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

From Failures to Supervision: DynamicEnvPlan for Robust Long-Horizon Embodied Planning

从失败到监督：用于鲁棒长视距具身规划的DynamicEnvPlan

Hao Yuan, Yuxin Wang, Lei Ji, Zhiwei Yu

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院） 纠错

AI总结 该研究提出DynamicEnvPlan闭环框架，通过规划、扰动与防护校正模块生成恢复轨迹并分阶段微调，在104个任务-场景组合上使具身规划成功率从33.3%升至76.2%，提升了物理世界交互的鲁棒性。

Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving

属性能否预测风险？从多视图属性到端到端自动驾驶中的规划风险信号

Le Yang, Haijun Liu, Jiawei Liang, ShangQuan Sun, Xiaochun Cao

机构 * Sun Yat-sen University（中山大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出了一种层次化属性框架，用于端到端规划中的风险预测，通过提取三种属性统计作为预测信号，提升了对轨迹误差和碰撞检测的预测能力。

MechMath: Sorrifier-Driven Formal Decomposition Workflow for Automated Theorem Proving

Mechanic：基于遗憾的正式分解工作流用于自动定理证明

Ruichen Qiu, Yichuan Cao, Junqi Liu, Dakai Guo, Xiao-Shan Gao, Lihong Zhi, Ruyong Feng

机构 * Academy of Mathematics and Systems Science, CAS（数学与系统科学研究院，中国科学院） ； School of Advanced Interdisciplinary Sciences, UCAS（交叉科学学院，中国科学院大学） ； School of Mathematical Science, UCAS（数学科学学院，中国科学院大学） 纠错

AI总结 Mechanic通过基于遗憾的正式分解策略提升自动定理证明效率，有效解决传统方法在处理失败尝试时的效率与上下文过长问题。

Comments Published as a conference paper at COLM 2026

DECO: Decoupled Multimodal Diffusion Transformer for Bimanual Dexterous Manipulation with a Plugin Tactile Adapter

DECO：解耦多模态扩散变压器用于配备插件触觉适配器的双臂灵巧操作

Xukun Li, Yu Sun, Lei Zhang, Bosheng Huang, Yibo Peng, Yuan Meng, Haojun Jiang, Shaoxuan Xie, Guocai Yao, Alois Knoll, Zhenshan Bing, Xinlong Wang, Zhenguo Sun

机构 * Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院） ； School of Computation, Information and Technology, Technical University of Munich, Garching, Germany（慕尼黑技术大学计算与信息学院） ； Department of Shenyang Institute of Computing Technology, University of Chinese Academy of Sciences, Beijing, China（中国科学院沈阳计算技术研究所部门） ； State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家重点实验室） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） 纠错

AI总结 DECO通过解耦多模态输入和触觉适配器，实现了双臂灵巧操作的高效整合与高成功率

Comments 25 pages, 8 figures. Project Page: this https URL (https://baai-humanoid.github.io/DECO-webpage/)

Closing the Loop: A Control-Theoretic Framework for Provably Stable Time Series Forecasting with LLMs

闭环：基于控制理论的具有可证明稳定性的时序预测框架与大语言模型

Xingyu Zhang, Jingyao Wang, Zeen Song, Changwen Zheng, Wenwen Qiang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） 纠错

AI总结 本文提出F-LLM框架，通过控制理论方法解决大语言模型在时序预测中的误差累积问题，提供理论保证并实验验证其有效性。

Comments Accepted by ACM MM26

RingMo-Agent: A Unified Remote Sensing Foundation Model for Multi-Platform and Multi-Modal Reasoning

RingMo-Agent: 多平台多模态遥感基础模型

Huiyang Hu, Peijin Wang, Yingchao Feng, Kaiwen Wei, Wenxin Yin, Wenhui Diao, Mengyu Wang, Hanbo Bi, Kaiyue Kang, Tong Ling, Kun Fu, Xian Sun

机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院 aerospace information research institute） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of Target Cognition and Application Technology (TCAT)（目标认知与应用技术重点实验室） 纠错

AI总结 RingMo-Agent是一种多平台多模态遥感基础模型，通过大规模数据集和任务特定标记提升遥感图像的感知与推理能力。

Comments 24 pages, 5 figures, 20 tables

Evidence Recomposition and Predictive Context Residualization for Visual Attribution in Multimodal Large Language Models

多模态大语言模型中用于视觉归因的证据重组与预测上下文残差化

Jiawei Liang, Jianjie Huang, Xianghao Jiao, Siyuan Liang, Shiming Liu, Xiaochun Cao

机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Zhongguancun Academy（中关村学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系） 纠错

AI总结 研究多模态大语言模型token级视觉证据难检查问题，提出基于证据重组和预测上下文残差化的ERCR框架，经实验验证该框架能改善目标token视觉证据、减轻上下文干扰，为视觉证据检查提供实用改进。

MoE-Enhanced Explainable Deep Manifold Transformation for Complex Data Embedding and Visualization

面向复杂数据嵌入与可视化的混合专家增强型可解释深度流形变换

Zelin Zang, Yuhao Wang, Jinlin Wu, Hong Liu, Yue Shen, Zhen Lei, Stan Z. Li

机构 * Centre for Artificial Intelligence and Robotics (CAIR), HKISI-CAS and Westlake University（人工智能与机器人中心（CAIR），HKISI-CAS和西湖大学） ； Westlake University（西湖大学） ； School of Information and Electrical Engineering, Hangzhou City University（信息与电气工程学院，杭州市大学） ； Academy of Edge Intelligence Hangzhou City University（边缘智能学院，杭州市大学） ； CAIR, HKISI-CAS（人工智能与机器人中心（CAIR），HKISI-CAS） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), CASIA（多模态人工智能系统国家重点实验室（MAIS），CASIA） ； School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS)（人工智能学院，中国科学院大学（UCAS）） ； Ant Group（蚂蚁集团） 纠错

AI总结 针对降维中精度与可解释性的权衡难题，提出MoE增强的DMT-ME方法，结合几何感知双曲映射器与MoE模型，实验验证其在降维精度与可解释性上均表现优异。

Comments 17 pages, 15 figures, accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)