Tsinghua University（清华大学）

GraphWalker: Agentic Knowledge Graph Question Answering via Synthetic Trajectory Curriculum

GraphWalker: 通过合成轨迹课程实现基于知识图谱的代理问答

Shuwen Xu, Yao Xu, Jiaxiang Liu, Chenhao Yuan, Wenshuo Peng, Jun Zhao, Kang Liu

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 纠错

AI总结 GraphWalker通过自动化轨迹合成和分阶段微调解决知识图谱问答中的探索与泛化问题，提升轻量强化学习性能，在CWQ和WebQSP上取得最优效果。

Comments COLM 2026

SPA: A Simple but Tough-to-Beat Baseline for Knowledge Injection

SPA：一个简单但难以被击败的基线模型用于知识注入

Kexian Tang, Jiani Wang, Shaowen Wang, Kaifeng Lyu

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） 纠错

AI总结 本文提出SPA基线模型，通过精心设计的提示生成大规模合成数据以增强模型知识，实验表明其优于现有方法，并揭示了先前方法的两个关键局限。

Mesh-Attention: A New Communication-Efficient Distributed Attention with Improved Data Locality

Mesh-Attention: 一种新的通信高效分布式注意力机制，具有改进的数据本地性

Sirui Chen, Jingji Chen, Siqi Zhu, Ziheng Jiang, Yanghua Peng, Xuehai Qian

机构 * Tsinghua University（清华大学） ； Purdue University（普渡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； ByteDance Seed（字节跳动种子） 纠错

AI总结 Mesh-Attention通过改进的数据本地性，提高了分布式注意力的通信效率和可扩展性，实验显示在大规模GPU上实现了显著的加速和通信量减少。

Self-Attention to Operator Learning-based 3D-IC Thermal Simulation

基于自注意力算子学习的三维集成电路热仿真

Zhen Huang, Hong Wang, Wenkai Yang, Muxi Tang, Depeng Xie, Ting-Jung Lin, Yu Zhang, Wei W. Xing, Lei He

机构 * University of Science and Technology of China（中国科学技术大学） ； Eastern Institute of Technology（东部技术研究所） ； ShanghaiTech University（上海科技大学） ； Tsinghua University（清华大学） ； BTD Technology（BTD技术） ； University of Sheffield（谢菲尔德大学） ； University of California（加州大学） 纠错

AI总结 针对三维集成电路热管理难题，本文提出SAU-FNO框架，结合自注意力、U-Net与FNO，采用迁移学习微调低保真数据，实现最优热预测精度，较传统FEM加速842倍，为三维集成电路热仿真提供高效工具。

Journal ref DAC 2025

LEGO-Puzzles: How Good Are MLLMs at Multi-Step Spatial Reasoning?

LEGO-Puzzles：多模态大语言模型（MLLMs）在多步骤空间推理上的表现如何？

Kexian Tang, Junyao Gao, Yanhong Zeng, Haodong Duan, Yanan Sun, Zhening Xing, Wenran Liu, Kai Chen, Kaifeng Lyu

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Tongji University（同济大学） ； Tsinghua University（清华大学） 纠错

AI总结 该研究推出多步骤空间推理基准LEGO-Puzzles，评估29个顶尖MLLMs，发现其在基础空间推理、多步骤规划任务上远逊于人类，凸显其空间推理能力存在关键局限。

ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks

ProPINN：揭秘物理信息神经网络中的传播失效问题

Yuezhou Ma, Haixu Wu, Hang Zhou, Huikun Weng, Jianmin Wang, Mingsheng Long

机构 * School of Software, BNRist, Tsinghua University（软件学院、BNRist、清华大学） 纠错

AI总结 本文针对物理信息神经网络（PINNs）的传播失效问题，深入剖析其根本原因，提出新型ProPINN架构，可有效解决失效模式，相较基于Transformer的模型实现46%的相对性能提升。