高校专区
基于超图的多模态检索增强生成与增量优化
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Beijing University of Technology（北京工业大学） ； Tsinghua University（清华大学）
AI总结 该研究针对现有多模态检索增强生成系统的二元连接局限与优化冗余问题，提出Hyper-M2RAG框架，通过多模态超图建模与锚点驱动的增量优化机制，在多模态基准数据集上实现优于现有方法的性能。
Comments Accepted to the 34th ACM International Conference on Multimedia (ACM MM 2026)
Zetta ζ：用于自进化物理智能的高效闭环具身框架
机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） ； Z-Trans AI
AI总结 Zetta ζ是一种闭环具身框架，通过时间尺度分离的循环进化评判器与恢复技能，结合Z-Infra在LIBERO-Pro、RoboCasa上实现90.8%、93.6%的成功率，为物理智能扩展提供路径。
Ultra：面向恶劣天气下可靠的修复-分割协作的无监督跨任务优化
机构 * Wuhan University（武汉大学） ； Beijing Institute of Technology（北京理工大学） ； Zhongguancun Academy（中关村学院） ； Tsinghua University（清华大学）
AI总结 本研究针对恶劣天气下修复-分割协作的无监督跨任务优化问题，提出Ultra框架，含CTDN与CMIL模块，在UDA-ASS基准上实现最优分割性能，还可泛化至修复与检测协作任务。
GaussianDWM++：用于统一场景理解、编辑与多模态生成的语言接地3D高斯驾驶世界模型
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Tsinghua University（清华大学） ； Chongqing Afari Intelligent Drive Co., Ltd.（重庆阿法瑞智能驾驶有限公司） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出GaussianDWM++，通过基础特征高斯分词器等模块构建统一框架，在多类驾驶任务中实现场景理解、编辑与多模态生成，性能达当前最优。
HiPHI：面向高精度人体运动与物体交互的大规模基准测试集
机构 * National University of Singapore（新加坡国立大学） ； The University of Hong Kong（香港大学） ； SIGS, Tsinghua University（清华大学深圳国际研究生院） ； The Hong Kong University of Science and Technology（香港科技大学） ； Noitom Robotics（诺亦腾机器人公司）
AI总结 该研究针对现有具身数据集的局限，提出基于FrameNet的600+小时高保真人体运动与物体交互基准HiPHI，配套评估套件，为类人策略学习及计算机图形学运动先验模型提供数据基础。
超越峰值积压：容量受限延迟多臂老虎机优化中的条件能量与时间几何
机构 * Minzu University of China（中央民族大学） ； ZeeLin (Beijing) Technology Co., Ltd.（泽林（北京）科技有限公司） ； Tsinghua University（清华大学）
AI总结 针对仅能跟踪有限反馈项的延迟多臂老虎机优化问题，引入条件能量接口得到更优延迟复杂度界，发现总延迟摘要一致时仍存在时序对极小极大悔度的影响。
Comments 19 pages, 2 figures, 2 tables
面向以用户为中心的多轮智能体的意图驱动情境跟踪
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
AI总结 该研究针对以用户为中心的多轮智能体，提出无需训练的IDSS框架，通过维护明确情境状态提升任务完成度等性能，为智能体情境跟踪提供有效方案。
ConceptFormer：学习自适应潜在概念以实现视觉文档检索中的查询-文档对齐
机构 * Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Peking University（北京大学）
AI总结 针对视觉文档检索中现有监督信号的局限，本文提出ConceptFormer框架，以自适应潜在概念为中间表示衔接语义鸿沟，在基准测试中较最强基线实现了16.7%、22.1%的NDCG@10相对提升，性能优异。
当故事演变时：在开放世界模拟中针对智能体架构对大语言模型故事讲述能力进行基准测试
机构 * The University of Hong Kong（香港大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； Beijing Institute of Mathematical Sciences and Applications (BIMSA)（北京数学科学与应用研究院）
AI总结 该研究推出WSE-bench基准，评估开放世界模拟中不同智能体架构的大语言模型故事讲述的持续生成、规范一致性和有意义发展，发现三者存在竞争关系，模型规模仅提升持续生成能力。
PoseAdapter：面向复杂多目标场景的双流2.5D可控图像生成
机构 * Tsinghua University（清华大学） ； National University of Defense Technology（国防科技大学）
AI总结 PoseAdapter是一种轻量2.5D可控图像生成框架，通过双流表示解决多目标场景属性泄漏问题，构建OrientLayout数据集，在空间精度等指标上优于现有最优方法。
Comments 10 pages, 5 figures
机器人基于视觉的触觉智能：感知、学习与具身操作
机构 * Great Bay University（大湾区大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学） ； The Hong Kong Polytechnic University（香港理工大学） ； South China University of Technology（华南理工大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； King’s College London（伦敦国王学院）
AI总结 本综述调研机器人领域基于视觉的触觉传感器（VBTSs）全流程，对其硬件分类、学习方法、仿真与数据集等展开分析，指出开放挑战，以推进接触密集型机器人任务的触觉智能。
理解智能体AI系统中认知引发的风险
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Tsinghua University（清华大学）
AI总结 该研究针对由LLM驱动的智能体AI系统，基于物理、社会、自我指涉认知的三级框架分析其引发的风险，提出策略以增强系统可控性，保障长期安全发展。
Comments This paper has been accepted by IEEE Intelligent Systems, which can be accessed at this https URL (https://doi.ieeecomputersociety.org/10.1109/MIS.2026.3721766). The DOI is https://doi.org/10.1109/MIS.2026.3721766
PhaseLoRA：面向连续动作视觉-语言-动作策略的控制条件式低秩适配
机构 * Tsinghua University（清华大学）
AI总结 PhaseLoRA是面向连续动作VLA策略的轻量级PEFT方法，通过控制条件式LoRA实现阶段依赖适配，在LIBERO数据集上较匹配参数的高秩LoRA基线提升平均成功率12.2个百分点，性能优于其他LoRA变体。
LongRCA Bench：诊断长 horizon 智能体失败中的责任角色与根本原因
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） ； Chongqing University（重庆大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Singapore Management University（新加坡管理大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； Tsinghua University（清华大学）
AI总结 LongRCA Bench 是含1140条失败轨迹的长 horizon 智能体失败诊断基准，本文提出无需训练的 RCTA 方法，在责任角色归因和根本步骤定位上优于现有基线，表明需将二者作为独立评估目标。
Comments 17 pages, 5 figures. Yunfei Zhang and Boyu Feng contributed equally. Changhua Pei is the corresponding author
EgoTac：从第一视角视觉实现野外环境下的触觉预测
机构 * Shanghai Qi Zhi Institute（上海期智研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学）
AI总结 本文提出EgoTac模型，利用超570万组图像-触觉对训练，可从第一视角视觉预测触觉，在域内及域外测试中性能优于现有方法，能为机器人学习提供触觉先验。
SCOPE：用于视频世界模型的分数隔离智能体优化
机构 * Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Tencent（腾讯）
AI总结 本研究针对视频世界模型推理时改进的评估难题，提出SCOPE框架，通过类型化状态更新与冻结策略实现可审计适应，在Physics-IQ基准上较冻结基线提升+14.24，同时揭示推理时更新的益处需原则性部署机制。
具有任意反馈延迟的Lipschitz多臂老虎机
机构 * Institute for Interdisciplinary Information Sciences Tsinghua University（清华大学交叉信息研究院）
AI总结 针对任意反馈延迟下的Lipschitz多臂老虎机，分别为随机和对抗奖励设置提出消除算法与EXP3算法，所得后悔界与无延迟时匹配，刻画了反馈延迟的额外影响。
Comments 10 pages of main contents, 26 pages in total
VideoGAIA：面向通用人工智能助手的智能体视频理解基准
机构 * The Chinese University of Hong Kong（香港中文大学） ； Ant Group（蚂蚁集团） ； Tsinghua University（清华大学） ； Tongji University（同济大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 VideoGAIA是面向通用AI助手的智能体视频理解基准，构建多轮工具增强交互任务，现有MLLMs在其上准确率不足60%，可评估下一代模型并推动相关转型。
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