高校专区
DiffCrossGait：基于潜在扩散的2D-3D跨模态步态识别轨迹级对齐
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对2D-3D跨模态步态识别中的域差异问题，提出DiffCrossGait，通过潜在扩散空间中的轨迹级对齐实现连续模态对齐，并引入三阶段对齐策略确保身份锚定、动态一致性和跨模态结构可恢复性，在SUSTech1K和FreeGait基准上达到最优性能。
Comments Accepted by ICML2026
StemBind: 当多模态大语言模型在抽象视觉推理中迷失于规则与实例之间
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出 StemBind 诊断基准，通过共享主干的三对齐问题（感知、规则、完整）定位 MLLM 在抽象视觉推理中的失败环节，发现规则到实例的绑定是主要瓶颈。
Comments Project page: https://hexixiang.github.io/StemBind
BitsMoE: 面向MoE大语言模型量化的频谱能量引导比特分配
机构 * School of Microelectronics, University of Science and Technology of China（中国科学技术大学微电子学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）
AI总结 提出BitsMoE框架，通过SVD分解和频谱能量引导的混合精度比特分配，解决MoE模型超低位量化中的精度损失问题，在Qwen3-30B-A3B-Base上2比特量化下准确率提升27.83个百分点。
Comments 29 pages, 6 figures, 9 tables. Code and models are available at https://github.com/zjiayu064/BitsMoE
来自表达性教师的对抗性双在线策略蒸馏
机构 * National University of Singapore（新加坡国立大学） ； University of Technology Sydney（悉尼大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出FA-OPD方法，通过对抗性双在线策略蒸馏，结合流匹配教师和轻量MLP学生，利用奖励和动作双通道信号，在机器人导航、操作和运动任务中优于强基线，且对噪声和有限演示鲁棒。
Comments arXiv admin note: substantial text overlap with arXiv:2510.09222
超越轨迹级归因：基于图的智能体强化学习信用分配
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出GraphGPO方法，通过构建状态转移图并利用全局信息估计各状态到任务目标的距离，实现步骤级信用分配，提升训练效率和性能。
Comments Accepted by ICML 2026
AttenA+: 纠正机器人基础模型中的动作不平等性
机构 * HKUST(GZ)（香港科技大学（广州）） ； HKU（香港大学） ； USTC（中国科学技术大学） ； IDEA Research（IDEA研究院） ； SUSTech（南方科技大学） ； X-Humaniod
AI总结 针对机器人基础模型忽视动作物理重要性的问题，提出AttenA+框架，通过速度驱动的动作注意力重加权训练目标，提升复杂长程任务性能。
SWE-MiniSandbox：用于构建软件工程智能体的无容器强化学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出SWE-MiniSandbox，一种轻量级无容器方法，通过内核级隔离和预缓存技术降低磁盘使用和准备时间，实现可扩展的强化学习训练。
群体相对策略优化中的优势崩塌：诊断与缓解
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对GRPO在可验证奖励强化学习中的优势崩塌问题，提出诊断指标ACR和轻量级扩展方法AVSPO，通过注入虚拟奖励样本减少梯度消失，提升模型推理能力。
Comments Accepted at the International Conference on Machine Learning (ICML 2026). Project page: https://QingyongHu.github.io/AVSPO
从简单到复杂：基于高斯混合模型的课程引导物理信息神经网络
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出CGMPINN，通过高斯混合模型拟合PDE残差分布以量化学习难度，并采用动态课程学习逐步从简单区域过渡到困难区域，显著提升PINN在强非线性、尖锐梯度或多尺度问题上的收敛性和精度。
Comments 23 pages, 15 figures
语言模型网络：通过密集通信实现监督高效学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出LMNet，一种密集可微的语言模型网络，通过可训练的序列到序列模块作为通信边，实现节点间密集向量交换，支持端到端梯度优化和高效信息传递，在有限监督下实现有效适应。
RADAR：面向多智能体通信结构生成的冗余感知扩散方法
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种基于条件离散图扩散模型的冗余感知生成框架RADAR，通过逐步生成通信拓扑并利用图有效尺寸引导，在六项基准上实现更高准确率、更低令牌消耗和更强鲁棒性。
Comments Accepted by ICML 2026 (fix typos)
SCOPE: 信号校准的在线策略蒸馏增强与双路径自适应加权
机构 * University of Science and Technology of China（中国科学技术大学） ； Meituan LongCat Interaction Team（美团 LongCat 交互团队） ； Nanjing University（南京大学） ； Fudan University（复旦大学） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 针对在线策略强化学习中奖励稀疏导致的信用分配难题，提出SCOPE框架，通过双路径自适应加权机制分别处理正确与错误轨迹，实现信号校准的蒸馏增强，在六个推理基准上平均提升11.42%的Avg@32和7.30%的Pass@32。
LookWise: 知道何时何地关注多模态大语言模型中的细粒度视觉推理
机构 * Institute of Intelligent Machines, Hefei Institutes of Physical Science, Chinese Academy of Sciences（智能机器研究所，合肥物理科学研究院，中国科学院） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； East China Normal University（华东师范大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 提出LookWise框架，通过置信度模块和语义引导定位模块实现自适应视觉推理，无需额外训练即可提升细粒度推理精度并加速推理。
强化学习中信息自锁现象及其在LLM智能体主动推理中的应用
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对LLM智能体在主动推理中因强化学习导致的信息自锁问题，提出基于优势重加权的方法AREW，通过方向性批评重新分配轨迹信用，显著提升智能体性能。
Comments Accepted by ICML 2026
看、规划、回退：面向鲁棒机器人操作的进度感知视觉-语言-动作模型
机构 * School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； University of Technology Sydney（新南威尔士大学） ； Department of Computer Vision, Mohamed Bin Zayed University of Artificial Intelligence（人工智能与计算机视觉系，Mohamed Bin Zayed人工智能大学） ； The University of Hong Kong（香港大学） ； Institute of AI for Industry, Chinese Academy of Sciences（产业人工智能研究所，中国科学院） ； School of Intelligent Science and Engineering, Harbin Institute of Technology (Shenzhen)（智能科学与工程学院，哈尔滨工业大学（深圳））
AI总结 提出进度感知的视觉-语言-动作框架SPR，通过动态将语言指令映射为空间子目标序列，并利用闭环进度监控实现错误恢复，在LIBERO基准上提升5%性能，在LIBERO-Plus上展现最先进的鲁棒性。
Comments Suggested to CVPR Findings. https://tingjundai.github.io/SPRVLA/
视觉语言模型无法推理物理变换
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文通过构建ConservationBench基准，评估112个视觉语言模型在物理守恒任务上的表现，发现模型在动态场景中无法维持物理属性的变换不变性。
Comments Accepted by ICML 2026
WorldCache: 通过异构令牌缓存免费加速世界模型
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对扩散世界模型中令牌异质性和非均匀时间动态导致的推理慢问题，提出基于曲率引导的异构令牌预测和混沌优先自适应跳过的缓存框架WorldCache，实现高达3.7倍加速并保持98%的推出质量。
Comments Accepted by ICML 2026
LAP：面向自动驾驶的快速潜在扩散规划器
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出LAP框架，在VAE学习的潜在空间中进行规划，通过单步去噪实现高质量规划，在nuPlan基准上达到学习型规划方法的最优闭环性能，推理速度提升高达10倍。
通过自监督动作能量门控改进扩散规划器
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出SAGE方法，利用潜在一致性信号在推理时重新排序轨迹，惩罚动态不一致的计划，从而提升扩散规划器的性能和鲁棒性。
通过Logits凸性稳定策略优化
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对强化学习训练不稳定的问题，从梯度角度分析监督微调与强化学习的稳定性差距，提出Logits凸优化（LCO）框架，通过模拟logits级凸性来稳定策略优化，实验表明该方法能提升训练稳定性并在多个基准上优于传统方法。
评估中文事实搜索与AI答案中的可靠性不对称性
机构 * Department of Electronics, Information and Bioengineering, Politecnico di Milano（电子、信息与生物工程系，米兰理工学院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 通过构建基于真实中文搜索日志的查询事实核查数据集，比较传统搜索引擎、大型语言模型和搜索集成AI概览在中文是非问题上的准确性、回答频率、极性差距及区域信息需求差异，揭示可靠性不仅取决于回答正确性，还受回答频率、否定主张处理和信息需求暴露风险影响。
LLM4Cov：面向高覆盖率测试生成的执行感知智能体学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出LLM4Cov离线智能体学习框架，通过执行验证数据策展、策略感知数据合成和最差状态优先采样，在硬件验证中实现高覆盖率测试生成，4B参数模型在CVDP-ECov上达到69.2%通过率和90.4%平均覆盖率。
Comments ICML'26 Camera Ready version
有限监督下动态图的可判别且可泛化的异常检测器学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对动态图异常检测中标注异常稀缺的问题，提出一个结合残差表示编码、限制损失和双边界优化的模型无关框架，从正常/未标注数据中学习可判别边界，同时利用有限标注异常并保持对未见异常的泛化能力。
Comments Accepted by ICML2026
REAL: 通过推理枢轴对齐解决知识密集型视觉问答中的知识冲突
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 提出REAL框架，通过推理枢轴对齐和引导解码，解决知识密集型视觉问答中因开放域检索引起的知识冲突问题。
Comments Accepted by ICML 2026
超越模型库检索：编织知识以掌握细粒度神经网络设计
机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出M-DESIGN框架，通过构建编辑效应证据图并采用自适应检索与预测任务规划器，在严格预算下高效发现近最优细粒度架构修改路径，在33个案例中26个达到搜索空间最佳性能。
Comments Accepted at ICML 2026. Title changed from "Beyond Model Base Selection: Weaving Knowledge to Master Fine-grained Neural Network Design" to "Beyond Model Base Retrieval: Weaving Knowledge to Master Fine-grained Neural Network Design"
如何正确报告LLM作为评估者的评估结果
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对LLM作为评估者时存在偏差的问题，提出一种插件式校正框架，实现无偏估计和统计原理的不确定性量化，并证明在分布偏移下仍保持无偏性。
Journal ref International Conference on Machine Learning (ICML) 2026
通过双目标攻击暴露时间序列分类器解释中的脆弱性
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出TSEF双目标攻击方法，通过联合操纵分类器和解释器输出，实现目标性误分类同时保持解释与参考一致，揭示解释稳定性不能作为决策鲁棒性的可靠指标。
Comments Accepted at ICML 2026; Code is available at https://github.com/Bohan7/TSEF
稳定速度：流匹配的方差视角
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对流匹配中单样本条件速度导致的高方差训练目标，提出稳定速度框架，通过方差表征识别高低方差区域，并引入无偏方差缩减目标（StableVM）、方差感知表示对齐（VA-REPA）以及免微调加速采样（StableVS），在多个大规模模型上实现训练效率提升和超过2倍采样加速。
Comments ICML 2026
Fast-SAM3D: 更快地将图像中的任何物体三维化
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 提出Fast-SAM3D，一种无需训练的三维重建加速框架，通过多级异构性感知机制（模态感知步骤缓存、联合时空令牌雕刻、频谱感知令牌聚合）实现高达2.67倍端到端加速且保真度损失极小。
Comments Accepted by ICML 2026
R2-Router: 一种基于推理的LLM路由新范式
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对现有LLM路由忽略输出长度对质量和成本影响的问题，提出R2-Router，通过将输出长度预算作为可控变量联合选择最优LLM和预算，实现低成本高质量路由。
Comments Accepted by ICML 2026
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