高校专区
AwareVLN: 基于自感知的视觉语言导航推理
机构 * Tsinghua University（清华大学）
AI总结 本文提出AwareVLN框架，通过自感知推理机制实现端到端的视觉语言导航，解决了传统方法在理解代理、指令和场景关系上的不足，并在多个数据集上实现了优于现有方法的性能。
Comments Accepted to CVPR 2026. Project page: https://gwxuan.github.io/AwareVLN/
GesVLA: 一种具有手势感知能力的视觉-语言-动作模型嵌入表示
机构 * Tsinghua University（清华大学） ； Dexmal
AI总结 本文提出GesVLA模型，通过引入手势作为平行指令模态，解决现有VLA系统在复杂场景中空间模糊问题，采用双VLM架构实现手势表示与动作策略的紧密耦合，并通过手势数据生成管道和两阶段训练策略提升目标定位准确性和人机交互效率。
Comments Project page: https://gwxuan.github.io/GesVLA/
GLeVE: 在3D CT中基于图的病变接地与提案验证
机构 * Zhejiang Key Laboratory of Space Information Sensing and Transmission（浙江空间信息感知与传输重点实验室） ； Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Children's Hospital, Zhejiang University School of Medicine（浙江大学医学院附属儿童医院）
AI总结 本文提出GLeVE框架，通过图引导的病变接地和解剖学先验验证，解决3D CT中自由文本叙述与体积解剖之间的语义-空间差距问题，提升病变定位的准确性。
Comments 11 pages, 4 figures
基于运动、几何和语义适应的复杂非线性视觉目标跟踪
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 本文提出SAMOSA框架，通过显式利用运动、几何和语义线索，改进SAM 2在复杂非线性视觉目标跟踪中的表现，实现了更鲁棒和通用的跟踪方法。
EnCAgg: 增强型聚类聚合用于对抗动态模型中毒的联邦学习
机构 * School of Cyberspace Security, Beijing University of Posts and Telecommunications（信息安全部门，北京邮电大学） ； School of Computer Science and Technology, Huazhong University of Science and Technology（计算机科学与技术学院，华中科技大学） ； Department of Electronic Engineering, Tsinghua University（电子工程系，清华大学）
AI总结 本文提出了一种新的鲁棒聚合方法，通过利用少量已知的良性客户端作为参考，准确识别和过滤恶意梯度，同时保留尽可能多的良性梯度，即使恶意客户端的数量未知且变化。方法包括密度基低维梯度聚类、增强聚类低维梯度生成模型和低维梯度重新聚类。
Pre-VLA: 预防性运行时验证用于可靠视觉-语言-动作和世界模型展开
机构 * Beihang University（北京航空航天大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； JDT AI Infra ； Zhejiang University（浙江大学）
AI总结 本文提出Pre-VLA，一种统一的运行时验证架构，用于在物理执行或世界模型想象之前评估动作的有效性，以提高视觉-语言-动作和世界模型展开的可靠性。
AgroTools: 一个用于农业中增强工具的多模态代理基准
机构 * Sun Yat-Sen University（中山大学） ； Southwest University（西南大学） ； Northeastern University（东北大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） ； Southwest Jiaotong University（西南交通大学） ； China Agricultural University（中国农业大学） ； Tsinghua University（清华大学）
AI总结 本文提出AgroTools基准，用于评估农业中增强工具的多模态代理，通过539个问题-答案实例和1097张异构农业图像，评估模型在工具使用中的执行质量和任务成功率。
SciCore-Mol: 通过可插拔分子认知模块增强大语言模型
机构 * School of Electronic and Computer Engineering, Peking University, Shenzhen, China（电子与计算机工程学院，北京大学深圳校区） ； Tsinghua University, Beijing, China（清华大学，北京） ； School of Intelligence Science and Technology, Nanjing University, Suzhou, China（智能科学与技术学院，南京大学苏州校区）
AI总结 本文提出SciCore-Mol框架，通过三个深度集成的可插拔认知模块解决大语言模型处理异构科学数据（如分子）时的语义鸿沟问题，实现分子理解、生成、反应预测和化学知识的综合性能提升。
Comments 15 pages, 4 figures, 9 tables. Preprint
Maestro：通过强化学习协调分层模型-技能集合
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学） ； Tongji University（同济大学）
AI总结 本文提出Maestro框架，通过强化学习协调多模态任务，利用分层模型-技能集合提升多模态任务性能，实现高效且通用的协调策略。
ST-SimDiff：平衡时空相似性与差异以实现高效的视频理解与大语言模型
机构 * Tsinghua University（清华大学） ； Shenzhen University（深圳大学） ； Xidian University（西安电子科技大学）
AI总结 本文提出ST-SimDiff框架，通过平衡时空相似性与差异来提高视频理解效率，利用时空图和双选择策略减少计算成本并提升性能。
Comments Accepted by ICLR 2026
一句话，一出戏剧：通过多智能体系统实现个性化短剧生成
机构 * MedVisAI Lab, Lee Kong Chian School of Medicine, Nanyang Technological University（MedVisAI实验室，李光前医学院，南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Guangming Laboratory（光明实验室）
AI总结 本文提出了一种多智能体框架，通过结构化中间模块和迭代优化，将用户的单句想法转化为完整短剧，解决了短剧生成中的叙事节奏、空间一致性及生产质量控制问题。
FUSE：一种用于车辆和机器人SLAM系统统一状态估计的框架
机构 * State Key Lab of Intelligent Green Vehicle and Mobility, Tsinghua University（智能绿色车辆与移动国家重点实验室，清华大学） ； School of VM and College of AI, Tsinghua University（车辆学院与人工智能学院，清华大学） ； SunRisingAI Ltd.（SunRisingAI有限公司） ； China Intelligent and Connected Vehicles (Beijing) Research Institute Co., Ltd.（中国汽车智能互联车辆（北京）研究院有限公司）
AI总结 本文提出FUSE框架，用于统一车辆和机器人SLAM系统中的状态估计，通过分离时间处理、局部几何关联、估计器公式和地图更新策略，提高状态估计设计的灵活性和准确性。
具有自适应更新的射线感知指针记忆用于流式3D重建
机构 * The Chinese University of HongKong, Shenzhen（香港中文大学（深圳）） ； Tsinghua University（清华大学）
AI总结 本文提出了一种射线感知指针记忆，用于流式3D重建，通过统一的记忆表示模型同时建模空间位置和视角方向，采用自适应指针更新策略以保留信息性指针并丢弃冗余指针，从而提高长期重建稳定性和相机姿态精度。
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
SiameseNorm: 突破预规范与后规范之间的障碍
机构 * Leap Lab, Tsinghua University（清华大学 Leap 实验室） ； Qwen Large Model Application Team, Alibaba（阿里巴巴 Qwen 大模型应用团队） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息学研究院）
AI总结 本文提出SiameseNorm，一种双流架构，通过共享残差块将预规范和后规范结合，从而在保持训练稳定性的同时提升模型性能，适用于多种架构和模态。
Comments Accepted to ICML 2026; camera-ready version; revised presentation and added additional experimental results
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
基于大语言模型的累积推理
机构 * IIIS, Tsinghua University（清华大学人工智能研究院） ； Shanghai Qi Zhi Institute（上海启智研究院）
AI总结 本文提出了一种名为累积推理（CR）的框架，通过模拟人类的迭代和累积思维过程，增强大语言模型（LLM）的问题解决能力。CR通过分解任务、生成并验证中间推理步骤，构建动态有向无环图（DAG）来组成解决方案，从而在逻辑推理、24点游戏和数学问题等任务中取得了显著的性能提升。
Comments Published in Transactions on Machine Learning Research (TMLR). Project Page: https://github.com/iiis-ai/cumulative-reasoning
通过无训练空间-时间池化和栅格化增强视频大语言模型的视觉令牌表示
机构 * Tsinghua University（清华大学） ； Shenzhen University（深圳大学） ； Xidian University（西安电子科技大学）
AI总结 本文提出了一种无需训练的空间-时间池化和栅格化方法ST-GridPool，用于提升视频大语言模型的视觉令牌表示，通过多级时空交互和基于规范的空间池化技术，在不需重新训练的情况下提高性能。
Comments Accepted by ICLR 2026
从推理链到可验证子问题：课程强化学习使LLM推理能够进行信用分配
机构 * LeapLab, Tsinghua University（清华大学 LeapLab） ； Qiuzhen College, Tsinghua University（清华大学 旗正学院）
AI总结 该研究提出SCRL框架，通过从参考推理链中生成可验证子问题，解决LLM推理中信用分配问题，提升了在数学推理任务中的性能。
Faithful-MR1: 通过锚定和强化视觉注意力实现忠实的多模态推理
机构 * AMAP, Alibaba Group（阿里云实验室，阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Faithful-MR1框架，通过锚定和强化视觉注意力解决多模态推理中的忠实性问题，提升模型在多模态基准上的表现。
Comments 20 pages, 7 figures, 3 tables. Preprint
AgroVG：一个大规模多源基准用于农业视觉 grounding
机构 * China Agricultural University（中国农业大学） ； Sun Yat-sen University（中山大学） ； Tianjin University（天津大学） ； Tsinghua University（清华大学） ； Southwest Jiaotong University（西南交通大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心）
AI总结 本文提出AgroVG基准，用于评估农业视觉 grounding能力，通过多源数据集和任务特定协议，评估模型在多目标、多实例和无目标场景下的性能，揭示了现有模型在农业视觉 grounding任务中的不足。
Comments 45 pages,12 figures
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
MindLoom: 通过组合思维模式进行前沿级推理数据合成
机构 * Peking University（北京大学） ； Tsinghua University（清华大学）
AI总结 本文提出MindLoom框架，通过组合思维模式工程合成前沿级推理数据，解决了现有方法在问题难度控制和多样性方面的不足，实验表明其在多个基准测试中表现优异。
Comments Work in Progress. Comments: 27 pages, 4 figures, preprint
IVGT：隐式视觉几何变换器用于神经场景表示
机构 * Intelligent Vision Group, Tsinghua University（清华大学智能视觉组）
AI总结 本文提出IVGT，一种隐式视觉几何变换器，通过无姿态多视角图像隐式建模连续且一致的几何结构，从而实现神经场景表示，支持在任意3D位置进行连续空间查询，以预测签名距离和颜色，并在多个任务中表现出色。
Comments Code: https://github.com/wzzheng/IVGT/
从大规模人类示范中学习人类意图先验以用于机器人操作
机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动）
AI总结 本文提出MoT-HRA框架，通过大规模人类示范学习人类意图先验，用于机器人操作，通过构建HA-2.2M数据集和三个耦合专家提升动作合理性和鲁棒性。
Comments 13 pages, 5 figures
通过DEVS形式化方法驱动的离散事件世界模型生成与评估
机构 * Zhili College, Tsinghua University（清华大学紫光学院） ； School of Transportation Science and Engineering, Beihang University（北航交通科学与工程学院） ； Department of Industrial Engineering, Tsinghua University（清华大学工业工程系）
AI总结 本文提出了一种基于自然语言规范在线生成离散事件世界模型的方法，结合了显式模拟器的可靠性与神经模型的适应性，通过DEVS形式化方法和分阶段的LLM生成流程，实现了对事件和时间逻辑的结构推断，并通过基准测试集验证了模型的一致性和可验证性。
Comments 36 pages, 6 figures
异质智能体协作强化学习
机构 * Beihang University（北航） ； Bytedance China（字节跳动中国） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Apple（苹果公司）
AI总结 本文提出了一种新的强化学习从可验证奖励（RLVR）问题HACRL，通过异质智能体共享验证的轨迹实现协同优化，解决了孤立多智能体在线优化的效率问题，并提出HACPO算法以最大化样本利用率和跨智能体知识转移。
DeFacto: 通过图像进行反事实推理以强制证据支持和忠实推理
机构 * Department of Automation, Tsinghua University, Beijing, China（清华大学自动化系） ； Zhongguancun Academy, Beijing, China（中关村学院） ； School of Software, Xinjiang University, Urumqi, China（新疆大学软件学院） ； College of Materials Science and Engineering, Fuzhou University, Fuzhou, China（福州大学材料科学与工程学院） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学人工智能学院） ； Beijing Qianjue Technology Co., Ltd., Beijing, China（北京千 jue 技术有限公司）
AI总结 本文提出DeFacto框架，通过整合正例、反事实和随机遮蔽三种训练范式，提升多模态语言模型在证据一致性方面的表现，并引入DeFacto-1.5K基准进行系统评估。
ScaleDoc: 通过大规模文档集合进行基于大语言模型的谓词扩展
机构 * Tsinghua University（清华大学）
AI总结 本文提出ScaleDoc系统，通过将谓词执行分为离线表示阶段和优化的在线过滤阶段，解决了大规模文档分析中大语言模型高推理成本的问题，实现了端到端速度提升和LLM调用成本降低。
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