高校专区
SM4RT：学习用于4D重建的结构化运动几何
机构 * Intelligent Vision Group, Tsinghua University（清华大学智能视觉组）
AI总结 针对将单目3D重建能力扩展到4D动态理解的挑战，提出SM4RT，通过引入运动结构表示场景动态，利用并行运动几何编码器和解码器，从单目RGB视频中联合推断相关信息，实现强大运动重建性能并保留场景运动几何结构。
Comments Code is available at: https://github.com/wzzheng/SM4RT
QLPO：用于长度感知策略优化的象限加权采样
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Beijing Key Laboratory of Software and Hardware Cooperative Artificial Intelligence Systems, Peking University（北京大学软硬件协同人工智能系统北京市重点实验室） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Institute of Computational Social Science, Peking University (Qingdao)（北京大学（青岛）计算社会科学研究院）
AI总结 针对大型推理模型长思维链响应致高延迟成本问题，提出QLPO方法，通过先过度生成候选响应，再按特定规则重采样训练组，实现隐式长度控制，在多模型中改善准确率与长度权衡，减少响应长度并保持推理性能。
Comments 18 pages, 7 figures, 6 tables. Accepted at COLM 2026
对抗风格优化：通过基于GRPO的风格触发优化增强VLM越狱
机构 * Tsinghua University（清华大学） ； Harbin Engineering University（哈尔滨工程大学） ； Shandong University（山东大学） ； Xidian University（西安电子科技大学）
AI总结 研究MLLMs安全对齐易受越狱攻击问题，提出基于GRPO的对抗风格优化（ASO）方法，通过优化风格触发增强视觉越狱，实验证明该方法显著提高攻击成功率，凸显风格偏差对MLLMs红队测试的作用。
Comments Accepted by CVPR 2026 (Oral)
VTM-Nav：用于跨情节对象目标导航的分层视觉拓扑记忆
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学交叉科学学院） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 研究跨情节对象目标导航问题，提出无训练的VLM导航框架\method，其带有分层视觉拓扑记忆，通过粗到细匹配检索经验，在三个基准测试中性能最佳，证明跨数据集结构化视觉拓扑经验复用有效且鲁棒。
享受你的对话：一个用于多轮对话的以人为本基准，具有解耦的用户模拟、目标建模和评判
机构 * SenseTime Research（商汤科技研究院） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 该研究提出EYT-Bench基准，通过三方解耦设计评估大语言模型多轮对话能力，引入新指标，发现先进模型在主观维度相近但客观意图跟踪差异大，推理可提升客观跟踪，角色格式影响轨迹分布，且热身效应稳健。
SAFE-Pruner: 语义注意力引导的未来感知令牌剪枝用于高效视觉-语言-动作操控
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）
AI总结 针对视觉-语言-动作模型推理加速中现有剪枝方法忽略深层视觉信息的问题，提出SAFE-Pruner框架，通过引入未来层注意力线索和语义注意力一致性实现前瞻性令牌剪枝，在仿真和真实实验中取得最高1.89倍加速且成功率下降小于1.7%。
Comments Accepted to ECCV 2026
对时间、空间和语义规避的自主代理进行基准测试
机构 * Tsinghua University（清华大学）
AI总结 本文提出了一种针对基于大语言模型（LLM）的代理系统的多维规避框架，通过引入时间、空间和语义三种隐蔽攻击向量，系统地量化了这些威胁，并展示了其在实际威胁场景中的效果，揭示了现有自主代理系统在架构层面的系统性漏洞。
Comments 18 pages, 12 figures, 8 tables. Code and data available at https://github.com/antgroup/Agent3Sigma-Stage
利用强化学习优化神经语音编解码器用于300bps通信
机构 * Tsinghua University（清华大学） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 本文提出ClariCodec，一种在300bps下工作的神经语音编解码器，通过将量化视为随机策略，利用强化学习优化可懂度，从而在极端压缩水平下减少词错误率。
RAD：面向机器人观测的真实异常检测数据集与基准
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Great Bay University（大湾大学） ； Harvard University（哈佛大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Deakin University（德克萨斯大学）
AI总结 提出RAD数据集，包含13类日常物体和4种缺陷，从60多个机器人视角在非受控光照下采集，用于评估2D特征、3D重建和视觉语言模型在姿态无关的异常检测中的表现，发现2D方法优于3D和VLM方法。
深入探究视频VAE的潜在频谱偏置以实现更优的可扩散性
机构 * Zhipu AI, Beijing, China（智谱AI，北京，中国） ； Tsinghua University, Beijing, China（清华大学，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国）
AI总结 本文通过统计分析发现视频VAE潜在空间的频谱特性对扩散训练至关重要，提出局部相关正则化和潜在掩码重建两种轻量级正则化器，实现3倍收敛加速和10%视频奖励提升。
MedKGent：用于构建随时间演变的医学知识图谱的大语言模型智能体框架
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德大学人工智能学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Kyoto University（京都大学） ； Tsinghua University（清华大学） ； East China Normal University（华东师范大学） ； Center for Excellence in Brain Science and Intelligence Technology（脑科学与智能技术卓越中心） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里特妇女医院） ； GenBio AI
AI总结 研究针对医学文献增长带来的知识结构化挑战，引入MedKGent框架，利用PubMed摘要通过两个智能体每日增量构建医学知识图谱，经评估其三元组有效性高，能显著改进大语言模型在医学问答基准上的检索增强生成。
Comments Accepted by Npj Digital Medicine
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