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

Entity-Aware Sequence Transduction for Player-Centric Ball Action Spotting

面向以球员为中心的球动作检测的实体感知序列转换

Ruifeng Wang, Di Yang, Jiangtao Wang

机构 * School of Artificial Intelligence & Data Science, USTC（中国科学技术大学人工智能与数据科学学院） ； Suzhou Institute for Advanced Research, USTC（中国科学技术大学苏州高等研究院） 纠错

AI总结 针对以球员为中心的球动作检测任务，提出ME-DST模型，通过保留角色槽维度等设计提升性能，在FOOTPASS数据集上较TAAD+DST基线提升10.3个百分点，验证了显式实体建模的有效性。

Reusing Rollouts under Policy Lag: Prefix-Normalized Policy Optimization for LLM Reinforcement Learning

策略滞后下的回滚复用：面向大语言模型强化学习的前缀归一化策略优化

Wenhao Zhang, Yibo Xie, Rui Wang, Jiahua Yang, Lei Jiang, Zibo Yang, Yawei Wang, Jiali Xu, jasperawang, Haoyang Long, Huan Xiong, alantzhao

机构 * Tencent（腾讯） ； Harbin Institute of Technology（哈尔滨工业大学） ； Jinan University（暨南大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 针对大语言模型强化学习中回滚复用导致的离策略问题，提出前缀归一化策略优化（PNPO），在4个更新周期时其数学推理性能优于GSPO，可降低更新批次需求。

Learning What to Remember and What to Internalize in LLM Self-Evolution via Adaptive Memory-Parameter Coordination

在大语言模型自进化中通过自适应记忆-参数协调学习该记住什么和该内化什么

Tianyun Ji, Zhenya Huang, Jiayu Liu, Zirui Liu, Yu Su, Hongbin Pei

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Hefei Normal University（合肥师范学院） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 该研究提出 COVE 框架，通过任务感知路由等方式协调大语言模型自进化的记忆与参数通道，解决单通道进化的灵活性与性能权衡问题，在多任务上实现更稳健高效的改进。

CoT-Edit: Let CoT Guide Instruction Video Editing

CoT-Edit：让思维链（CoT）指导指令视频编辑

Sen Liang, Fengbin Guan, Youliang Zhang, Xin Li, Zhibo Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Zhongguancun Academy（中关村学院） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出CoT-Edit的plan--guide--edit框架，以CoT增强的MLLM为规划器生成空间先验，结合扩散编辑器实现高保真指令视频编辑，性能优于多个基准方法

Generated Images Are Easier to Forget: A Machine Unlearning Perspective for Synthetic Image Detection

生成图像更易被遗忘：合成图像检测的机器遗忘视角

Jun Nie, Yonggang Zhang, Tongliang Liu, Yiu-ming Cheung, Bo Han, Xinmei Tian

机构 * University of Science and Technology of China（中国科学技术大学） ； Hong Kong Baptist University（香港浸会大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The University of Sydney（悉尼大学） 纠错

AI总结 该研究针对合成图像检测任务，发现大规模视觉模型在机器遗忘时对生成图像的特征退化更快，据此提出两种基于机器遗忘的检测方法，其性能优于传统方法，为合成图像检测建立了新范式。

Comments 19 pages, 10 figures