高校专区
EventPrune: 用于高效第一人称动态空间推理的级联事件辅助标记修剪
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出Event Cascade Pruning (ECP)，一种无需训练的框架，利用事件相机的高频运动线索作为连续事件引导的运动先验，指导标记选择，从而在第一人称动态空间推理中实现高效的标记修剪，提升推理速度和减少计算量。
基于概念的噪声负样本抑制用于零样本分类和胸片发现的 grounding
机构 * The Center for Smart Health, School of Nursing, the Hong Kong Polytechnic University, Hong Kong, China（香港理工大学智能健康中心，护理学院，中国香港） ； Research Institute for Smart Ageing, the Hong Kong Polytechnic University, Hong Kong, China（香港理工大学智能老龄化研究 institute，中国香港） ； School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University, Beijing, China（清华大学生物医学工程学院，清华大学，北京，中国） ； Queen Mary Hospital, LKS Faculty of Medicine, The University of Hong Kong, Hong Kong, China（香港大学李嘉诚医学院Queen Mary医院，中国香港）
AI总结 本文提出了一种基于概念的噪声负样本抑制框架CoNNS，通过构建层次化概念本体，解决不同患者间相似发现导致的噪声负样本问题，提升零样本理解任务的性能。
Comments Early accepted by MICCAI 2026
STAR-PólyaMath: 多智能体在持久元策略监督下的推理
机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； New York University（纽约大学） ； MIT（麻省理工学院）
AI总结 本文提出STAR-PólyaMath多智能体框架，通过元级监督和结构化的推理-验证交互系统性解决数学推理中的幻觉积累、记忆碎片化和推理工具平衡问题，并在多个顶级竞赛基准上取得最佳成绩。
Comments 25 pages, 4 figures. Code: https://github.com/Julius-Woo/STAR-PolyaMath
ContextFlow：长周期具身智能体的分层任务-状态对齐
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Qiuzhen College, Tsinghua University（清华大学启祯学院） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学研究院） ； Department of Data Science and Analytics Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）数据科学与分析部门） ； Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文研究了长周期具身智能体中任务-状态不一致问题，提出ContextFlow框架通过显式合同表示阶段、运行时观测转为证据包以及应用作用域更新来实现任务前沿对齐，提高任务执行的连贯性和可审计性。
面向异质性的数据集调度以实现高效的音频大语言模型训练
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Independent Researcher（独立研究者） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出了一种面向异质性的数据集调度方法GST，通过将数据集分组并按渐进调度策略引入，平衡了并行训练的稳定性与序列优化的效率，从而在14个AudioQA数据集上实现了30-40%的更快收敛速度。
Prompt2Fingerprint: 通过文本到权重生成实现即插即用的LLM指纹生成
机构 * Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，中国深圳） ； South China University of Technology, Guangzhou, China（华南理工大学，中国广州） ； Harbin Institute of Technology, Shenzhen, Shenzhen, China（哈尔滨工业大学深圳校区，中国深圳）
AI总结 本文提出Prompt2Fingerprint框架，将LLM指纹生成重新定义为条件参数生成任务，通过专用生成器将文本描述直接映射到低秩参数增量，实现无需进一步模型微调的即插即用LLM指纹注入，显著降低计算开销，提供可扩展且即时的LLM所有权管理解决方案。
学习区能量：用于高效RL后训练的在线数据选择
机构 * Dept. of Comp. Sci. & Tech.（计算机科学与技术系） ； Institute for AI（人工智能研究院） ； BNRist Center（BNRist中心） ； Tsinghua-Bosch Joint ML Center（清华大学-博世联合机器学习中心） ； THBI Lab（THBI实验室） ； Tsinghua University（清华大学） ； Dept. of Automation（自动化系）
AI总结 本文提出学习区能量（LZE）方法，通过在线数据选择框架集中计算在模型的主动学习前沿，提高RL后训练的效率，实验表明在多个数据集上表现优异，且计算资源消耗减少。
StrLoRA: 向流式连续视觉指令微调迈进以适应大规模多模态语言模型
机构 * Hefei University of Technology（合肥工业大学） ； Tsinghua University（清华大学）
AI总结 本文提出StrLoRA，一种流式连续视觉指令微调方法，旨在解决动态任务流中模型持续学习的问题，通过任务感知的专家路由框架提升模型在不断变化的数据流中的表现。
RoadmapBench: 评估跨版本升级的长期代理软件开发
机构 * UniPat AI ； Peking University（北京大学） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； G Labs（0G实验室） ； Pipeline Lab（Pipeline实验室）
AI总结 本文提出RoadmapBench，一个基于真实开源版本升级的115个长期编码任务的基准，旨在评估长期多目标软件开发，发现现有基准无法有效评估此类任务，表明长期软件开发仍是难题。
Comments 30 pages, 15 figures
C-ReD：一个源自真实世界提示的综合性中文AI生成文本检测基准
机构 * Tsinghua University（清华大学） ； Nankai University（南开大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； Shannon InfoTech
AI总结 本文提出C-ReD基准，用于检测AI生成的中文文本，通过解决模型多样性、领域覆盖和提示真实性等关键问题，提升检测性能和泛化能力。
Comments ACL 2026 Findings
PureCC: 文本到图像概念定制的纯学习
机构 * Tsinghua University（清华大学） ； School of Computer Science & Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； Guangdong Provincial Key Laboratory of Intelligent Information Processing, Shenzhen University（深圳大学智能信息处理广东省重点实验室） ； Kling Team, Kuaishou Technology（快手科技Kling团队） ； University of Exeter（埃克塞特大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室）
AI总结 本文提出PureCC，一种用于文本到图像概念定制的纯学习方法，通过分离学习目标来平衡概念定制的保真度与模型保留。
Comments Accepted to CVPR 2026
3D孔径工程衍射神经网络用于超分辨率电磁波计算
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Beijing National Research Center for Information Science and Technology, Tsinghua University（北京信息科学与技术国家研究中心）
AI总结 本文提出了一种3D孔径工程衍射神经网络（AE-DNN），通过将传统二维孔径扩展到三维，实现了超分辨率传感和计算，解决了现有架构在处理密集信号和干扰时受衍射限制的瓶颈问题。
Comments 37 pages, 13 figures, 3 tables
TwinRL: 基于数字孪生的强化学习用于真实世界机器人操作
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息处理国家重点实验室，计算机学院，北京大学） ； Simplexity Robotics（Simplexity机器人） ； Tsinghua University（清华大学） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出TwinRL框架，通过数字孪生与真实世界协同训练，提升视觉-语言-动作模型在真实世界中的探索效率和收敛速度，实现高成功率和快速收敛。
通过超轻量架构在商用CPU上实现实时结肠镜息肉分割
机构 * School of Computer Science and Artificial Intelligence, Guangdong University of Education（广东教育学院计算机科学与人工智能学院） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
AI总结 本文提出UltraSeg家族，一种在CPU上运行的轻量级分割模型，能够在不依赖GPU的情况下实现实时结肠镜息肉分割，其核心方法是采用组多率扩张卷积和注意力门控跨层融合，主要贡献是建立了首个在商用CPU上实现高精度实时息肉分割的基准线。
Comments 18pages, 4 figures
微分-积分神经算子用于长期湍流预测
机构 * Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学） ； Tencent（腾讯）
AI总结 本文提出了一种基于物理原理的微分-积分神经算子，通过并行分支学习不同的物理算子，以提高长期湍流预测的稳定性与鲁棒性，从而在2D Kolmogorov流基准测试中实现了更精确的预测。
COMPASS：基于主动感知策略的受限空间操作规划
机构 * Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，中国深圳） ； Department of Electronic Engineering, and the Institute for Embodied Intelligence and Robotics, Tsinghua University, Beijing, China（清华大学电子工程系，以及 embodied intelligence and robotics 研究院，中国北京） ； The School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子与电气工程学院，新加坡）
AI总结 本文提出COMPASS框架，通过主动感知策略在受限和杂乱环境中实现安全操作，提高了操作成功率。
Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)
BenchReAD: 一种系统性的视网膜异常检测基准
机构 * The Center for Smart Health, School of Nursing, the Hong Kong Polytechnic University, Hong Kong, China（香港理工大学护理学院智能健康中心） ； School of Biomedical Engineering, Tsinghua University, Beijing, China（清华大学生物医学工程学院） ； Research Center for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（中国科学院深圳先进技术研究院医学人工智能研究中心）
AI总结 本研究提出BenchReAD基准，旨在解决视网膜异常检测领域缺乏全面且公开的评估标准的问题，通过系统化的数据和算法分类，引入了全监督方法DRA，并改进为NFM-DRA，实现了SOTA性能。
Comments MICCAI 2025
Spatial-MLLM: 提升基于视觉的空域智能的MLLM能力
机构 * Tsinghua University（清华大学）
AI总结 本文提出Spatial-MLLM，一种基于纯2D观测的视觉空域推理框架，通过双编码器架构和空间感知帧采样策略提升空域理解能力，实验表明其在多种视觉空域任务中达到SOTA性能。
Comments 22 pages
Faster-GCG: 面向对齐大语言模型的高效离散优化监狱突破攻击
机构 * Tsinghua University（清华大学） ； Sea-Fill ； Duke University（杜克大学） ； Aalborg University（奥胡斯大学） ； Chinese Institute for Brain Research (CIBR)（中国脑科学研究院）
AI总结 本文提出Faster-GCG，通过改进估计、高效采样和避免重复评估，提高了对齐大语言模型的监狱突破攻击效率，实现了样本效率提升8倍，时间减少7倍，并在多个模型上取得了更高的突破成功率。
Comments 18 pages, new version
无损反蒸馏采样
机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种无损反蒸馏采样方法，通过在保持良性用户体验的同时，有效对抗多账号蒸馏攻击，降低蒸馏模型的泛化能力。
并非所有标记都值得缓存：学习语义感知的淘汰策略用于LLM前缀缓存
机构 * Peking University（北京大学） ； FirestAI ； Tsinghua University（清华大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Southeast University（东南大学）
AI总结 本文提出了一种语义感知的前缀缓存淘汰策略SAECache，通过多队列架构、语义感知的标记加权机制和全适应的在线学习方案，提高了LLM服务中前缀缓存的效率，从而在不同工作负载下实现了显著的TTFT提升。
DynaTrain: 快速在线并行切换用于弹性大语言模型训练
机构 * Institute of Computing Technology, CAS（中国科学院计算技术研究所） ； Peking University（北京大学） ； Infinigence AI ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
AI总结 本文提出DynaTrain，一种能够快速在线重新配置任意多维并行性的分布式训练系统，通过虚拟参数空间抽象统一所有分布式训练状态，实现并行配置的确定性映射，并在密集和MoE模型上展示了显著的性能提升。
Comments GitHub Repo: https://github.com/infinigence/ElasticMegatron
ReCrit: 基于过渡意识的强化学习用于科学批评推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学）
AI总结 该研究提出ReCrit框架，通过强化学习解决科学批评推理中的过渡意识问题，改进了批评准确性。
HELLoRA: Hot Experts Layer-Level Low-Rank Adaptation for Mixture-of-Experts Models
机构 * Department of Computer Science and Technlogy（计算机科学与技术系） ； Tsinghua University（清华大学） ； School of Computer Science and Technlogy（计算机科学与技术系） ； Xi’an Jiaotong University（西安交通大学） ； The State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高科技区（滨江）区块链与数据安全研究院）
AI总结 本文提出HELLoRA，一种针对混合专家模型的层级低秩适应方法，通过仅对最活跃的专家添加LoRA模块，减少可训练参数和计算量，同时提升下游任务性能。
DashAttention: 可微且自适应的稀疏分层注意力
机构 * Tsinghua University（清华大学） ； Instituto Superior Técnico, Universidade de Lisboa（里斯本大学理工学院） ； Instituto de Telecomunicações（电信研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； University of Edinburgh（爱丁堡大学） ； TransPerfect（TransPerfect公司） ； ELLIS Unit Lisbon（里斯本ELLIS单位）
AI总结 本研究提出DashAttention，一种可微且自适应的稀疏分层注意力机制，通过自适应稀疏α-entmax变换选择可变数量的块，从而在保持整个层次结构可微的同时，提升长上下文建模能力，实验表明其在高稀疏度下优于现有方法。
Comments Preprint
一种面向运行时变异的流水线并行训练的准备驱动运行时
机构 * Tsinghua University（清华大学） ； Scitix AI
AI总结 本文提出了一种准备驱动的流水线运行时，以解决流水线并行训练中由于运行时变异导致的阶段对齐问题和空闲泡现象，通过非绑定提示顺序来优化当前就绪工作的排序，从而提高资源利用率。
Comments 29 pages, including appendices
Dexora: 开源的高自由度双臂灵巧性VLA系统
机构 * Tsinghua University（清华大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； ShanghaiTech University（上海科技大学） ； Peking University（北京大学）
AI总结 本文提出Dexora，首个开源的VLA系统，旨在双臂双手高自由度操作，通过混合遥控管道分离粗臂运动和精细手指运动，结合物理平台和数字孪生，构建大规模训练数据集，并提出数据质量感知训练方法，实验证明其在基础和灵巧任务上的优越性能。
Comments Accpeted by ICRA 2026
隐式层次GRPO：将工具调用与执行解耦以实现工具集成的数学推理
机构 * Meituan（美团） ； Tsinghua University（清华大学）
AI总结 本文提出了一种将工具调用与执行解耦的方法，通过引入延迟执行和显式控制来增强工具集成推理能力，并提出了一个分层控制框架和理论推导出的替代损失函数，从而得到隐式分层策略，最终提出IH-GRPO算法，在六个跨领域数学推理基准测试中，Qwen3-1.7B、Qwen3-4B和Qwen3-8B在最强基线方法上分别实现了1.87%、2.16%和2.53%的绝对提升。
GAMMA：在任意预算下为混合精度模型进行全局位分配
机构 * Beihang University（北航） ； Tsinghua University（清华） ； ByteDance Inc（字节跳动）
AI总结 本文提出GAMMA框架，通过后训练流水线学习模块级精度偏好，优化教师强制隐藏状态重建目标并利用整数规划实现精确预算分配，从而在任意预算下提升大语言模型的精度，优于固定精度基线和搜索基混合精度方法。
REACT：面向轮式移动机器人连续编队导航的环境自适应架构
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
AI总结 本文提出REACT架构，通过集中式编队生成和分布式编队维护相结合的方法，解决轮式移动机器人在复杂环境中编队导航的适应性问题，实现了无轨迹冲突的连续编队导航。
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