高校专区
修复结构瓶颈：通过显式信息传输进行上下文压缩
机构 * King’s College London（伦敦国王学院） ； Tsinghua University（清华大学） ； Imperial College London（伦敦帝国学院） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文通过从结构角度重新审视上下文压缩，识别出标准LLM压缩方法中的两个关键瓶颈，并提出ComprExIT框架，通过显式信息传输提升压缩效率，实验表明其在多个数据集上表现优异，提升了F1分数并降低了计算成本。
TMPO：用于多样化和高效扩散对齐的轨迹匹配策略优化
机构 * Huazhong University of Science and Technology（华中科技大学） ； Kuaishou Technology（快手科技） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） ； Tsinghua University（清华大学）
AI总结 本文提出TMPO，通过轨迹级奖励分布匹配提升扩散模型生成多样性，采用Softmax-TB目标和动态随机树采样，有效减少训练时间并提升性能。
静止的注意力保持静止：打破视觉惯性以缓解认知幻觉
机构 * Tsinghua University（清华大学）
AI总结 提出惯性感知视觉激发（IVE）方法，通过建模视觉注意力的动态响应性，打破多模态大模型中的视觉惯性，从而缓解需要对象间关系推理的认知幻觉。
Design-MLLM：一种用于可验证且美观的室内设计的强化对齐框架
机构 * National Jiangsu University of Finance（江苏财经大学） ； University of Lorraine（洛林大学） ； Institute of Electronics and Information Technology, Chinese Academy of Sciences（中国科学院电子信息技术研究所） ； Tsinghua University（清华大学）
AI总结 提出Design-MLLM框架，通过双分支美学导向奖励的强化对齐，解决室内设计中空间可行性硬约束与美学偏好软约束的矛盾，生成既可行又美观的设计。
CodePercept: 基于代码的MLLM视觉STEM感知
机构 * MoE Key Lab of Artificial Intelligence, AI Institute, School of Computer Science, Shanghai Jiao Tong University（人工智能大模型重点实验室，人工智能学院，计算机科学学院，上海交通大学） ； Qwen Team（通义实验室） ； Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学）
AI总结 本文发现多模态大模型在STEM视觉推理中感知能力是瓶颈，提出通过代码作为感知媒介，构建ICC-1M数据集和STEM2Code-Eval基准来增强和评估感知能力。
Comments Accepted by CVPR2026
基于自课程模型的可变形线性物体形状控制强化学习
机构 * Department of Mechanical Engineering, Tsinghua University（清华大学机械工程系）
AI总结 提出两阶段框架，结合基于模型强化学习与在线视觉伺服，通过自课程目标生成机制实现可变形线性物体高效精确的形状控制，在仿真和真实任务中优于主流方法。
Comments Accepted to IROS 2026
EasyUUV：一种用于UUV姿态控制的LLM增强通用轻量级仿真到现实强化学习框架
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） ； Department of Mechanical Engineering, The University of Hong Kong（香港大学机械工程系） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； School of Civil Engineering, Southwest Jiaotong University（西南交通大学土木工程学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； Department of Data Science, New Jersey Institute of Technology（新泽西理工学院数据科学系） ； Ocean College, Zhejiang University（浙江大学海洋学院）
AI总结 提出EasyUUV框架，结合并行强化学习与混合控制架构，并集成多模态大语言模型自适应调整参数，实现UUV姿态控制的鲁棒性和泛化性，经仿真与实船验证。
Comments 12 pages, 14 figures
Spark: 通过动态分支进行战略性策略感知探索以实现长周期智能体学习
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学）
AI总结 提出Spark框架，通过关键状态动态分支实现资源高效探索，在长周期任务中以更少样本取得更高成功率和泛化能力。
Comments Accepted by ACL 2026
开放数学问题的悲观验证
机构 * Qiuzhen College, Tsinghua University, Beijing, China ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China ； Dept. of Comp. Sci \& Tech., Institute for AI, Tsinghua University, Beijing, China
AI总结 提出悲观验证范式，通过多个并行验证器拒绝有缺陷的解决方案，并引入渐进式悲观验证以增强精度和效率，在竞赛级数学问题上显著提升性能。
OmniNWM：全知驾驶导航世界模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东部技术研究所） ； PhiGent ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学）
AI总结 提出OmniNWM全知全景导航世界模型，在统一概率框架下处理状态、动作和奖励三个维度，实现多模态全景视频生成、零样本轨迹控制及内在奖励机制，在生成保真度和控制精度上达到SOTA。
Comments ECCV 2026
探索-执行链：迈向高效的结构化推理范式
机构 * Qizhi Institute（启智研究院） ； Dept. of Computer Science, Tsinghua University（清华大学计算机科学系） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Engineering Department, National University of Singapore（新加坡国立大学工程系） ； Dept. of Automation, Shanghai Jiao Tong University（上海交通大学自动化系） ； IIIS, Tsinghua University（清华大学人工智能研究院） ； College of Software, Northeastern University（东北大学软件学院）
AI总结 提出探索-执行链（E²C），将推理分为随机探索阶段（生成简洁高层计划）和确定性执行阶段（忠实执行计划），通过因果SFT和RL训练分离，在AIME'2024上以更少token超越思维树，并支持轻量领域适应。
FILIC：基于阻抗力矩控制的双环力引导模仿学习用于接触丰富操作任务
机构 * Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； DISCOVER Robotics（DISCOVER机器人）
AI总结 提出FILIC框架，通过双环结构结合Transformer策略与阻抗控制器，利用关节力矩估计末端力，实现无力传感器下的力感知接触操作，显著提升安全性和适应性。
SenseExpo: 通过快速预测算子的场景估计进行空间探索与导航
机构 * Tsinghua University（清华大学） ； University of Georgia（佐治亚大学） ； Peking University（北京大学） ； D-Robotics（D-机器人） ； Infinity Robotics（Infinity机器人）
AI总结 提出轻量级单机器人探索框架SenseExpo，结合紧凑地图预测网络与前沿策略，以709K参数实现优于U-Net和LaMa的预测性能，并在探索实验中显著加速目标覆盖。
衡量AI辅助内容生成中的人类贡献
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学）
AI总结 针对AI辅助内容生成中人类贡献度难以量化的问题，提出基于信息论的框架，通过互信息与自信息之比计算人类信息贡献比例，实验证明能有效区分不同创意领域的人类贡献程度。
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