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

Cross-Tokenizer On-Policy Distillation via Byte-Prefix Marginalization

基于字节前缀边缘化的跨分词器策略内蒸馏

Hao Wang, Kun Yuan, Wenlin Zhong, Minglei Zhang, Han Xiao, Ming Sun, Honggang Qi

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； KwaiKAT Team（快手KwaiKAT团队） ； Zhejiang University（浙江大学） 纠错

AI总结 研究如何通过策略内蒸馏整合不同家族语言模型，提出字节前缀边缘化方法，在共享字节空间重表达教师下一个令牌分布，在数学和编程基准测试中，该方法优于现有跨分词器方法，提升了平均准确率。

Comments Project page: https://bpm-opd.github.io/

dRAE: Representation Autoencoder with Hyper-Spherical Codes

dRAE：具有超球面码的表示自编码器

Tianren Ma, Lin Long, Chuyan Chen, Mu Zhang, Junbo Zhao, Tong Zhang, Qixiang Ye

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 研究旨在解决高维视觉表示离散化难题，提出超球面量化（HSQ），其离散表示自编码器（dRAE）能解耦语义与特征幅度，防止码本坍缩，实现高保真重建，实验证明性能提升、码本利用率高且训练流程简化。

Comments Preprint. Project Page: https://drae-hsq.github.io

InnoText: A Unified Model for Visual Text Generation and Editing

InnoText：一种用于视觉文本生成和编辑的统一模型

Haowei Liu, Runze He, Jian Lu, Ao Ma, Run Ling, Ke Cao, Jiasong Feng, Wei Feng, Shuo Lu, Yexing Xu, Yun Wang, Jing Wang, Zhanjie Zhang

机构 * JD.com, Inc.（京东公司） ； University of Chinese Academy of Sciences（中国科学院大学） ； Chongqing University of Post and Telecommunications（重庆邮电大学） ； Beijing University of Technology（北京工业大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学） 纠错

AI总结 针对视觉文本生成和编辑的挑战，提出基于DiT的统一框架InnoText，通过引入字体大小感知调制模块等策略，构建双语数据集，实现了在单个模型中进行文本生成和编辑，提升了生成精度和编辑质量。

Comments Accepted by ECCV 2026

Enough is as good as a feast: A Comprehensive Analysis of How Reinforcement Learning Mitigates Task Conflicts in LLMs

过犹不及：强化学习如何减轻大语言模型中任务冲突的综合分析

Zixuan Ren, Jinliang Lu, Junhong Wu, Yang Zhao, Dai Dai, Hua Wu, Haifeng Wang, Chengqing Zong

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Baidu Inc.（百度公司） 纠错

AI总结 研究对比强化学习与监督微调训练的大语言模型的合并行为，经五项任务评估发现强化学习能减少任务冲突及合并后性能下降。通过实验和分析揭示三个关键因素，表明强化学习在模型合并中更具优势。

Comments Published in ICLR 2026

SCOPE and SCION: A Benchmark and an Auditable Reference Pipeline for Schema Induction and Fusion from Text

SCOPE和SCION：用于文本模式归纳与融合的基准和可审计参考管道

Miaobo Hu, Xiaobo Guo, Shuhao Hu, Bokun Wang, Rui Chen, Xin Wang, Daren Zha, Jun Xiao

机构 * Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（信息工程研究所，中国科学院，北京，中国） ； School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China（网络安全学院，中国科学院大学，北京，中国） ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（人工智能学院，中国科学院大学，北京，中国） 纠错

AI总结 研究针对模式图这一信息提取瓶颈，提出SCOPE基准和SCION参考管道。通过从训练文本构建候选空间，经严格JSON合同进行相关操作。在SCOPE核心套件上，SCION-lite表现最佳，SCION-RL减少对专有工程师依赖，还给出标准化结果及相关发布内容。