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

FMASH: Advancing Traditional Chinese Medicine Formula Recommendation with Efficient Fusion of Multiscale Associations of Symptoms and Herbs

FMASH：通过高效融合症状与药材的多尺度关联来推进传统中医方剂推荐

Xinhan Zheng, Xueting Wang, Ruotai Li, Huyu Wu, Haopeng Jin, Yehan Yang, Guodong Shan

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出FMASH框架，通过融合症状与药材的多尺度关联，提升中医方剂推荐效果，实验表明其在两个数据集上均优于现有最佳模型。

Polynomial Expansion Rank Adaptation: Enhancing Low-Rank Fine-Tuning with High-Order Interactions

多项式展开秩适应：通过高阶交互增强低秩微调

Wenhao Zhang, Lin Mu, Li Ni, Peiquan Jin, Yiwen Zhang

机构 * Anhui University（安徽大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出PERA方法，通过在低秩因子空间中引入结构化多项式展开，提升低秩微调的表达能力，实验证明其在多种基准上表现优异。

Comments Accepted by ACL 2026 findings

Relax: An Asynchronous Reinforcement Learning Engine for Omni-Modal Post-Training at Scale

Relax：一种用于大规模多模态后训练的异步强化学习引擎

Liujie Zhang, Benzhe Ning, Rui Yang, Xiaoyan Yu, Jiaxing Li, Lumeng Wu, Jia Liu, Minghao Li, Weihang Chen, Weiqi Hu, Lei Zhang

机构 * AI Platform, Xiaohongshu Inc（小红书AI平台） ； The University of Hong Kong（香港大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 Relax通过三个协同设计的架构层解决多模态数据流、大规模鲁棒性和延迟-吞吐量平衡问题，实现比veRL快1.20倍的端到端加速，并在多模态强化学习中表现出稳定收敛性。

Comments 17 pages, 22 figures

Double: Breaking the Acceleration Limit via Double Retrieval Speculative Parallelism

Double: 通过双检索推测并行突破加速限制

Yuhao Shen, Tianyu Liu, Junyi Shen, Jinyang Wu, Quan Kong, Li Huan, Cong Wang

机构 * Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） 纠错

AI总结 Double通过双检索推测并行机制解决推测解码的理论加速上限和计算浪费问题，实现5.3倍的LLaMA3.3-70B加速，优于需大量训练的EAGLE-3。

Comments Accepted by ACL2026 Main

Vec-LUT: Vector Table Lookup for Parallel Ultra-Low-Bit LLM Inference on Edge Devices

Vec-LUT：用于边缘设备上并行超低比特LLM推理的向量表查找

Xiangyu Li, Chengyu Yin, Weijun Wang, Jianyu Wei, Ting Cao, Yunxin Liu

机构 * Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Beijing Jiaotong University（北京交通大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出Vec-LUT，通过统一表查找和缓存感知流查找技术，提升边缘设备上超低比特LLM推理效率，实验显示性能提升达4.2倍。

Comments MobiSys 2026

SpecBranch: Speculative Decoding via Hybrid Drafting and Rollback-Aware Branch Parallelism

SpecBranch：通过混合草稿和回滚感知分支并行性进行推测解码

Yuhao Shen, Junyi Shen, Quan Kong, Tianyu Liu, Yao Lu, Cong Wang

机构 * Zhejiang University（浙江大学） ； 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） 纠错

AI总结 SpecBranch通过混合草稿和回滚感知分支并行性，提升大语言模型推理速度，减少回滚令牌，实现实际应用。

Comments The paper has been accepted by ICLR2026

ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation

ComSim：通过组合模拟构建可扩展的现实世界机器人数据生成

Yiran Qin, Jiahua Ma, Li Kang, Wenzhan Li, Yihang Jiao, Xin Wen, Xiufeng Song, Heng Zhou, Jiwen Yu, Zhenfei Yin, Xihui Liu, Philip Torr, Yilun Du, Ruimao Zhang

机构 * CUHK-Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） ； USTC（中国科学技术大学） ； The University of Hong Kong（香港大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出Compositional Simulation方法，结合经典模拟与神经模拟生成准确的动作-视频对，通过闭环数据增强管道生成大规模高质量训练数据，减少仿真到现实的域差距，提升现实环境中的政策模型性能。

Comments 14 pages, 8 figures, 4 tables; supplementary material included; Project page: https://faceong.github.io/ComSim/

rPPG-VQA: A Video Quality Assessment Framework for Unsupervised rPPG Training

rPPG-VQA：一种用于无监督rPPG训练的视频质量评估框架

Tianyang Dai, Ming Chang, Yan Chen, Yang Hu

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

AI总结 本文提出rPPG-VQA框架，通过信号级和场景级分析评估视频对rPPG模型训练的适用性，结合双分支架构和两阶段自适应采样策略提升模型性能。

Comments Accepted by CVPR 2026

Learning to Focus and Precise Cropping: A Reinforcement Learning Framework with Information Gaps and Grounding Loss for MLLMs

学习聚焦与精确裁剪：一种带有信息缺口和接地损失的强化学习框架用于多模态大语言模型

Xuanpu Zhao, Zhentao Tan, Dianmo Sheng, Tianxiang Chen, Yao Liu, Yue Wu, Tao Gong, Qi Chu, Nenghai Yu

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空间安全学院） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） 纠错

AI总结 本文提出一种无需轨迹监督的两阶段强化学习框架，通过信息缺口机制和接地损失提升多模态大语言模型在复杂视觉场景中的感知与推理能力，实验显示其在高分辨率视觉问答基准上达到最优性能。

Comments Accepted by CVPR 2026

TARAC: Mitigating Hallucination in LVLMs via Temporal Attention Real-time Accumulative Connection

TARAC：通过时间注意力实时累积连接缓解大型视觉-语言模型中的幻觉

Lei Jiang, Chunzhao Xie, Tongxuan Liu, Yuting Zeng, jinrong Guo, Yunheng Shen, Weizhe Huang, Jing Li, Xiaohua Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出TARAC，一种无需训练的框架，通过动态累积和重注入历史注意力来维持视觉 grounding，实验表明其在减少幻觉和提升感知得分方面优于现有方法，且计算开销低。

Comments 8 pages, 9 figures

Camyla: Scaling Autonomous Research in Medical Image Segmentation

Camyla：在医学图像分割领域实现自主研究的系统

Yifan Gao, Haoyue Li, Feng Yuan, Xin Gao, Weiran Huang, Xiaosong Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

AI总结 Camyla通过自主实验生成研究提案、可执行实验和完整论文，解决了长期自主研究中的搜索漂移、知识退化和故障恢复问题，展示了医学图像分割领域大规模自主研究的可行性。

Comments Project page: https://yifangao112.github.io/camyla-page/

Skill-SD: Skill-Conditioned Self-Distillation for Multi-turn LLM Agents

Skill-SD：基于多轮LLM代理的技能条件自蒸馏

Hao Wang, Guozhi Wang, Han Xiao, Yufeng Zhou, Yue Pan, Jichao Wang, Ke Xu, Yafei Wen, Xiaohu Ruan, Xiaoxin Chen, Honggang Qi

机构 * Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； vivo AI Lab（vivo AI实验室） 纠错

AI总结 Skill-SD通过将代理自身轨迹转化为动态训练监督，结合重要加权反KL损失稳定训练，提升多轮LLM代理性能，实验显示优于标准RL和OPD方法。

Comments Project page: https://k1xe.github.io/skill-sd/

Omnimodal Dataset Distillation via High-order Proxy Alignment

通过高阶代理对齐实现多模态数据集蒸馏

Yuxuan Gao, Xiaohao Liu, Xiaobo Xia, Tongliang Liu

机构 * University of Science and Technology of China（中国科学技术大学） ； Xidian University（西安电子科技大学） ； National University of Singapore（新加坡国立大学） ； The University of Sydney（悉尼大学） 纠错

AI总结 本文提出HoPA方法，通过紧凑代理捕捉高阶跨模态对齐，解决多模态数据集蒸馏中的异质性和复杂跨模态交互问题，实现可扩展的联合蒸馏。

PepBenchmark: A Standardized Benchmark for Peptide Machine Learning

PepBenchmark：肽机器学习的标准基准

Jiahui Zhang, Rouyi Wang, Kuangqi Zhou, Tianshu Xiao, Lingyan Zhu, Yaosen Min, Yang Wang

机构 * Zhongguancun Academy（中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； Nankai University（南开大学） ； Tianjin University（天津大学） 纠错

AI总结 本文提出PepBenchmark，为肽药物发现提供标准化基准，包含统一的数据集、预处理流程和评估协议，涵盖四种主要方法家族，推动肽机器学习方法的发展。

Journal ref ICLR 2026

Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs

追溯根源：一种多智能体框架，用于揭示训练后LLM的数据血缘

Yu Li, Xiaoran Shang, Qizhi Pei, Yun Zhu, Xin Gao, Honglin Lin, Zhanping Zhong, Zhuoshi Pan, Zheng Liu, Xiaoyang Wang, Conghui He, Dahua Lin, Feng Zhao, Lijun Wu

机构 * Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室，OpenDataLab） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出多智能体框架，用于揭示训练后LLM的数据血缘，识别数据集演化图谱中的结构模式与系统问题，构建血缘感知的多样化数据集。

Comments 27 pages, 6 figures

Beyond Monologue: Interactive Talking-Listening Avatar Generation with Conversational Audio Context-Aware Kernels

超越独白：基于对话音频上下文感知核的交互式谈话-倾听虚拟角色生成

Yuzhe Weng, Haotian Wang, Xinyi Yu, Xiaoyan Wu, Haoran Xu, Shan He, Jun Du

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK（科大讯飞） 纠错

AI总结 本文提出基于对话音频上下文感知核的交互式虚拟角色生成方法，通过引入多头高斯核解决谈话与倾听行为的时间尺度差异问题，构建了能同时处理双流音频输入的全双工虚拟代理，并在VoxHear数据集上验证了其在生成自然响应的全双工数字人类方面的优越性。

Tango: Taming Visual Signals for Efficient Video Large Language Models

Tango：驯服视觉信号以提高视频大语言模型的效率

Shukang Yin, Sirui Zhao, Hanchao Wang, Baozhi Jia, Xianquan Wang, Chaoyou Fu, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Reconova AI Lab（Reconova AI实验室） ； Nanjing University（南京大学） 纠错

AI总结 Tango通过改进注意力选择和相似性聚类方法，优化视频大语言模型的视觉信号利用，实现在保留10%视频token时性能损失仅0.1%，推理速度提升1.88倍。

Comments Code: https://github.com/xjtupanda/Tango

TalkLoRA: Communication-Aware Mixture of Low-Rank Adaptation for Large Language Models

TalkLoRA: 一种面向通信的低秩适应混合框架用于大语言模型

Lin Mu, Haiyang Wang, Li Ni, Lei Sang, Zhize Wu, Peiquan Jin, Yiwen Zhang

机构 * Anhui University（安徽大学） ； Hefei University（合肥大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 TalkLoRA通过引入专家间通信机制，提升LoRA在大语言模型中的参数效率和路由稳定性，实现在多种任务中更高效和均衡的专家路由。

Journal ref ACL 2026

HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation

HG-Lane：在恶劣天气和光照条件下无需重新标注的高保真车道场景生成

Daichao Zhao, Qiupu Chen, Feng He, Xin Ning, Qiankun Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； School of Artificial Intelligence, Henan University（河南大学人工智能学院） ； University of Science and Technology of China（中国科学技术大学） ； AnnLab, Institute of Semiconductors, Chinese Academy of Sciences（中国科学院半导体研究所 AnnLab） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出HG-Lane框架，通过构建包含30000张图像的基准数据集，提升恶劣天气下车道检测性能，实验显示基于CLRNet的mF1得分提升20.87%。

Comments Accepted by CVPR 2026 (HighLight)

Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution

迭代推理时间缩放与自适应频率导向的图像超分辨率

Hexin Zhang, Dong Li, Jie Huang, Bingzhou Wang, Xueyang Fu, Zhengjun Zha

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

AI总结 本文提出IAFS框架，通过迭代精炼和频率感知粒子融合，解决图像超分辨率中感知质量与结构保真度的平衡问题，实验表明其在多模型上均优于现有方法。

Improving the Reasoning of Multi-Image Grounding in MLLMs via Reinforcement Learning

通过强化学习提升多图像接地在MLLMs中的推理能力

Bob Zhang, Haoran Li, Tao Zhang, Jianan Li, Cilin Yan, Xikai Liu, Jiayin Cai, Yanbin Hao

机构 * Xiaohongshu Inc.（小红书公司） ； University of Science and Technology of China（中国科学技术大学） ； Wuhan University（武汉大学） ； Technical University of Munich（慕尼黑工业大学） ； Hefei University of Technology（合肥工业大学） 纠错

AI总结 本文通过强化学习策略提升多图像接地任务中MLLMs的推理能力，采用合成CoT数据、LoRA微调和规则引导的RL方法，实验表明在MIG-Bench和多个领域外基准上效果显著。

Comments 5 pages

RealSR-R1: Reinforcement Learning for Real-World Image Super-Resolution with Vision-Language Chain-of-Thought

RealSR-R1: 用强化学习解决真实世界图像超分辨率问题

Junbo Qiao, Miaomiao Cai, Wei Li, Xudong Huang, Jie Hu, Xinghao Chen, Shaohui Lin, Hongkai Xiong

机构 * School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiaotong University（上海交通大学） 纠错

AI总结 本文提出RealSR-R1，通过视觉-语言链式推理框架和Group Relative Policy Optimization方法，提升真实世界图像超分辨率的生成质量与内容理解能力。

PoTable: Towards Systematic Thinking via Plan-then-Execute Stage Reasoning on Tables

PoTable：通过表格推理中的计划-执行阶段推理实现系统性思维

Qingyang Mao, Qi Liu, Zhi Li, Mingyue Cheng, Zheng Zhang, Rui Li

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） 纠错

AI总结 本文提出PoTable，一种基于计划-执行阶段的表格推理方法，通过明确的分析阶段和代码生成机制提升推理的系统性和可解释性。

Comments Accepted by IEEE TKDE 2026

PoreDiT: A Scalable Generative Model for Large-Scale Digital Rock Reconstruction

PoreDiT：一种适用于大规模数字岩石重建的可扩展生成模型

Yizhuo Huang, Baoquan Sun, Haibo Huang

机构 * College of Intelligent Robotics and Advanced Manufacturing, FuDan University（复旦大学智能机器人与先进制造学院） ； State Key Laboratory of Shale Oil and Gas Enrichment Mechanisms and Efficient Development（页岩油气富集机理与高效开发国家重点实验室） ； Department of Modern Mechanics, University of Science and Technology of China（中国科学技术大学近代力学系） 纠错

AI总结 PoreDiT采用三维Swin Transformer生成大规模数字岩石样本，提升计算效率并保持物理真实性，适用于多领域研究。

Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration

从空缺中学习：通过内容无关概率校准去偏列表重排序

Hang Lv, Hongchao Gu, Ruiqing Yang, Liangyue Li, Zulong Chen, Defu Lian, Hao Wang, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出CapCal框架，通过内容无关的概率校准方法，解决列表重排序中的位置偏差问题，提升轻量模型性能。

Comments ACL2026

EvoDiagram: Agentic Editable Diagram Creation via Design Expertise Evolution

EvoDiagram：通过设计专业知识进化实现代理可编辑的图示创建

Tianfu Wang, Leilei Ding, Ziyang Tao, Yi Zhan, Zhiyuan Ma, Wei Wu, Yuxuan Lei, Yuan Feng, Junyang Wang, Yin Wu, Yizhao Xu, Hongyuan Zhu, Qi Liu, Nicholas Jing Yuan, Yanyong Zhang, Hui Xiong

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） 纠错

AI总结 EvoDiagram通过设计专业知识进化实现代理可编辑图示创建，解决自动系统在高保真图示生成中的挑战，提出中间画布方案和设计知识进化机制，释放CanvasBench基准测试。

EduIllustrate: Towards Scalable Automated Generation Of Multimodal Educational Content

EduIllustrate：迈向可扩展的自动多模态教育内容生成

Shuzhen Bi, Mingzi Zhang, Zhuoxuan Li, Xiaolong Wang, Keqian Li, Aimin Zhou

机构 * Shanghai Innovation Institute（上海创新研究院） ； University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） 纠错

AI总结 本文提出EduIllustrate基准，用于评估LLM在K-12 STEM问题中生成图文结合解释的能力，通过230道题和8维度评估标准，揭示LLM在视觉一致性与成本效率上的表现差异。

DenseLoRA: Dense Low-Rank Adaptation of Large Language Models

DenseLoRA: 大型语言模型的密集低秩适应

Lin Mu, Xiaoyu Wang, Li Ni, Yang Li, Zhize Wu, Peiquan Jin, Yiwen Zhang

机构 * Anhui University（安徽大学） ； Hefei University（合肥大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 DenseLoRA通过引入密集低秩矩阵提升参数效率和性能，相比LoRA在多个基准测试中表现更优。

Journal ref ACL 2025

Constraining Sequential Model Editing with Editing Anchor Compression

通过编辑锚压缩约束序列模型编辑

Hao-Xiang Xu, Jun-Yu Ma, Zhen-Hua Ling, Ningyu Zhang, Jia-Chen Gu

机构 * National Engineering Research Center of Speech and Language Information Processing, University of Science and Technology of China（中国科学技术大学语音及语言信息处理国家工程研究中心） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出Editing Anchor Compression框架，通过选择重要编辑锚点压缩参数矩阵，减少序列编辑中的偏差，保留模型通用能力并提升编辑知识保留度。

Comments Accepted by NAACL 2025 Findings

Breaking Block Boundaries: Anchor-based History-stable Decoding for Diffusion Large Language Models

打破块边界：基于锚点的历史稳定解码用于扩散大语言模型

Shun Zou, Yong Wang, Zehui Chen, Lin Chen, Chongyang Tao, Feng Zhao, Xiangxiang Chu

机构 * MoE Key Lab of BIPC, University of Science and Technology of China（中国科学技术大学教育部多模态认知与智能系统重点实验室） ； AMAP, Alibaba Group（阿里巴巴集团高德地图） 纠错

AI总结 本文提出AHD解码策略，通过动态锚点实时监控token稳定性，实现跨块高效解码，提升性能与推理效率。

Comments Accepted for ACL 2026