高校专区
Goku：百万级通用指令视频编辑数据集与基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Tencent Hunyuan（腾讯混元）
AI总结 提出首个百万级多任务视频编辑数据集Goku，包含200万高质量指令对齐对，并设计高效数据合成流程和渐进过滤系统，基于此提出双分支模型Goku-Edit及包含1000个测试用例的基准Goku-Bench，在指令遵循上提升8%。
Comments Project Page: https://flying-sky999.github.io/Goku.github.io/
APRIL-MedSeg: 一个拥抱现代范式的模块化医学图像分割工具箱
机构 * Zhejiang University, APRIL Lab（浙江大学APRIL实验室） ； Vanderbilt University（范德比尔特大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出YAML驱动的模块化框架APRIL-MedSeg，将分割网络分解为可复用组件，集成半监督、域适应、知识蒸馏、弱监督、文本引导分割及基础模型支持，通过注册配置系统实现灵活可复现的实验管理。
Comments 31 pages, 1 figure, and 8 tables
基于滤波差分分析的VVenC中运动矢量差合并加速
机构 * University of Science and Technology of China（中国科学技术大学） ； Hupan Laboratory（湖畔实验室）
AI总结 提出基于分数运动矢量滤波差分分析的快速MMVD算法，通过2抽头滤波器近似8抽头滤波器推导增益准则，并引入对称偏移推断和十字形降采样点积优化，显著降低搜索比和复杂度。
Comments 5 pages, 4 tables, 4 figures
一视频一世界：将单目视频转化为物理4D场景
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； SparcAI Inc（SparcAI公司） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）
AI总结 提出OVOW，首个无需训练的系统，从单目视频重建实例级、可仿真的4D网格场景，通过视觉语言模型发现实例、类别感知重建、迭代优化恢复尺度与位姿、物理装配确保接触支撑，并建立结构化视频到4D评估基准。
Comments Accepted by ECCV 2026. Project Page: https://OneVideoOneWorld.github.io/
Triospect：一种针对多样化攻击的鲁棒统计AI生成文本检测的三维框架
机构 * Zhejiang University（浙江大学） ； Zhejiang University of Technology（浙江工业大学） ； Westlake University（西湖大学） ； Shanghai Polytechnic University（上海第二工业大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出Triospect三维检测框架，通过分析文本的内容（核心思想）和表达（风格元素）来增强对17种攻击的鲁棒性，在Humanize-16K和RAID数据集上分别提升AUROC 22.3%和9.1%。
Comments TACL final version, 12 pages, 9 figures, and 9 tables
ADAPT: 通过偏好调优实现注意力动态对齐以增强多模态大模型的忠实性
机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies Ltd.（华为技术有限公司） ； State Key Laboratory of Communication Content Cognition, People’s Daily Online（人民网传播内容认知国家重点实验室）
AI总结 针对多模态大模型生成中的幻觉问题，提出ADAPT框架，通过跨注意力视觉锚点、注意力监督推理和视觉注意力引导DPO直接干预文本到图像的跨注意力动态，在多个基准上将幻觉率降低40%-60%。
Comments Accepted by ECCV 2026
Reflect-R1：长视频理解中基于证据驱动的自纠正反思
机构 * Tsinghua University（清华大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Shenzhen University（深圳大学） ； University of California（加利福尼亚大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出Reflect-R1框架，通过直觉、验证、仲裁三阶段管道动态检索客观视觉证据，并设计阶段解耦强化学习算法SD-GRPO解决策略耦合，在长视频理解基准上达到最优性能。
Comments 2026 ECCV
IterCAD：一种用于视觉引导的CAD生成与编辑的迭代多模态智能体
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出IterCAD，一种闭环交互式CAD生成与编辑的多模态智能体框架，通过渐进式SFT和几何感知强化学习优化，在代码可执行性和几何精度上显著超越现有方法。
ComAct: 通过COM即行动范式重构专业软件操作
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出COM即行动范式，将专业软件交互转化为确定性程序合成，解决GUI代理的脆弱性和API代理的异构性问题；构建ComCADBench基准和ComActor自校正代理，在工业CAD软件上实现SOTA性能。
LARA: 视觉-语言-动作模型的潜在动作表示对齐
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出LARA框架，通过表示对齐联合优化潜在动作模型和视觉-语言-动作模型，利用人类视频数据提升机器人操作性能，在模拟和真实基准上平均提升约10%、5%和15%。
学习失重：在人形机器人上模仿非自稳定动作
机构 * Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University, China（人工智能与机器人中心，深圳国际研究生院，清华大学，中国） ； Shanghai AI Laboratory（上海人工智能实验室） ； Northwestern Polytechnical University（西北工业大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
AI总结 本文提出了一种基于生物机制的失重机制，用于在人形机器人上实现非自稳定动作的模仿与环境交互，通过动态确定放松关节及程度，提升环境适应性与动作稳定性。
M3CoTBench：医学图像理解中多模态大语言模型的思维链基准测试
机构 * Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） ； Zhejiang Provincial People’s Hospital（浙江省人民医院） ； National University of Singapore（新加坡国立大学）
AI总结 提出M3CoTBench基准，通过多层级难度数据集和专用评估指标，系统评测多模态大语言模型在医学图像理解中的思维链推理正确性、效率、影响和一致性。
Comments 39 pages, 8 figures; accepted by ICLR 2026
步骤级稀疏自编码器用于推理过程解释
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出步骤级稀疏自编码器（SSAE），通过条件稀疏化形成信息瓶颈，将推理步骤中的增量信息与背景信息分离为稀疏特征，用于解释大语言模型的推理过程。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈