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

OrthoPhys: Physically Plausible Video Generation with Orthogonal-View Geometry Guidance

OrthoPhys：基于正交视角几何引导的物理合理视频生成

Cong Wang, Hanxin Zhu, Xiao Tang, Jiayi Luo, Xin Jin, Long Chen, Zhibo Chen

机构 * the State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； the School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Zhongguancun Academy（中关村学院） ； School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学与技术学院） ； College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； SKLCCSE, School of Computer Science and Engineering, Beihang University（SKLCCSE，北京航空航天大学计算机科学与工程学院） 纠错

AI总结 提出两阶段框架 OrthoPhys，通过正交视角几何引导生成物理一致的前景运动，再合成完整视频，显著提升物理真实感和时空一致性。

WildRoadBench: A Wild Aerial Road-Damage Grounding Benchmark for Vision-Language Models and Autonomous Agents

WildRoadBench: 面向视觉语言模型与自主智能体的野外航拍道路损伤定位基准

Bingnan Liu, Chenhang Cui, Rui Huang, Jiani Luo, Zhirong Shen, Tinghao Wang, Xiande Huang, Lingbei Meng, Fei Shen, An Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； National University of Singapore（新加坡国立大学） ； De Artificial Intelligence Lab（德人工智能实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出WildRoadBench基准，通过VLM直接定位和LLM驱动智能体自主研究两种协议，评估模型在航拍道路损伤定位上的性能，发现现有方法在野外场景下仍不可靠。

Comments Preprint. Under review. 4 figures, 6 tables

PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting

PnP-Corrector：一种用于耦合时空预测的通用校正框架

Hao Wu, Fan Xu, Yuxu Lu, Penghao Zhao, Fan Zhang, Hao Jia, Yuxuan Liang, Ruijian Gou, Qingsong Wen, Xian Wu, Xiaomeng Huang, Yuan Gao

机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） 纠错

AI总结 针对耦合系统中误差相互放大导致长期预测崩溃的问题，提出一种即插即用的校正框架PnP-Corrector，通过冻结物理模拟引擎并训练校正代理来主动抵消系统偏差，显著提升长期预测的稳定性和准确性。

From Holo Pockets to Electron Density: GPT-style Drug Design with Density

从全息口袋到电子密度：基于密度的GPT式药物设计

Jiahao Chen, Letian Gao, Yanhao Zhu, Wenbiao Zhou, Bing Su, Zhi John Lu, Bo Huang

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

AI总结 提出EDMolGPT，一种利用低分辨率电子密度作为物理条件进行从头药物设计的自回归框架，通过密度点云生成分子，减轻结构偏差并产生3D构象。

Comments Published as a conference paper in ICML 2026

TRAP: Hijacking VLA CoT-Reasoning via Adversarial Patches

TRAP: 通过对抗性补丁劫持VLA的CoT推理

Zhengxian Huang, Wenjun Zhu, Haoxuan Qiu, Xiaoyu Ji, Wenyuan Xu

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

AI总结 提出TRAP攻击，利用对抗性补丁劫持视觉-语言-动作模型的链式推理，实现目标行为操控。

Comments Accepted by ICML 2026

Who Deserves the Reward? SHARP: Shapley Credit-based Optimization for Multi-Agent System

谁应得奖励？SHARP：基于Shapley信用的多智能体系统优化

Yanming Li, Xuelin Zhang, WenJie Lu, Ziye Tang, Maodong Wu, Haotian Luo, Tongtong Wu, Zijie Peng, Hongze Mi, Yibo Feng, Naiqiang Tan, Chao Huang, Lian Peng, Li Shen

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

AI总结 针对多智能体系统中信用分配难题，提出SHARP框架，通过分解奖励机制（全局广播奖励、Shapley边际信用奖励和工具过程奖励）实现精确信用归因，显著提升强化学习性能。

A Cartesian-3j Framework for Machine Learning Interatomic Potentials

机器学习原子间势的 Cartesian-3j 框架

Zemin Xu, Chenyu Wu, Wenbo Xie, P. Hu

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

AI总结 提出基于Cartesian-3j符号和Cartesian广义Clebsch-Gordan系数的不可约Cartesian张量框架，构建MACE、NequIP和Allegro的Cartesian版本，并引入TACE-v1-OAM-M模型在Matbench Discovery上取得竞争性能。

WISE: A World Knowledge-Informed Semantic Evaluation for Text-to-Image Generation

WISE: 一种基于世界知识的文本到图像生成语义评估方法

Yuwei Niu, Munan Ning, Mengren Zheng, Weiyang Jin, Bin Lin, Peng Jin, Jiaqi Liao, Chaoran Feng, Fanqing Meng, Kunpeng Ning, Bin Zhu, Li Yuan

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

AI总结 针对现有文本到图像生成模型缺乏复杂语义理解和世界知识整合评估的问题，提出WISE基准，包含25个子领域的1000个精心设计的提示，并引入WiScore指标评估知识-图像对齐，实验表明当前模型在整合世界知识方面存在显著局限。

Comments Accepted to ICML 2026. We have also released an updated version of the benchmark, WISE_Verified. Please refer to https://github.com/PKU-YuanGroup/WISE for the latest version

Breaking the Self-Confirming Loop: Diagnosing and Mitigating Systemic Reward Bias in Self-Rewarding RL

打破自我确认循环：诊断与缓解自奖励强化学习中的系统性奖励偏差

Chuyi Tan, Peiwen Yuan, Xinglin Wang, Yiwei Li, Shaoxiong Feng, Yueqi Zhang, Jiayi Shi, Ji Zhang, Boyuan Pan, Yao Hu, Kan Li

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

AI总结 本文通过量化反馈回路偏差并提出集成奖励强化学习（RLER）方法，诊断并缓解了自奖励强化学习中由置信度耦合导致的系统性奖励偏差，从而提升性能与稳定性。

Train Once, Reuse Everywhere: Generalizable Implicit In-Context Learning by Routing Attention

一次训练，随处重用：通过路由注意力实现可泛化的隐式上下文学习

Jiaqian Li, Yanshu Li, Ligong Han, Ruixiang Tang, Wenya Wang

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

AI总结 提出In-Context Routing (ICR)方法，在注意力logits层面捕获可泛化的上下文学习模式，通过可学习的输入条件路由器调制注意力logits，实现高效的一次训练多次重用框架，在12个数据集上优于现有隐式ICL方法并展现强泛化能力。

Comments ICML 2026 Camera-ready

Evaluating the Reversal Curse in Model Editing

评估模型编辑中的逆转诅咒

Hao-Xiang Xu, Jun-Yu Ma, Zhen-Hua Ling, Quan Liu, Cong Liu, Jia-Chen Gu

机构 * National Engineering Research Center of Speech and Language Information Processing（语音与语言信息处理国家级工程研究中心） ； University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） ； University of California, Los Angeles（美国加州大学洛杉矶分校） 纠错

AI总结 本文研究双向语言模型编辑，提出反向泛化指标并构建BAKE基准，发现多数编辑方法在反向评估中存在系统性缺陷，并分析逆转诅咒的成因及缓解策略。

Comments Accepted by TMLR

Approximating rational Bezier curves by constrained Bezier curves of arbitrary degree

用任意次数的约束贝塞尔曲线逼近有理贝塞尔曲线

Mao Shi, Jiansong Deng

机构 * College of Mathematics and Information Science of Shaanxi Normal University（陕西师范大学数学与信息科学学院） ； Department of Mathematics, University of Science and Technology of China（中国科学技术大学数学系） 纠错

AI总结 提出一种通过加权最小二乘法将有理贝塞尔曲线约束逼近为多项式贝塞尔曲线的方法，并分别研究了权重函数ρ(t)=ω(t)和ρ(t)=ω(t)^2的情况。