University of Chinese Academy of Sciences（中国科学院大学）

FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration

FlowPIE: 测试时的科学思想演变与流引导文献探索

Qiyao Wang, Hongbo Wang, Longze Chen, Zhihao Yang, Guhong Chen, Hamid Alinejad-Rokny, Hui Li, Yuan Lin, Min Yang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Dalian University of Technology（大连理工大学） ； UNSW Sydney（新南威尔士大学悉尼分校） ； Shenzhen University of Advanced Technology（深圳理工大学） ； Xiamen University（厦门大学） 纠错

AI总结 本文提出FlowPIE框架，通过流引导的蒙特卡洛树搜索扩展文献轨迹，结合LLM生成奖励模型指导适应性检索，生成高质量且多样化的初始种群，进而通过选择、交叉和变异实现测试时的科学思想演变。

Comments 30 pages, 11 figures, 15 tables

ReCALL: Recalibrating Capability Degradation for MLLM-based Composed Image Retrieval

ReCALL: 为基于MLLM的组合图像检索 recalibrate 能力退化

Tianyu Yang, Chenwei He, Xiangzhao Hao, Tianyue Wang, Jiarui Guo, Haiyun Guo, Leigang Qu, Jinqiao Wang, Tat-Seng Chua

机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Southeast University（东南大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； National University of Singapore（新加坡国立大学） ； Wuhan AI Research（武汉人工智能研究院） ； Guangdong Provincial Key Laboratory of Intellectual Property and Big Data, Guangdong Polytechnic Normal University（广东技术师范大学广东省知识产权大数据重点实验室） 纠错

AI总结 ReCALL通过诊断生成器盲点、生成修正指令和三元组、并持续训练来缓解基于生成式MLLM的检索能力退化问题，实验证明其在CIRR和FashionIQ上达到SOTA性能。

Comments Accepted to CVPR 2026

Grokking From Abstraction to Intelligence

从抽象到智能的领悟

Junjie Zhang, Zhen Shen, Gang Xiong, Xisong Dong

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 研究通过模运算中的领悟现象，揭示模型泛化机制源于内部结构的自发简化，结合因果、谱和算法复杂性及奇异学习理论，提出冗余流形的物理坍缩是泛化关键。

Comments 22page and 5 figures,In this paper, we analyze the grokking phenomenon from the perspective of Singular Learning Theory (SLT). This work is currently under review for ICML 2026

Schrödinger's Seed: Purr-fect Initialization for an Impurr-fect Universe

薛定谔的种子：为一个不完美的宇宙寻找完美的初始化

Mi chen, Renhao Ye

机构 * Kapteyn Astronomical Institute, University of Groningen（格罗宁根大学卡普坦天文研究所） ； School of Astronomy and Space Science, University of Chinese Academy of Sciences（中国科学院大学天文与空间科学学院） ； Shanghai Astronomical Observatory, Chinese Academy of Sciences（中国科学院上海天文台） 纠错

AI总结 本文提出利用猫的特性生成随机种子，通过蒙特卡洛方法测试21只家猫的物理属性，结果表明猫驱动的种子在准确性上优于传统随机整数。

Comments 3 pages, 1 figure, 21 cats