高校专区
CoT-Edit：让思维链（CoT）指导指令视频编辑
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）
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
生成图像更易被遗忘：合成图像检测的机器遗忘视角
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）
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
ParaASR：面向快速长上下文基于大语言模型的语音识别的多令牌预测
机构 * StepFun（阶跃星辰） ； NTU（南洋理工大学） ； PKU（北京大学） ； UNSW（新南威尔士大学） ； SJTU（上海交通大学） ； USTC（中国科学技术大学）
AI总结 ParaASR是一款基于大语言模型的ASR系统，通过多令牌预测技术，在保持低错误率、低延迟的同时，支持32K长上下文及30分钟音频的快速转录，兼顾识别质量、速度与上下文长度。
Comments 14 pages, 3 figures, 4 tables
GVR-Coder：面向复杂文档与会议场景的结构化SVG生成视觉反馈框架
机构 * University of Science and Technology of China（中国科学技术大学） ； ByteDance Inc.（字节跳动公司） ； Hefei University of Technology（合肥工业大学）
AI总结 针对复杂文档与会议场景文本转SVG的三大挑战，提出GVR-Coder框架，引入定制数据集DocMeetSVG-100K，结合课程微调、双渲染反馈强化学习与智能体循环，生成质量优于基线。
元任务：将终端任务综合转化为可扩展智能体训练的终端任务
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学） ； Meituan（美团）
AI总结 Meta-Task框架将终端任务综合转化为Terminal-Bench格式任务，通过多阶段机制等提升任务质量，生成3221条轨迹微调Qwen3系列模型，效果优于同期方法且训练数据更少。
Comments 17 pages, 5 figures
SpecCal：面向红外光谱分子结构重建的歧义感知候选校准方法
机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； School of Mathematics, Jilin University（吉林大学数学学院） ； Information Hub, HKUST(GZ)（香港科技大学（广州）信息中心） ； School of Chemistry, Chemical Engineering and Biotechnology (CCEB), Nanyang Technological University（南洋理工大学化学、化学工程与生物工程学院） ； School of Software Engineering, University of Science and Technology of China（中国科学技术大学软件学院）
AI总结 本研究针对红外光谱分子结构重建的歧义问题，提出即插即用、与模型无关的SpecCal校准框架，可提升不同基础模型在SMILES和骨架水平的top-k重建性能。
MPIE-Bench：解剖学上合理的多人交互编辑基准测试
机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（元石科技）
AI总结 该研究针对多人交互编辑的解剖学与几何错误问题，构建了MPIE-Bench基准，提出MPIE-Eval评估方法，发现现有编辑模型在两个维度表现不均衡，且其评估比VLM清单更贴合人类判断。
PanDent：面向牙科放射学中全面的牙级结构-语言一致性
机构 * Faculty of Dentistry, The University of Hong Kong（香港大学牙医学院） ； Imperial College London（帝国理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； Department of Electronic Engineering, The Chinese University of Hong Kong（香港中文大学电子工程系）
AI总结 本研究推出PanDent牙科OPG基准，经实验发现现有MLLM生成的牙科报告流畅但临床一致性差，在PanDent上微调可提升其结构-语言一致性，该基准可用于评估MLLM的牙级临床推理能力。
SepPrune：一种基于分隔符的高效多模态大语言模型剪枝框架
机构 * University of Science and Technology of China（中国科学技术大学） ； ChangXin Memory Technologies（长鑫存储技术有限公司）
AI总结 针对多模态大语言模型视觉令牌计算成本高的问题，提出SepPrune剪枝方法，以模态分隔符令牌为统一查询来排序和选择视觉令牌，复用内置投影参数，无需架构更改，在Qwen2.5-VL-7B上实验取得最优性能。
OmniDelta：用于OmniLLMs中令牌压缩的技能驱动预算分配
机构 * Zhejiang University（浙江大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Science and Technology of China（中国科学技术大学） ； Alibaba（阿里巴巴）
AI总结 研究针对OmniLLMs长音频-视频令牌序列成本高的问题，提出技能驱动的OmniDelta框架，通过构建技能池、结合意图与内容感知分配预算，能与现有策略结合，实验证明其在多个基准上建立新的准确性-效率前沿，减少内存并加速推理。
Comments 24 pages, 8 figures
ANFI：重新思考行人重识别中的邻居特征交互
机构 * University of Science and Technology of China（中国科学技术大学） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 该研究针对行人重识别中基于邻居方法仅依赖亲和关系、受噪声邻居影响的问题，提出ANFI方法，不仅建模亲和关系与差异关系，还用自适应加权，通过新邻域相似度导出差异关系，经噪声关系监督训练，实验证明其在多种设置下的优越性。
Comments accepted by ECCV2026
CAST：将游戏求解器作为大语言模型智能体的回合级教师
机构 * University of Science and Technology of China（中国科学技术大学） ； Nanjing University（南京大学） ； Wuhan University（武汉大学） ； Meituan（美团）
AI总结 研究如何训练大语言模型在长期游戏中决策，提出CAST方法，利用游戏求解器状态值变化转化为求解器优势并注入RLVR，在多个游戏中优于基线，实现高平均零样本性能。
消除传播延迟：基于注意力的时空融合图卷积网络用于交通流预测
机构 * School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家示范性软件学院）） ； Department of Automation, 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技术学院自动化系） ； School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院） ； Department of Automation, Tsinghua University（清华大学自动化系） ； College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）
AI总结 针对交通流预测，提出基于注意力的时空融合图卷积网络（A-STFGCN），设计时空融合块，通过掩码矩阵多头自注意力机制提取特征相关性，去除传播延迟误差，实验表明该方法相比基线方法性能最佳，效率良好。
利用记忆进行推理：一种用于免训练长视频理解的时间粒度自适应框架
机构 * National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)（高性能计算研究所，科学、技术与研究机构（A*STAR）） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Jilin University（吉林大学）
AI总结 研究针对多模态大语言模型长视频理解受限问题，提出ReMem框架，通过双级记忆增强自适应，在查询和视频级别分别处理，能适应不同时间粒度，经实验验证在多个基准测试中实现高效零样本性能，提升模型长视频推理能力。
Comments Accepted by ECCV 2026
牢记于心：评估智能体记忆中的隐式关联盲点
机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（元石科技）
AI总结 研究智能体记忆中的隐式关联盲点问题，引入InMind基准测试，通过配对控制区分三种解释，实验发现将记忆置于上下文时主干回答间接查询比例高，检索相同记忆时其他系统召回率低，诊断探针可缩小差距，指出路由是关键问题。
从专有模型到开源模型：通过智能体搜索中的多智能体协议蒸馏弥合分布差距
机构 * Beijing Institute of Technology（北京理工大学） ； East China Normal University（华东师范大学） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 研究旨在弥合专有与开源模型分布差距，提出多智能体协议蒸馏（MAPD）框架，利用结构化协议作中间表示，结合蒸馏与强化学习，在问答基准测试中表现出色，有效减轻学生策略问题，优于其他竞争方法。
解开阿尔茨海默病病理学与感知中的声学线索：语言和性别的作用
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究阿尔茨海默病中声学线索，训练模型预测普通话和希腊语、男女说话者的临床AD状态及人类感知分数，用SHAP和统计模型分析，发现病理与感知一致性因语言和性别而异，强调特定人群可解释性审核对临床语音AI公平部署的必要性。
Comments Accepted at Interspeech 2026
MOJITO：用于统一端到端自动驾驶的模态联合学习
机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto（理想汽车） ； University of New South Wales（新南威尔士大学）
AI总结 研究针对端到端自动驾驶系统问题，提出基于模态联合学习的MOJITO框架，去除级联接口，执行逐块模态联合注意力更新多模态特征，在数据集上取得新的最优成绩，展现出强大能力。
STAIF：一种用于复杂指令跟随的逐阶段优化方法
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research Group（科大讯飞研究院）
AI总结 针对大语言模型遵循复杂指令的挑战，提出STAIF逐阶段优化框架，先通过偏好优化提高软约束敏感度，再用可验证奖励强化学习确保硬约束遵守，构建相关数据集，验证了该方法的设计并展现出领先性能和泛化能力。
Comments 16 pages, 6 figures
TokenMem：为冻结的语言模型进行忠实的知识注入
机构 * South China University of Technology（华南理工大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 研究针对RAG增强LLMs时的知识冲突问题，提出TokenMem轻量级记忆系统，通过专用通道向冻结LLMs注入知识，经两阶段课程训练薄门控适配器，实验显示其在反事实基准上知识一致性远超普通RAG，两阶段课程关键，门控适配器能自主学习策略。
Comments 15 pages, 3figures
针对时间序列预测，向不确定成分差分扩散轨迹
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 研究针对时间序列预测中未来与历史的不对称问题，提出DiffDiff扩散框架，将可预测性不对称嵌入扩散轨迹，使前向算子依赖步骤，在多基准测试中优于基线，能集中精力于目标最不确定成分，减轻重建历史锚定内容负担。
MoE$^2$-LoRA：当专家混合模型遇上专家混合风格的低秩自适应
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 研究探索MoE模型的参数高效微调方法，提出MoE$^2$-LoRA，通过双通道RCP模块耦合预训练专家专业化与任务适应性，引入全局专家池，在多MoE主干上评估，能保持通用能力并实现最优下游精度。
Comments Preprint, under review
基于学习的缝纫图案接缝对应重建
机构 * Zhejiang Sci-Tech University（浙江理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Style3D Research（模幻科技）
AI总结 研究针对数字缝纫图案无明确缝线注释问题，提出基于图的学习框架，从二维面板几何形状重建两级缝线信息，支持复杂拓扑，实验证明该方法有高缝线精度和强泛化能力。
PrefReward：学习用于个性化文本生成的用户偏好矩阵
机构 * University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对大语言模型个性化生成中存在的问题，提出PrefReward框架，通过提取用户特定偏好矩阵并将其作为奖励信号指导生成，实验证明该框架在生成质量和个性化可解释性上优于基线。
SciExplore：评估从科学导航到信息整合的自主智能体
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 介绍用于评估大语言模型和智能体科学信息检索与推理能力的基准SciExplore，包含四类任务，在其上评估多个先进模型和智能体，发现随着任务复杂度增加性能差距大，凸显当前模型在实际科学信息检索场景中的局限。
Comments 25 pages, 13 figures. Submitted to ACL 2026
源先验驱动的选择性适应用于高效扩散模型微调
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 研究针对扩散模型微调中提升特定目标生成与保留预训练能力的权衡问题，提出源先验驱动的选择性适应方法，通过关键观察学习静态掩码并构建更新策略，实验证明比基线方法在适应 - 保留权衡上表现更好。
THOR：用于多跳问答的θ-γ分层振荡推理框架
机构 * Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院） ； School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（中国科学技术大学生命科学与医学部生物医学工程学院）
AI总结 针对多跳问答中注意力衰减和错误积累问题，提出受大脑启发的θ-γ分层振荡推理框架THOR，经实验验证，该框架能提高答案准确性和鲁棒性，减轻相关限制。
用于听觉注意力解码的端到端马尔可夫状态序列学习
机构 * NERC-SLIP, University of Science and Technology of China（中国科学技术大学NERC-SLIP） ； School of Information and Communication Engineering, Guangzhou Maritime University（广州航海学院信息与通信工程学院） ； Artificial Intelligence Research Institute, iFLYTEK Company, Ltd.（科大讯飞股份有限公司人工智能研究院） ； 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技术学院）
AI总结 研究针对听觉注意力解码中多数模型为独立短窗口分类器的问题，提出基于条件随机场的端到端马尔可夫AAD框架，引入ESCNet，通过联合优化目标学习注意力状态序列，实验证明该方法在多个数据集上优于传统孤立窗口分类。
FM-VLA：用于接触丰富操作中视觉-语言-动作模型的基于力的记忆
机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； Fudan University（复旦大学） ； USTC（中国科学技术大学）
AI总结 研究针对视觉-语言-动作模型在接触丰富操作中的时间上下文推理问题，提出FM-VLA模型，通过基于力的记忆编码及投影，利用累积接触事件历史指导操作，在相关任务上评估，轻量级力记忆表现出色，显著优于基线方法。
重新思考异构语言模型合并：加权模型平均视角
机构 * University of Science and Technology of China（中国科学技术大学） ； School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）
AI总结 研究异构语言模型合并问题，通过无训练的维度适配和比率控制插值，在联合式与交叉式合并中进行实验，结果表明简单参数平均结合轻量级适配和比率控制是强大基线，揭示直接加权融合的限制及对复杂方法的制约。
Comments 17 pages, 3 figures, 20 tables, preprint
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