University of Science and Technology of China（中国科学技术大学）

CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting

CastFlow：学习用于时间序列预测的角色专用代理工作流

Bokai Pan, Mingyue Cheng, Zhiding Liu, Shuo Yu, Xiaoyu Tao, Yuchong Wu, Qi Liu, Defu Lian, Enhong Chen

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） 纠错

AI总结 CastFlow通过动态代理框架实现多视角时间模式提取和多轮上下文特征获取，提升时间序列预测的准确性和适应性。

Position-Aware Drafting for Inference Acceleration in LLM-Based Generative List-Wise Recommendation

基于位置感知的drafting用于LLM生成列表式推荐的推理加速

Jiaju Chen, Chongming Gao, Chenxiao Fan, Haoyan Liu, Qingpeng Cai, Peng Jiang, Xiangnan He

机构 * University of Science and Technology of China（中国科学技术大学） ； Zhongguancun Academy（中关村学院） ； Independent Researcher（独立研究员） 纠错

AI总结 本文提出PAD-Rec，通过引入位置感知drafting机制，提升生成式推荐的推理效率，实验显示在四个真实数据集上达到3.1倍的时钟速度提升，并保持推荐质量。

Enabling Reconfiguration-Communication Overlap for Collective Communication in Optical Networks

使集体通信在光网络中实现重配置-通信重叠

Changbo Wu, Zhuolong Yu, Gongming Zhao, Hongli Xu

机构 * School of Computer Science and Technology, University of Science and Technology of China (USTC)（科学技术大学计算机科学与技术学院） ； Shanghai Innovation Institute（上海创新研究院） ； Suzhou Institute for Advanced Research, USTC（先进研究院，USTC） 纠错

AI总结 本文提出SWOT框架，通过动态对齐网络资源与集体通信流量模式，减少通信完成时间达89.7%，提升光网络在分布式机器学习中的效率。

Comments Accepted at ACM CoNEXT '26. To be published in Proceedings of the ACM on Networking (PACMNET), Volume 4, CoNEXT2, June 2026

Flattery in Motion: Benchmarking and Analyzing Sycophancy in Video-LLMs

视频中的奉承：视频大语言模型中奉承行为的基准测试与分析

Wenrui Zhou, Mohamed Hendy, Shu Yang, Qingsong Yang, Zikun Guo, Yuyu Luo, Lijie Hu, Di Wang

机构 * Provable Responsible AI and Data Analytics (PRADA) Lab（可证负责任人工智能与数据 analytics 实验室） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹科学与技术大学） ； HKUST（香港科技大学） ； MBZUAI（穆罕默德·本·拉希德人工智能研究所） ； University of Science and Technology of China（中国科学技术大学） ； Kyungpook National University（庆尚国立大学） 纠错

AI总结 本文提出VISE基准，用于评估视频大语言模型在面对误导性输入时的奉承行为，通过多类型分析和两种无训练缓解策略提升模型可靠性。

Comments 27 Pages, Accepted by ACL 2026 Main Conference

AgentEconomist: An End-to-end Agentic System Translating Economic Intuitions into Executable Computational Experiments

AgentEconomist：一个端到端的代理系统，将经济直觉转化为可执行的计算实验

Jiaju Chen, Jinghua Piao, Xia Xu, Songwei Li, Tong Xia, Xiangnan He, Yong Li

机构 * Zhongguancun Academy（中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Vanke School of Public Health, Tsinghua University（清华大学万科公共卫生学院） 纠错

AI总结 AgentEconomist通过模块化多阶段架构，将经济直觉转化为可执行的计算实验，通过文献基础假设生成、实验设计和执行阶段，结合人类与AI协作，提升研究创新性与文献相关性。

TiMem: Temporal-Hierarchical Memory Consolidation for Long-Horizon Conversational Agents

TiMem：用于长时域对话代理的时序-层次记忆巩固

Kai Li, Xuanqing Yu, Ziyi Ni, Yi Zeng, Yao Xu, Zheqing Zhang, Xin Li, Jitao Sang, Xiaogang Duan, Xuelei Wang, Chengbao Liu, Jie Tan

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； School of Artificial Intelligence, UCAS（中国科学技术大学人工智能学院） ； AI Lab, AIGility Cloud Innovation（AIGility云创新AI实验室） ； North China Electric Power University（华北电力大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Gaoling School of Artificial Intelligence, RUC（中国人民大学高陵人工智能学院） ； School of Biomedical Engineering, USTC（中国科学技术大学生物医学工程学院） ； Suzhou Institute for Advance Research, USTC（中国科学技术大学苏州市先进研究院） ； School of Computer Science and Technology, BJTU（北京理工大学计算机科学与技术学院） ； Hunan Central South Intelligent Equipment Co., Ltd.（湖南中南智能装备有限公司） 纠错

AI总结 TiMem通过时序记忆树实现对话记忆的系统性巩固，提升长时域个性化效果，实现75.30%和76.88%的基准测试准确率。

Comments ACL 2026 Findings

M-DaQ: Retrieving Samples with Multilingual Diversity and Quality for Instruction Fine-Tuning Datasets

M-DaQ：用于指令微调数据集的多语言多样性与质量样本检索

Chunguang Zhao, Yilun Liu, Pufan Zeng, Yuanchang Luo, Shimin Tao, Minggui He, Weibin Meng, Song Xu, Chen Liu, Hongxia Ma, Li Zhang, Boxing Chen, Daimeng Wei

机构 * Huawei Technologies Ltd.（华为技术有限公司） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 M-DaQ通过联合优化指令-响应质量与跨语言语义多样性，构建高质量平衡训练数据，验证了多语言设置下的Superficial Alignment Hypothesis，并在18种语言上展示出超过60%的胜率。

Comments Accepted by SIGIR 2026 Short