高校专区
ObjEmbed：迈向通用多模态对象嵌入
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出ObjEmbed模型，通过分解图像为多个区域嵌入（每个对应一个对象）并生成语义和IoU两种互补嵌入，实现细粒度视觉-语言对齐，在视觉定位、局部和全局图像检索等任务中表现优异。
Comments Accepted by ICML 2026
PolarMem: 一种无需训练的可验证视觉语言模型极化隐式图记忆
机构 * ICT, CAS（中国科学院信息科技研究院） ； UCAS（中国科学院大学） ； CUPB（中国政法大学） ； USTC（中国科学技术大学） ； CityU-DG（城市大学-数据科学） ； HKU（香港大学） ； ZJU（浙江大学）
AI总结 提出PolarMem，一种无需训练的极化隐式图记忆框架，通过语义一致性验证和自适应分布划分将视觉语言模型感知信号转化为HAS、NOT_HAS和Uncertain记忆状态，并采用词典逻辑感知检索协议优先保证逻辑一致性，从而提升检索密集型任务性能并减少矛盾。
LocalSearchBench：现实本地生活服务中的智能搜索基准测试
机构 * Meituan, Beijing, China（美团，北京，中国） ； East China Normal University Shanghai Innovation Institute（东华大学上海创新研究院） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiaotong University（上海交通大学） ； North China University of Technology, Beijing, China（华北理工大学，北京，中国） ； East China Normal University Shanghai China（东华大学上海）
AI总结 针对本地生活服务领域，提出包含130万商家条目和900个多跳问答任务的基准测试LocalSearchBench，并开发统一环境LocalPlayground，实验表明现有大推理模型性能不足。
Comments 12 pages; accepted to KDD 2026
Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD 2026), August 9--13, 2026, Jeju Island, Republic of Korea. ACM, New York, NY, USA, 12 pages
离散扩散VLA：将离散扩散引入视觉-语言-动作策略中的动作解码
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出离散扩散VLA，通过将动作块离散化并在统一Transformer骨干内使用离散扩散模式进行渐进细化，实现自适应解码顺序和错误纠正，在多个基准上取得高性能并保留预训练的视觉-语言先验。
Comments Accepted by ICML 2026. 17 pages
硬标签登场！重新思考硬标签在缓解局部语义漂移中的作用
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对软标签在稀疏监督下导致的局部语义漂移问题，提出混合硬标签与软标签的HALD训练范式，在数据集蒸馏和大规模分类任务中提升泛化性能。
Comments ICML 2026. Code at: https://github.com/Jiacheng8/HALD
事件相机三维重建综述
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文首次全面综述了基于事件相机的三维重建方法，按输入模态（立体、单目、多模态）和重建技术（几何、深度学习、神经渲染如NeRF和3DGS）分类，并讨论了数据集、评估、表示和动态场景重建等挑战。
Comments This survey has been accepted for publication in the Computational Visual Media Journal
超越两阶段训练：用于大语言模型推理的协作式SFT与RL
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出BRIDGE框架，通过选择性知识迁移使SFT辅助RL训练，在数学推理等任务上优于两阶段和单阶段混合方法。
Comments ICML 2026
重新思考强化学习评估：基准测试能否真正揭示强化学习方法的失败？
机构 * HFIPS, Chinese Academy of Sciences（中国科学院HFIPS） ； University of Science and Technology of China（中国科学技术大学） ； University of California, Los Angeles（美国加州大学洛杉矶分校）
AI总结 本文通过引入诊断套件和Oracle性能差距（OPG）指标，发现当前基准测试无法可靠区分强化学习方法在训练集和测试集上的性能差异，并揭示现有方法在分布偏移、难度变化和反事实场景中泛化能力不足，提出更可靠基准设计的三项核心原则。
面向任意时间检索：任意时间行人重识别基准
机构 * School of Cyber 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） ； 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） ； School of Computer Science, Wuhan University, China（武汉大学计算机科学学院）
AI总结 提出任意时间行人重识别（AT-ReID）任务，构建大规模多场景数据集AT-USTC，并设计统一模型Uni-AT实现全天候多场景有效检索。
Comments Accepted by IJCAI 2025 (oral)
反事实干预特征迁移用于可见光-红外行人重识别
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） ； Key Laboratory of Electromagnetic Space Information, Chinese Academy of Science（电磁空间信息重点实验室，中国科学院） ； School of Data Science, University of Science and Technology of China（数据科学学院，中国科学技术大学） ； SenseTime Research（商汤科技研究院） ； Qing Yuan Research Institute, Shanghai Jiao Tong University（青元研究院，上海交通大学）
AI总结 针对可见光-红外行人重识别中图模型泛化性差的问题，提出反事实干预特征迁移方法，通过同质与异质特征迁移减少模态不平衡，并利用反事实关系干预增强图拓扑结构的可靠性。
Comments Accepted by ECCV 2022
iVGR: 通过强化学习将视觉基础推理内化到多模态大语言模型中
机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室） ； Independent Researcher（独立研究者） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出iVGR框架，利用强化学习和双流训练策略将视觉定位能力内化到文本推理中，避免显式视觉基础在推理时的干扰，提升细粒度感知性能。
Comments Accepted by ICML 2026
面向有效长视频事件预测的多级事件语义挖掘
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出VISTA框架，通过多级事件语义挖掘（细节级、事件级、未来级）实现长视频事件预测，解决现有模型无法精确提取事件细节和进行细粒度分析的问题。
RLHF的另一面：用于奖励模型自监督改进的在线策略反馈
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） ； University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）
AI总结 提出SAVE框架，利用价值函数生成在线策略反馈，通过对比学习更新奖励模型，在六个基准上超越现有方法。
GEM: 用于最优LLM数据策展的几何熵混合
机构 * The Hong Kong University of Science and Technology, Hong Kong SAR, China（香港科学与技术大学） ； Peking University, Beijing, China（北京大学） ； University of Science and Technology of China, Hefei, China（中国科学技术大学）
AI总结 提出GEM框架，通过将数据策展重构为超球面上的变分问题并采用MM算法优化，解决了分类缺陷和嵌入各向异性问题，在1.1B参数模型上实现下游准确率提升1.2%。
Comments ICML 2026 Poster
OmniMatBench：跨19个材料科学子领域的人类校准多模态推理基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Southeast University（东南大学） ； Nanjing University（南京大学） ； Suzhou Laboratory（苏州实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 针对现有基准忽视从材料知识到应用的推理过程，提出OmniMatBench，包含3171个专家策划的问答与计算问题，覆盖19个子领域，评估13个多模态大模型，最佳模型仅得0.372分，揭示当前模型在材料科学推理中的显著差距。
Comments 22 Pages
SpongeBob：同步感知的和谐视听生成式编辑
机构 * University of Science and Technology of China（科学技术大学） ； Tencent Hunyuan（腾讯文生）
AI总结 提出首个端到端视听联合编辑框架SpongeBob，通过双向跨模态交互的同步感知机制和上下文感知模块，解决视频编辑中的音画不同步和语义冲突问题。
CVE-Factory：规模化专家级代码安全漏洞智能体任务
机构 * Harbin Institute of Technology (HIT)（哈尔滨工业大学） ； Central South University (CSU)（中南大学） ； University of Science and Technology of China (UTSC)（中国科学技术大学）
AI总结 提出CVE-Factory多智能体框架，自动将稀疏CVE元数据转化为可执行的智能体任务，构建持续更新的基准LiveCVEBench和训练数据集，微调模型性能显著提升。
Comments Accepted by ICML2026 Oral
HistCAD：一种约束感知的基于参数化历史CAD表示、数据集和具有工业复杂性的基准
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出HistCAD表示标准、数据集和基准，通过显式约束记录草图、特征和操作，实现可编辑的参数化CAD序列生成与评估。
Veda: 通过蒸馏稀疏注意力实现可扩展的视频扩散
机构 * ByteDance Inc.（字节跳动公司） ； The University of Hong Kong（香港大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出Veda蒸馏稀疏注意力框架，通过统计感知的tile评分和头感知tile选择，在保持生成质量的同时实现视频扩散模型的高效加速。
Comments Accepted to ICML 2026
LoMo: 局部模态替换以实现更深的视觉-语言融合
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 针对视觉-语言模型在模态替换时性能下降的“载体敏感性”问题，提出局部模态替换（LoMo）数据策展范式，通过将文本片段动态渲染为图像来训练跨模态表示不变性，显著提升多模态推理与融合效果。
相同证据，不同答案：面向多轮语言模型的规范上下文在线策略蒸馏
机构 * Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出规范上下文在线策略蒸馏（CCOPD）方法，通过教师-学生框架对齐模型在完整提示和逐步揭示信息下的行为，减少自我锚定漂移，在多轮数学对话上训练后，在原始分片任务上平均提升32%性能。
元认知记忆策略优化用于长视野LLM智能体
机构 * University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； Tencent（腾讯）
AI总结 针对长视野任务中记忆策略训练缺乏中间监督的问题，提出基于信念熵的元认知记忆策略优化（MMPO），通过自监督代理惩罚高认知不确定性摘要，提升长期推理性能。
VLA-Trace: 通过表示与行为追踪诊断视觉-语言-动作模型
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Manchester（曼彻斯特大学） ； Beihang University（北航） ； Fudan University（复旦大学） ； University of New South Wales（新南威尔士大学）
AI总结 提出VLA-Trace诊断框架，通过表示演化、因果控制归因和行为表现分析，揭示VLA模型在多模态知识向具身控制转化中的机制，发现不同模型在微调适应、多模态路由和语义遵循上的差异与局限。
未来强制：自回归视频生成中无需训练的未来感知KV缓存策略
机构 * BUAA（北京航空航天大学） ； ZGCA（中广核人工智能研究院） ； PKU（北京大学） ； CASIA（中国科学院自动化研究所） ； USTC（中国科学技术大学） ； NUS（新加坡国立大学）
AI总结 提出Future Forcing，一种无需训练的未来感知KV缓存策略，通过利用自回归视频模型中查询分布的平稳性来估计未来查询，从而改进长视频生成的一致性。
面向文本到图像扩散Transformer的鲁棒且可泛化的安全引导
机构 * Huzhou Normal University（湖州师范学院） ； Alibaba Group（阿里巴巴集团） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang Normal University（浙江师范大学） ； Zhejiang University of Technology（浙江工业大学）
AI总结 提出SafeDIG框架，通过位置感知稀疏特征迁移实现扩散Transformer的安全引导，在保持源域安全性和图像质量的同时，有效降低目标域和整体不安全生成率。
CityGen: 结构引导的城市风格合成用于跨城市自动驾驶
机构 * Jiangsu Cytoderm Intelligent Technology Co., Ltd., China（江苏细胞膜智能科技有限公司，中国） ； Xi'an Jiaotong University, Xi'an, China（西安交通大学，中国） ； Tsinghua University, Beijing, China（清华大学，中国） ； University of Science and Technology of China, Hefei, China（中国科学技术大学，中国）
AI总结 提出CityGen，一种基于扩散模型的生成框架，通过高清地图条件和城市级视觉提示实现零标签城市适应，提升跨城市自动驾驶在感知、分割和规划任务上的鲁棒性。
STAP: 一种基于洗牌令牌化的超长上下文无词汇表移动应用预测器
机构 * School of Nuclear Science and Technology, University of Science and Technology of China（科学技术大学核科学与技术学院） ； Department of Statistics and Finance, University of Science and Technology of China（科学技术大学统计与金融系）
AI总结 提出STAP模型，通过洗牌机制将应用身份替换为虚拟索引，并利用超长上下文处理行为序列，实现无固定词汇表的跨数据集零样本移动应用预测。
Comments 15 pages, 9 figures, 5 tables Preprint submitted to Expert Systems with Applications
面向大规模人脸识别数据集的高效、免验证的内在质量评估
机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络科学与技术学院）
AI总结 提出一种无需训练的内在质量（IQ）指标，通过邻域一致性得分和全局表示子空间复杂度来估计人脸识别数据集生成高性能模型的潜力，实现快速数据集诊断与筛选。
Comments ICML 2026
SVSR：一种用于多模态推理的自我验证与自我修正范式
机构 * South China Agricultural University（华南农业大学） ； University of Glasgow（格拉斯哥大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Monash University（莫纳什大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Defense Technology（国防科技大学） ； Renmin University of China（中国人民大学） ； South China Normal University（华南师范大学）
AI总结 提出SVSR框架，通过三阶段训练（统一偏好数据集构建、冷启动监督微调、半在线直接偏好优化）将自我验证与自我修正显式集成到多模态推理流程中，提升复杂视觉理解和多模态推理的鲁棒性与可靠性。
流式拖拽导向的交互式视频操作：随时拖动任何物体！
机构 * Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Hefei University of Technology（合肥工业大学）
AI总结 提出REVEL任务和DragStream方法，通过自适应分布自校正和空间频率选择性优化，实现自回归视频扩散模型的流式拖拽交互操作。
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