高校专区
ImViD：用于增强VR沉浸感的沉浸式体积视频
机构 * Tsinghua University（清华大学） ； Migu Beijing Research Institute（中国移动北京研究院） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所）
AI总结 提出ImViD多视角多模态数据集，支持移动中捕获完整场景，为6自由度多模态沉浸式VR体验提供基准和重建管线。
Comments CVPR 2025 Highlight; Fix NSFC ID
多智能体因果发现使用大型语言模型
机构 * Department of Industrial Engineering, Tsinghua University（清华大学工业工程系）
AI总结 提出多智能体因果发现框架MAC，通过元融合机制结合自主选择SCD算法的辩论编码模块和基于元数据的对抗性辩论模块，在多个基准上取得最优性能。
AnyScene: 迈向高度可控的任意位置驾驶场景生成及超越
机构 * Li Auto（利汽车） ； Southwest Jiaotong University（西南交通大学） ； Tsinghua University（清华大学）
AI总结 提出AnyScene框架，通过时空占用扩散Transformer和几何引导视图扩展模块，实现从BEV布局生成语义占用序列和参考无关的多视角驾驶视频，支持精确可控和长时生成。
Comments Work in progress. Project page: https://mind-omni.github.io/
VEN-VL: 一种用于高效多模态理解的视觉集成MoE框架
机构 * Tsinghua University（清华大学）
AI总结 提出VEN-VL框架，通过先丰富后压缩的策略，利用视觉集成MoE和自适应路由增强视觉令牌的信息容量与密度，在少量压缩令牌下实现复杂视觉任务的性能与效率平衡。
LLM 能时间旅行吗？通过强化学习增强法律智能搜索中的时间一致性
机构 * Department of Computer Science and Engineering, HKUST, Hong Kong SAR, China（香港科技大学计算机科学与工程系） ； School of Law, Tsinghua University, Beijing, China（清华大学法学院） ； Cheriton School of Computer Science, University of Waterloo, Waterloo, Canada（滑铁卢大学丘成桐计算机科学系）
AI总结 提出 LegalSearch-R1 框架，结合本地 statute RAG 和在线搜索，通过强化学习在跨修订期数据上训练，以解决法律 LLM 的时间偏差和搜索代理缺乏时间约束的问题，在13项法律任务上超越现有方法。
Comments Under Review
两层多物品订单履约的最优和阶最优门控优先级贪婪策略
机构 * Leonard N. Stern School of Business, New York University（纽约大学 Leonard N. Stern 商学院） ； Qiuzhen College, Tsinghua University（清华大学邱泽学院） ； Yau Mathematical Sciences Center & Department of Mathematical Sciences, Tsinghua University（清华大学姚数学科学中心及数学科学系）
AI总结 针对电商在两层分销网络中实时履约决策问题，提出门控优先级贪婪策略，证明其竞争比最优性，并通过数值实验验证性能。
RePlan-Bot：面向具身指令跟随的多级重规划
机构 * Peking University（北京大学） ； Tsinghua University（清华大学）
AI总结 提出RePlan-Bot，通过多级连续重规划（高层LLM审计器、常识引导搜索、轻量级ViT校正器）解决具身指令跟随中的长时规划和不可逆状态变化问题，在ALFRED基准上取得最佳性能。
Comments 10 pages
RotMoLE：通过旋转门控机制增强混合低秩专家
机构 * Tsinghua University（清华大学） ； Beijing Information Science and Technology University（北京信息科技大学） ； National University of Singapore（新加坡国立大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 针对MoE-LoRA中传统门控仅标量加权限制表示能力的问题，提出RotMoLE框架，通过引入旋转门控机制对每个专家进行旋转操作，提升专家利用率和专业化程度，在多任务和多语言训练中验证有效性。
PHGNet: 原型引导的超图构建用于异质时空预测
机构 * Shenzhen Ubiquitous Data Enabling Key Lab（深圳通用数据赋能重点实验室） ； Shenzhen International Graduate School, Tsinghua University（深圳国际研究生学院，清华大学） ； School of Computer Science and Engineering（计算机科学与工程学院） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 提出基于原型引导超图构建的时空预测框架PHGNet，通过原型学习机制自适应地将模式相似节点分配到超边以捕获高阶交互，并引入全局-局部节点表示模块和迭代残差细化与时间查询注意力机制提升预测精度。
TapSampling：基于任务进度理解验证器的推理时采样方法用于机器人操作
机构 * Harbin Institute of Technology, China（哈尔滨工业大学，中国） ； Harbin Institute of Technology (Weihai) Qingdao Research Institute, China（哈尔滨工业大学（威海）青岛研究院，中国） ； Iray Technology co., Ltd., Shandong, China（Iray科技有限公司，山东，中国） ； Tsinghua University, Beijing, China（清华大学，北京，中国）
AI总结 提出TapSampling框架，通过Action-VAE在低维潜空间采样候选动作，并利用任务进度预测验证器选择最优动作，无需微调即可提升多种通用策略的性能。
Comments ICML 2026. Project Page: https://aipixel.github.io/TapSampling/
ADMFormer：一种用于交通预测的具有时变掩码空间注意力的自适应分解Transformer
机构 * Shenzhen International Graduate School（深圳国际研究生院） ； Tsinghua University（清华大学） ； School of Computer Science and Engineering（计算机科学与工程学院） ； University of Electronic Science and Technology of China（电子科技大学） ； Shenzhen Ubiquitous Data Enabling Key Lab（深圳 ubiquitous 数据赋能重点实验室）
AI总结 提出ADMFormer，通过自适应分解机制解耦交通序列中的稳定周期规律与事件驱动波动，并使用时变掩码空间注意力稀疏化动态空间依赖，实现交通预测的SOTA性能。
ProSR: 面向可靠思维链的过程塑造空间推理方法
机构 * Xi’an Jiaotong University（西安交通大学） ； Amap, Alibaba Group（阿里巴巴集团Amap） ； Tsinghua University（清华大学） ； Shenzhen University of Advanced Technology（深圳大学先进技术学院）
AI总结 针对视觉语言模型在空间推理中存在的虚假基础与尾部不稳定性问题，提出ProSR框架，通过反事实不变性惩罚和尾部漂移惩罚优化推理过程，提升答案准确率及轨迹稳定性与视觉依赖性。
Comments 19 pages, 6 figures
生成式人工智能对北京城市内部不平等和技能溢价的影响
机构 * School of Architecture, Tsinghua University（清华大学建筑学院） ； ZODA LAB（ZODA实验室） ； Technology Innovation Center for Smart Human Settlements and Spatial Planning & Governance, Ministry of Natural Resources, Tsinghua University（智能人居环境与空间规划及治理技术创新中心，自然资源部，清华大学）
AI总结 利用北京2018-2024年500万条招聘数据，通过五个大语言模型评估任务级暴露度，构建社区级生成式人工智能暴露指数，发现生成式人工智能暴露集中在核心区，导致高暴露社区工资停滞和“高技能陷阱”，挑战了技能偏向技术变革理论。
Comments 21 pages, 8 figures
MetaphorVU：迈向隐喻视频理解
机构 * Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 针对当前多模态大语言模型在隐喻视频理解上的不足，提出首个系统性基准MetaphorVU-Bench，并设计基于隐喻知识图谱的推理增强框架MetaphorBoost，显著提升模型性能。
Comments ICML 2026 spotlight
看见更多意味着知道更多吗？基于单锚优势归一化的多源视觉推理
机构 * Tsinghua University（清华大学） ； Northwest Polytechnical University（西北工业大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 针对多源视觉推理中现有方法无法区分信息增益与干扰的问题，提出MARS框架，通过单源奖励作为动态锚点，将多源融合的信息增益显式纳入优势归一化，在强化学习中自适应增强源间互促并抑制噪声，在GRPO和DAPO上分别提升3.2%和4.9%。
Comments preprint
面向可靠胎儿超声解读的多智能体协作
机构 * Tsinghua University（清华大学） ； University of California San Diego（加州大学圣地亚哥分校） ； West China Second University Hospital, Sichuan University（四川大学西昌医学院）
AI总结 提出FetUSAgents多智能体系统，通过协作LLM代理和双路径证据仲裁（DPEA）整合视觉工具与临床推理，在胎儿超声VQA、报告生成等任务上超越最强基线25%以上。
Context-CoT：通过高质量推理合成增强上下文学习
机构 * Peking University（北京大学） ； Xiamen University（厦门大学） ； Tsinghua University（清华大学）
AI总结 针对大语言模型在动态提取和应用新知识方面的上下文学习能力不足，提出Context-CoT方法，通过合成高质量推理链来增强上下文学习，在CL-Bench上显著提升性能。
迈向原生多模态建模：路线图
机构 * Tencent Youtu Lab（腾讯优图实验室） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； University of Warwick（沃林汉大学） ； Monash University（墨尔本大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出从非原生多模态范式向原生多模态建模（NMM）过渡的正式路线图，通过输入-输出二元性分类现有模型，并系统探讨架构协调、数据整理、训练推理及评估的全栈工业级方案。
Comments 52 pages, 5 figures, 3 tables, ~300 references
FlowErase-RL：将概念擦除重新思考为流匹配模型中的奖励优化
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Jilin University（吉林大学） ； Peng Cheng Laboratory（鹏城实验室） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
AI总结 提出FlowErase-RL，首个基于GRPO的框架，通过动态双路径奖励机制将概念擦除转化为奖励优化问题，在抑制目标概念的同时保持生成保真度，实现最先进的擦除性能与鲁棒性。
人类如何处理AI生成的幻觉内容：一项神经影像学研究
机构 * Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Institute of Trustworthy Embodied AI, Fudan University, Shanghai, China（复旦大学可信具身人工智能研究院）
AI总结 通过EEG实验，研究人类在处理多模态大语言模型生成的幻觉与非幻觉内容时的神经动力学差异，揭示误判的幻觉内容未能触发标准神经认知事实验证通路。
数据难度与LLM微调中的泛化-外推权衡
机构 * IIIS, Tsinghua University（清华大学人工智能学院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Qi Zhi Institute（上海启智研究院） ； Amazon AGI SF Lab（亚马逊AGI旧金山实验室）
AI总结 本文通过实证和理论分析，研究了监督微调中数据难度对模型行为的影响，发现数据难度与数据量共同决定泛化与外推之间的权衡，并存在最优难度随数据量增加而向更难数据偏移的规律。
Comments Accepted to ICML 2026
EditCaption: 用于图像编辑指令合成的人工精炼SFT与HAE-DPO
机构 * Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Tsinghua University（清华大学） ； Beihang University（北京航空航天大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 提出EditCaption两阶段后训练流程，通过人工精炼SFT和基于难度自适应错误感知DPO（HAE-DPO）提升图像编辑指令合成质量，显著降低关键错误率并超越现有模型。
AutoSOTA：面向最先进AI模型发现的端到端自动化研究系统
机构 * Department of Electronic Engineering, BNRist, Tsinghua University（电子工程系，北京理工大学，清华大学） ； Zhongguancun Academy（中关村学院） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出AutoSOTA系统，采用多智能体架构实现从论文复现到模型优化的全自动化，成功发现105个超越原始方法的新SOTA模型。
OpenWorldLib: 高级世界模型的统一代码库与定义
机构 * Peking University（北京大学） ； Zhongguancun Academy（中关村学院） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； Sun Yat-sen University（中山大学） ； Beijing Key Laboratory of Data Intelligence and Security（北京数据智能与安全重点实验室） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出OpenWorldLib框架，基于对世界模型演化的分析给出清晰定义，并系统分类其核心能力，实现多任务模型的统一集成与高效推理。
Comments 28 pages, 6 figures
STAPO：通过抑制稀有虚假标记稳定大语言模型的强化学习
机构 * School of Vehicle ； Mobility \& College of AI, Tsinghua University ； Didi Voyager Labs, DiDi Autonomous Driving
AI总结 针对强化学习微调大语言模型时因稀有虚假标记导致训练不稳定和性能崩溃的问题，提出STAPO方法，通过抑制这些标记的梯度扰动，在多个数学推理基准上实现稳定训练和性能提升。
Krause同步变换器
机构 * Shanghai Qi Zhi Institute（上海启智研究院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； California Institute of Technology（加州理工学院） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 提出基于有界置信共识动力学的Krause注意力机制，通过局部化稀疏交互替代全局softmax归一化，缓解表示坍缩和注意力汇聚现象，实现线性复杂度并提升性能。
Comments ICML 2026, Project page: https://jingkun-liu.github.io/krause-sync-transformers/
CPMobius: 无数据强化学习的迭代式教练-玩家推理
机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出CPMobius协作式教练-玩家范式，通过无外部数据的合作优化循环提升数学推理能力，在Qwen2.5-Math-7B-Instruct上总体准确率提升4.9%，OOD准确率提升5.4%。
Comments Accepted to the ICML 2026
通过多表示生成增强统一多模态模型的理解能力
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） ； AMAP, Alibaba Group（阿里妈妈，阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 提出UniMRG方法，通过辅助生成像素、深度和分割等多重表示，增强统一多模态模型的理解能力，减少幻觉并提升空间理解。
Comments Code: https://github.com/Sugewud/UniMRG
DriveGen3D: 通过高效视频扩散提升前馈驾驶场景生成
机构 * Zhejiang University（浙江大学） ； GigaAI ； Tsinghua University（清华大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） ； Monash University（墨尔本大学）
AI总结 提出DriveGen3D框架，结合快速视频扩散Transformer（FastDrive-DiT）和前馈3D重建模块（FastRecon3D），实现高质量、可控的动态3D驾驶场景生成，在长视频和3D一致性上达到最优。
Comments ICME 2026 Oral, Project Page: https://lhmd.top/drivegen3d
LIBERO-PRO：超越记忆的视觉-语言-动作模型鲁棒与公平评估
机构 * Huazhong University of Science and Technology（华中科技大学） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Wuhan University of Technology（武汉理工大学） ； Lehigh University（莱斯大学）
AI总结 针对LIBERO基准评估中的记忆偏差问题，提出LIBERO-PRO扩展基准，通过在操作对象、初始状态、任务指令和环境四个维度施加合理扰动，揭示现有VLA模型性能从90%以上骤降至0.0%的严重缺陷，并呼吁采用鲁棒评估方法。
Comments 10 pages,7 figures, 0 tables
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