua University（清华大学） ； Guangzhou University（广州大学） ； Zhejiang University（浙江大学）
AI总结 MAIC-UI通过零代码系统实现教育者快速编辑交互式课程ware，采用多模态知识分析、生成-验证-优化流程和点击定位编辑技术，提升教学效果和学习公平性。
Comments You can try our demo at https://open.maic.chat/
通过再生进行细化：扩大修改空间提升统一多模态模型中的图像细化
机构 * Tsinghua University（清华大学） ； Tencent HY（腾讯HY）
AI总结 本文提出通过再生进行细化的新框架，通过扩大修改空间提升统一多模态模型的图像细化效果，实验表明在多个基准测试中性能显著提升。
Comments GitHub: https://github.com/LeapLabTHU/RvR
一种多阶段软计算框架用于复杂疾病建模和决策支持：肝硬化案例研究
机构 * organization= Department of Hepatobiliary Surgery, the Second Affiliated Hospital of Chongqing Medical University , city= Chongqing , postcode= 400010 , country= China ； organization= State Key Laboratory of Respiratory Health ； Multimorbidity, Institute of Basic Medical Sciences \& School of Basic Medicine, Chinese Academy of Medical Sciences \& Peking Union Medical College , city= Beijing , postcode= 100005 , country= China ； organization= School of Computer Science ； Informatics, Cardiff University , city= Wales , postcode= CF24 0DE , country= United Kingdom ； organization= Department of Medical Oncology, the First Hospital of China Medical University , city= Shenyang , postcode= 110001 , country= China ； organization= Institute for Innovation ； Development, Tsinghua University , city= Beijing , postcode= 100086 , country= China ； organization= Department of Liver Surgery, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences \& Peking Union Medical College , city= Beijing , country= China
AI总结 本文提出一种多阶段软计算框架，用于复杂疾病建模与治疗探索，通过整合单细胞转录组数据、高维网络特征稳定化、多模型学习和深度表征学习，提升肝硬化等复杂疾病的诊断与治疗决策能力。
Comments 20 pages, 8 figures
双曲加法边距软max与层次信息的说话人验证
机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Xinjiang University（新疆大学） ； Xinjiang Multimodal Information Technology Engineering Research Center（新疆多模态信息处理工程技术研究中心） ； School of Intelligence Science and Technology（智能科学与技术学院） ； Department of Electronic Engineering（电子工程系） ； Tsinghua University（清华大学）
AI总结 本文提出基于双曲空间的H-Softmax和HAM-Softmax，通过投影嵌入和说话人中心到双曲空间并计算双曲距离，提升说话人特征的层次信息建模能力，实验表明其在说话人验证中显著降低EER。
Comments 5 pages, 3 figures, Accepted at ICASSP 2026
Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
XM-ALIGN：面向人脸-语音关联的统一跨模态嵌入对齐框架
机构 * School of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院） ； Xinjiang Multimodal Information Technology Engineering Research Center（新疆多模态信息处理工程技术研究中心） ； Urumqi Branch, China Mobile Group Xinjiang Co., Ltd（中国移动新疆乌鲁木齐分公司） ； School of Intelligence Science and Technology, Xinjiang University（新疆大学智能科学与技术学院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
AI总结 本文提出XM-ALIGN框架，通过显式与隐式对齐机制提升跨模态验证性能，采用共享分类器联合优化人脸与语音嵌入，并通过数据增强提升泛化能力。
Comments FAME 2026 Technical Report
Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OmniAlpha：通过多任务统一强化学习对透明度感知生成进行对齐
机构 * Tsinghua University（清华大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Beihang University（北航）
AI总结 OmniAlpha通过多任务统一强化学习框架，解决透明度感知生成中RGB外观、alpha透明度和跨层合成的建模问题，提升RGBA生成质量。
视频生成的系统性后训练框架
机构 * The University of Hong Kong（香港大学） ； JD Explore Academy（京东探索研究院） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学）
AI总结 本文提出系统性后训练框架，通过四个协同阶段提升视频生成的视觉质量、时间一致性和指令遵循性，同时保持预训练阶段的可控性。
Comments Tech report
从场景到物体：文本引导的双目预测
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） ； Cho Chun Shik Graduate School of Mobility, Korea Advanced Institute of Science and Technology（Cho Chun Shik 移动研究生院，韩国科学技术院）
AI总结 本文提出双分支 gaze 预测框架，通过构建物体级数据集和改进模型架构，实现精准物体级注意力预测，提升语义推理能力。
RISE：具有组合世界模型的自改进机器人策略
机构 * The Chinese University of Hong Kong（香港中文大学） ； Kinetix AI ； The University of Hong Kong（香港大学） ； Shanghai Innovation Institute（上海创新研究院） ； Horizon Robotics ； Tsinghua University（清华大学）
AI总结 本文提出RISE框架，通过组合世界模型提升机器人策略鲁棒性，在动态砖块排序、背包打包和箱盖闭合任务中分别取得+35%、+45%和+35%的性能提升。
Comments RSS 2026. Project page: https://opendrivelab.com/RISE/
SnapMLA: 通过硬件感知的FP8量化流水线实现高效的长上下文MLA解码
机构 * Meituan LongCat Team（美团LongCat团队） ； Tsinghua University（清华大学）
AI总结 SnapMLA通过硬件感知的FP8量化流水线优化，提升长上下文解码效率，实验显示在长输出解码任务中吞吐量提升达1.91倍，同时在推理和代码生成基准上与BF16基线表现相近。
MICo-150K：一个多图像合成的综合数据集
机构 * Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Sun Yat-Sen University（中山大学） ； OPPO Research Institute（OPPO研究院）
AI总结 本文提出MICo-150K数据集，通过系统研究多图像合成任务，构建高质量图像和多样提示，结合人类反馈生成平衡的合成图像，同时建立评估基准和新指标，验证了数据集对模型提升的有效性。
Comments Project Page: https://MICo-150K.github.io/
SIV-Bench：一种用于社会互动理解和推理的视频基准测试
机构 * Peking University（北京大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） ； Tsinghua University（清华大学） ； ShanghaiTech University（上海科技大学）
AI总结 本文提出SIV-Bench，一个用于评估多模态大语言模型在社会场景理解、社会状态推理和社会动态预测能力的视频基准测试，揭示了现有模型在社会推理方面的不足。
DEGround：一种有效的基于自身视角的3D视觉定位基线框架
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； Tsinghua University（清华大学）
AI总结 本文提出DEGround框架，通过统一的框架实现检测与定位的物体级共享，引入两个任务特定模块提升细粒度指令定位性能，实验表明在多个基准上表现最佳，尤其在EmbodiedScan数据集上精度提升显著。
Comments 1st place on EmbodiedScan visual grounding
在双层优化中寻找小超梯度：难度结果与改进分析
机构 * IIIS, Tsinghua University（清华大学人工智能研究院） ； Shanghai Qizhi Institute（上海启智研究院） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 本文研究了双层优化中寻找超目标 stationary 点的难度，证明在非凸-凸情况下零尊重算法不可行，并提出在满足PL条件的非凸-非凸问题中，通过简单一阶算法获得更优复杂度界。
Comments Published in COLT 2024. This arXiv version refines Assumption 4.1 (d); adds discussions on related works in Appendix A; and corrects the kappa dependency in the upper bounds
演示：基于视觉Transformer的实时语义通信
机构 * School of Integrated Technology, Yonsei University（燕山大学整合技术学院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
AI总结 本文提出基于深度神经网络的图像传输架构，并通过FPGA原型在实时无线信道中验证其可行性，展示其在低信噪比下优于传统调制系统。
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