高校专区
用于序列动作视频生成的关键帧锚定身份保留
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对身份保留文本到视频生成任务中主体身份保持和动作执行的挑战，提出无训练三阶段管道框架，包括动作感知提示优化、身份保留生成和身份感知推理增强，该方法在官方排行榜上排名第三，性能和通用性强。
ZifaMem：人工智能伴侣中用于人物形象、偏好和情感连续性的结构化记忆
机构 * ZifaCorp（紫发公司） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学）
AI总结 研究针对人工智能伴侣情感连续性问题，提出结构化记忆系统ZifaMem，通过组织对话形成多种记忆模型。实验表明其能提升情商得分、改善人物形象基础等，多种记忆系统均有改善，且ZifaMem与Mem0在主要偏好端点统计等效，相关工具已开源。
TimeLens2：使用多模态大语言模型进行通用视频时间定位
机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学）
AI总结 研究通用视频时间定位问题，TimeLens2将时间证据视为区间集，通过多种策略构建多跨度监督，其时间瓦瑟斯坦奖励等方法提供反馈，在多个基准测试中表现出色，不同变体均有性能提升。
Comments Technical Report
DRNOISE：在误导性证据环境中对深度研究代理进行基准测试
机构 * Hong Kong Baptist University（香港浸会大学） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究在误导性证据环境下深度研究代理的表现，引入DRNOISE基准，每个任务含正确答案及冲突文档，涵盖多类证据操作。测试发现代理存在验证惰性，通用提示可缩小差距，强调可靠深度研究需积极协调主张与证据。
Comments 16 pages, 2 figures, 11 tables
在安全边界之间：利用时间一致性破解文本到视频生成模型
机构 * University of Science and Technology of China（科学技术大学）
AI总结 研究针对文本到视频模型的越狱攻击，提出结构化查询高效的BSB框架，利用时间一致性，通过在文本代理空间进行蒙特卡洛树搜索并结合视频级评估来校准结果，实验表明该方法超越现有基线，有效发现模型漏洞。
HTT-Net：用于手术视频阶段识别的分层文本引导过渡建模
机构 * 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） ； Department of General Surgery, Beijing Friendship Hospital, Capital Medical University（首都医科大学附属北京友谊医院普通外科） ； Chinese PLA General Hospital（中国人民解放军总医院）
AI总结 针对手术视频阶段识别难题，提出HTT-Net，通过构建分层手术语义记忆，利用过渡感知片段构建和校准方法，引入结构化手术语义知识，实验验证其能有效实现手术视频的稳健阶段识别。
从记忆到技能：基于证据的长期大语言模型智能体协同进化治理
机构 * University of Science and Technology of China（中国科学技术大学） ； Hong Kong Polytechnic University（香港理工大学） ； Fuzhou University（福州大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 针对长期大语言模型智能体记忆系统问题，提出无需训练的MSCE框架，将经验组织为多种形式，把证据支持的策略转化为可调用技能，引入反射加权值回填，实验证明其性能优于基线，有跨域转移性和终身进化能力。
Comments Submitted into EMNLP'2026
Med-OPD：通过证据感知策略蒸馏改进医学视觉语言模型
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）
AI总结 研究针对医学视觉语言模型依赖语言先验而非视觉证据推理的问题，提出Med-OPD框架，引入医学证据优势信号，在令牌和轨迹级别重新分配蒸馏信号，实验证明该方法能加强模型对关键视觉证据的依赖，提升多模态医学推理能力。
MGDT：具有关系自适应专家混合的MLLM引导扩散变压器用于多模态知识图谱补全
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； Communication University of China（中国传媒大学）
AI总结 研究多模态知识图谱补全问题，提出MGDT框架，先通过RASR-MoE模块选路径、抑干扰，再用MLLM对齐表示，最后KGDT去噪生成，实验证明该框架在三个基准数据集上性能优于基线。
Comments 8pages, 6 figures
TikStance：用于TikTok政治对话中多目标立场分析的多模态分层数据集
机构 * School of Artificial Intelligence, Shenzhen Technology University（深圳技术大学人工智能学院） ； School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络空间安全学院）
AI总结 研究针对TikTok政治对话中多目标立场分析，提出多模态分层数据集TikStance，涵盖2024年美国选举周期三位政治人物，结合多目标覆盖、分层对话与人工注释，支持多模态立场检测等多领域研究。
ANet Patu-1：智能体网络中连接的价值
机构 * Agent Network Research（代理网络研究） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 研究人工智能智能体网络连接价值，通过建模推导最优协作协议属性，引入ANet Patu-1协议。结果表明，异构便宜模型集体价值能超同构强模型，且异构网络能自收敛重构连接价值规律。
MathCoPilot：一种用于数学研究的人机共生范式的交互式系统
机构 * University of Science and Technology of China（中国科学技术大学） ； School of Mathematical Sciences, University of Science and Technology of China（中国科学技术大学数学科学学院）
AI总结 研究提出MathCoPilot这人机共生的数学研究系统，统一三项核心能力。通过它在特定子集和定理上比较四个大语言模型，发现当前模型处理本科问题成功率高，但在特定领域定理上仍面临挑战。
xHC：扩展超连接
机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Dots Studio, Xiaohongshu Inc.（小红书公司点点工作室） ； University of Science and Technology of China（中国科学技术大学） ； School of CS, Peking University（北京大学计算机科学学院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 研究针对超连接（HC）扩展残差流时的性能瓶颈，提出xHC方法，结合时间特征增强与稀疏残差流架构，实现超越N = 4的有效扩展，在MoE模型上有下游改进，还介绍xHC - Flash减少内存流量，让大N残差流扩展用于语言模型预训练更有效实用。
Comments Technical report. Project page: https://github.com/aHapBean/xHC
Uni-AdaVD：通过正交值分解实现视觉生成的通用概念擦除
机构 * School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院） ； School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络空间安全学院） ； School of Artificial Intelligence and Data Science, University of Science and Technology of China（中国科学技术大学人工智能与数据科学学院） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
AI总结 针对视觉生成模型吸收不良概念问题，提出Uni-AdaVD框架，将多模态注意力值空间作为干预空间，结合正交值分解与自适应擦除移位抑制目标语义方向，实验证明其在单多概念擦除且保留非目标先验方面性能强大，为视觉生成模型提供安全机制。
社会模拟中生成式智能体的步骤级偏好学习
机构 * Shanghai Qi Zhi Institute（上海期智研究院） ； Xiongan AI Institute（雄安人工智能研究院） ； Tsinghua University（清华大学） ； CUHK-Shenzhen（香港中文大学（深圳）） ； USTC（中国科学技术大学） ； Sun Yat-sen University（中山大学）
AI总结 研究基于大语言模型的生成式智能体模拟人类行为时中间步骤注释稀缺问题，引入交互式模拟界面收集步骤级人类偏好监督，经监督微调算法和直接偏好优化方法进行步骤级偏好学习，提升模拟效果，证明步骤级人类监督是有效训练信号。
Comments WAICA2026
文本到视频模型的推理时概念抑制和以视频为中心的评估
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 研究文本到视频模型中可控去除目标概念的问题，提出无训练推理时框架SIRUS，通过定位目标相关提示证据抑制目标表达，引入视频导向评估框架，在多个概念上实验表现出色，能在不同骨干上泛化。
Comments 29 pages, 9 figures, 11 tables
VideoRAE：通过表示自动编码器驯服用于生成建模的视频基础模型
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Huazhong University of Science and Technology（华中科技大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 研究视频生成模型潜在空间问题，提出VideoRAE，利用冻结视频基础编码器特征经1D自注意力投影仪压缩，支持多种潜在空间，通过多码本高维量化等实现强大重建，收敛快，验证了冻结VFM表示的有效性。
Comments Home page: https://zhxie0117.github.io/VideoRAE
Groc-PO：用于真实多模态大语言模型的基于上下文的偏好优化
机构 * University of Science and Technology of China（中国科学技术大学） ； Xiaomi Corporation（小米公司） ； State Key Laboratory of Communication Content Cognition, People’s Daily Online（人民日报社传播内容认知国家重点实验室）
AI总结 研究针对多模态大语言模型的不真实问题，提出基于上下文的偏好优化框架Groc-PO，构建相关数据集，通过多阶段偏好样本捕捉基础上下文，加强上下文相关推理，减轻跨阶段错误传播，提升模型性能。
Comments Accepted by ACM-MM 2026
DNA：用于生成图像源追踪的双阶段原生归因
机构 * 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 针对图像生成中家族内变体源追踪难题，提出双阶段原生归因（DNA）框架。粗粒度用 AEDR 筛选，细粒度用 NPC 归因。构建 DNA-30K 基准，实验表明 DNA 准确率高，优于基线，为图像源追踪提供有效方法。
Comments 18 pages
ViCo3D：利用视觉基础模型增强基于激光雷达的协作式3D目标检测
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 研究针对V2X系统中基于激光雷达协作式3D感知的不足，提出ViCo3D框架。通过将点云投影为图像让VFM提取特征，引入融合模块及跨智能体融合策略，实现了先进的3D检测性能，提升了协作增益。
AdaPCLA：用于长尾纵向电子健康记录生成的自适应先验校准逻辑调整
机构 * University of Science and Technology of China（中国科学技术大学） ； Sun Yat-sen University（中山大学）
AI总结 研究针对纵向电子健康记录生成中标准模型的不足，提出AdaPCLA框架，通过数据分布感知训练策略、模拟退火训练及零样本分布控制实现自适应拟合与生成，理论分析刻画相关界限，实验验证其在多方面有提升。
Comments 40 pages, 10 figures
UD-ASD：一种用于异常声音检测的统一扩散模型
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 研究针对异常声音检测，提出含轻量级模块的统一扩散模型，先将音频转对数梅尔频谱图，通过嵌入机器ID引导模型为特定机器重建数据，经高斯混合模型拟合误差分布，实验验证该模型在DCASE2022任务2中相比基线有显著提升。
Comments 5 pages, 3 figures, Interspeech 2026
多智能体证明自动形式化的高效测试时优化
机构 * Polixir Technologies（波利希瑞技术公司） ； University of Science and Technology of China（中国科学技术大学）
AI总结 研究多智能体证明自动形式化，提出ToMap框架，将其构建为分解器-形式化器-证明器管道，经瓶颈分析聚焦于分解器优化，通过特定循环和标准指导更新，实验显示该方法提升了性能且降低测试成本。
EasyOPD：一种易于使用的大语言模型在线策略蒸馏框架
机构 * University of Science and Technology of China（中国科学技术大学） ； Tencent（腾讯） ； Shanghai Innovation Institute（上海创新研究院） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对传统语言模型蒸馏问题，提出基于verl构建的EasyOPD框架，分离用户配置等，为三种OPD设置实例化方法，经多基准测试，其实现可通过同一后端执行，还发布了相关配置、文档及演示包。
Comments 10 pages, 2 figures
策略驱动的CT智能体：为临床一致的CT推理建模阶段感知诊断控制
机构 * University of Science and Technology of China（中国科学技术大学） ； Technical University of Munich（慕尼黑工业大学）
AI总结 研究针对CT诊断阶段选择协议差异及现有方法局限，提出策略驱动的CT智能体（PD-CTAgent）。通过临床结构抽象模块和知识引导诊断控制模型，实现阶段感知诊断推理，实验验证其在多数据集上的有效性与临床一致性。
Comments 8 pages, 4 figures
通过渐进式树状草稿的推测性解码解锁自回归语言模型中的并行性
机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司）
AI总结 研究提出渐进式树状草稿（PTD）方法，通过结构化、引导式并行草稿策略利用模型并行潜力，结合渐进树结构与逐步修剪机制，在单次前向传播中引导LLM探索多条语义路径，实现高达2倍解码加速且无需训练、与模型无关。
用于一步式3D医学图像翻译的频谱一致流
机构 * University of Science and Technology of China（中国科学技术大学） ； The First Affiliated Hospital of USTC（中国科学技术大学附属第一医院）
AI总结 该研究提出频谱一致流（SC-Flow）框架用于3D医学图像翻译，通过将其 reformulate 为随机布朗桥过程，引入频谱一致性校正器减轻相关问题，经四个数据集实验验证，此方法在多场景下性能更优。
潜在世界模型中可预测性的控制理论
机构 * University of Science and Technology of China（中国科学技术大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Baptist University（香港浸会大学）
AI总结 研究潜在世界模型中可预测性的控制理论，指出当前以预测误差为目标不可靠，重新定义目标为预测与真实计划成本的差异，证明规划器次优性受其限制，通过实验证实相关结论。
Comments Preprint about latent world models, Koopman operator and control theory, 33 pages, 1 figure. Main text about 10 pages
ChartSync：视觉逻辑级联图表编辑的基准测试
机构 * Jianghan University（江汉大学） ； HiThink Research（海思睿研） ； University of Science and Technology of China（中国科学技术大学） ； Southeast University（东南大学） ； Zhejiang University（浙江大学）
AI总结 研究针对生成式图像编辑模型处理结构化统计图的困难，提出视觉逻辑级联编辑任务。引入ChartSync基准测试，含多种图表类别和任务类型。通过两层框架评估模型，发现开源与专有模型能力差距，分析误差以指导多模态架构发展，数据集和代码已公开。
用于宫颈细胞学图像分类的几何感知高斯先验和轴向注意力
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对宫颈细胞学图像分类任务中现有模型的局限，提出几何感知分类框架，融合语义抽象和结构先验，用高斯专家模块生成轴向先验并嵌入轴向自注意力模块，实验表明该方法能提升分类准确率，有潜力成为筛查导向决策支持工具。
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