高校专区
UltraX：通过自适应编程编辑大规模精炼预训练数据
机构 * Peking University（北京大学） ； ModelBest Inc.（ModelBest公司） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 研究针对训练数据极限下大语言模型高质量数据利用问题，提出UltraX框架，通过引入插入完善编辑功能空间，构建程序监督生成管道，经实验验证其在各语料库平均性能最高，数据效率和精炼可靠性强。
通过多尺度图像表示进行无配对联合分布建模
机构 * Yau Mathematical Sciences Center, Tsinghua University（丘成桐数学科学中心，清华大学） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） ； Qiuzhen College, Tsinghua University（清华大学求真书院） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究院） ； State Key Laboratory of Membrane Sciences, Tsinghua University（清华大学膜生物学国家重点实验室）
AI总结 研究从边际观测学习联合分布问题，提出LUD - MSR框架，通过辅助表示建模并优化证据下界，建立误差上界揭示权衡，引入MSR映射，实验证明该框架在真实去噪基准测试中有效。
SQuaD-SQL：通过大语言模型引导的知识蒸馏，利用小语言模型实现高效的文本到SQL转换
机构 * The University of Liverpool（利物浦大学） ； University of Macau（澳门大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Microsoft（微软） ； Shanghai University of International Business and Economics（上海国际经贸管理大学） ； Huizhou University（惠州市大学）
AI总结 研究如何让小语言模型在文本到SQL任务中接近大语言模型性能。核心方法是通过知识蒸馏和合成数据生成，包含基于大语言模型的合成数据生成、参数高效微调和领域自适应微调三个关键组件。主要贡献是在WikiSQL数据集上执行准确率达86.9%，推理更快、内存使用更低。
Comments Accepted at IEEE SMC 2026
MASTE：一种用于零样本方面情感三元组提取的多智能体管道
机构 * Tsinghua University（清华大学） ； Wuhan University（武汉大学）
AI总结 研究针对方面情感三元组提取问题，提出多智能体管道MASTE，将其分解为四个阶段，由专门智能体处理不同子任务，实现完全无训练的零样本提取，在多个基准测试中显著优于基线，缩小与全监督方法差距。
video-SALMONN-R$^3$: 学习重看、重问和重答以实现高效视频理解
机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动） ； University of Cambridge（剑桥大学）
AI总结 提出video-SALMONN-R$^3$，首个通过强化学习实现重看机制的视频大语言模型，无需链式思维冷启动，采用重答和重问策略提升视频问答效率与准确性。
OmniOPSD：面向情感计算的理性特权在线自蒸馏
机构 * Shenzhen University（深圳大学） ； 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）） ； Tsinghua University（清华大学） ； 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） ； Shenzhen Technology University（深圳技术大学） ； Tongji University（同济大学） ； Huawei（华为）
AI总结 针对多模态大模型在复杂推理任务中奖励稀疏的问题，提出OmniOPSD框架，利用前沿模型生成的理性作为教师特权证据而非学生模仿目标，通过在线自蒸馏提供密集令牌级监督，在MER-UniBench上取得84.19平均分的最优性能。
幂律的力量：不对称性使组合推理成为可能
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文研究了幂律分布对组合推理任务的影响，发现其在状态跟踪和多步算术等任务中优于均匀分布，通过理论分析揭示了幂律分布通过引入有益的不对称性，使模型能更高效地学习长尾技能。
通过随机投影进行降维是否能保持景观特征？
机构 * Leiden Institute of Advanced Computer Science, Leiden University（莱顿高级计算机科学研究所，莱顿大学） ； RTWH Aachen University（亚琛工业大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-罗quentourt研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒研究实验室）
AI总结 本文研究了通过随机高斯嵌入进行降维对探索性景观分析特征的鲁棒性，发现线性随机投影会改变与ELA相关的几何和拓扑结构，大多数特征对嵌入高度敏感。
Comments 9 Pages, 5 figures, Submitted and accepted to Proceedings of The Genetic and Evolutionary Computation Conference 2026,
Tessera：通过内核粒度解耦解锁异构GPU
机构 * Peking University（北京大学） ； Key Lab of HCST (PKU), MOE（高可信软件技术教育部重点实验室（北京大学）） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute for AI Industry Research, Tsinghua University（清华大学人工智能研究院） ； Tsinghua University（清华大学） ； University of Leeds（利兹大学） ； Huawei Cloud（华为云）
AI总结 Tessera通过内核粒度解耦提升异构GPU上的大模型推理性能和成本效率，利用离线分析与在线适应结合，实现计算与硬件能力的匹配。
高保真物体重建的有效高斯管理
机构 * School of Automation, Nanjing University of Posts and Telecommunications（南京邮电大学自动化学院） ； school of Communications and Information Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学通信与信息工程学院） ； School of Software, Dalian University of Technology（大连理工大学软件学院） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） ； School of Software and BNRist, Tsinghua University（清华大学软件学院和BNRist）
AI总结 提出一种高斯管理框架，通过选择性激活属性、自适应表示和任务解耦剪枝，结合正则化表面重建模块，在减少参数的同时实现高保真外观与几何重建。
Comments 15 pages, 14 figures
ParamMute：抑制知识关键的前馈神经网络以实现忠实的检索增强生成
机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学人工智能研究院计算机科学与技术系） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院） ； Language Technologies Institute, Carnegie Mellon University, United States（卡内基梅隆大学语言技术研究所）
AI总结 研究RAG中LLMs不忠实生成问题，提出ParamMute框架抑制相关FFNs激活并校准模型，通过CoFaithfulQA基准评估，显著提升忠实性，减少对参数记忆依赖，为提高LLM在RAG中的可信度提供新方向。
Comments 26 pages, 7 figures, 7 tables
LlamaSeg：通过自回归掩码生成进行图像分割
机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室） ； Tsinghua University（清华大学） ； Shenzhen University（深圳大学） ； Meituan（美团） ； Division of AMC and Department of ECE, HKUST（HKUST AMC 分部和电子工程系）
AI总结 LlamaSeg是通过自然语言指令统一图像分割任务的视觉自回归框架，将分割视为视觉生成，编码掩码为视觉令牌。引入数据标注管道和SA-OVRS数据集，能基于文本提示定位对象并生成掩码，实验显示其在分割基准上表现出色。
Journal ref ECCV 2026
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