Zhejiang University（浙江大学）

LumosX: Relate Any Identities with Their Attributes for Personalized Video Generation

LumosX：通过身份与属性的关系实现个性化视频生成

Jiazheng Xing, Fei Du, Hangjie Yuan, Pengwei Liu, Hongbin Xu, Hai Ci, Ruigang Niu, Weihua Chen, Fan Wang, Yong Liu

机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； Hupan Lab（虎斑实验室） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 LumosX通过结合身份与属性关系，提升多主体个性化视频生成的精细度和一致性，采用数据与模型双改进策略，构建了全面的基准测试平台。

Comments ICLR 2026 Camera Ready Version. Code and Models: https://jiazheng-xing.github.io/lumosx-home/

Experience is the Best Teacher: Motivating Effective Exploration in Reinforcement Learning for LLMs

经验是最好的老师：在大型语言模型强化学习中激励有效的探索

Wenjian Zhang, Kongcheng Zhang, Jiaxin Qi, Baisheng Lai, Jianqiang Huang

机构 * Dalian University of Technology（大连理工大学） ； Zhejiang University（浙江大学） ； Chinese Academy of Sciences（中国科学院） 纠错

AI总结 本文提出HeRL框架，通过引导经验提升LLM的探索效率，有效学习高质量样本，实验显示其优于基线方法并能通过经验自我改进。

Embodied Science: Closing the Discovery Loop with Agentic Embodied AI

具身科学：通过代理具身AI闭合发现循环

Xiang Zhuang, Chenyi Zhou, Kehua Feng, Zhihui Zhu, Yunfan Gao, Yijie Zhong, Yichi Zhang, Junjie Huang, Keyan Ding, Lei Bai, Haofen Wang, Qiang Zhang, Huajun Chen

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tongji University（同济大学） 纠错

AI总结 本文提出具身科学框架，将科学发现视为闭环过程，结合代理推理与物理执行，通过感知-语言-行动-发现框架实现自主发现系统。

Comments Work in progress

DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving

DynFlowDrive: 基于流的动态世界建模用于自动驾驶

Xiaolu Liu, Yicong Li, Song Wang, Junbo Chen, Angela Yao, Jianke Zhu

机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出DynFlowDrive，通过流基于的动力学建模提升自动驾驶中的场景预测可靠性，引入稳定性感知的多模式轨迹选择策略，实验证明在nuScenes和NavSim基准上效果显著。

Comments 18 pages, 6 figs

PolicySim: An LLM-Based Agent Social Simulation Sandbox for Proactive Policy Optimization

PolicySim：一种基于LLM的代理社会模拟沙盒，用于主动政策优化

Renhong Huang, Ning Tang, Jiarong Xu, Yuxuan Cao, Qingqian Tu, Sheng Guo, Bo Zheng, Huiyuan Liu, Yang Yang

机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； University of Nottingham（诺丁汉大学） ； PowerChina Huadong Engineering Corporation Limited（国家电网华东工程公司） 纠错

AI总结 本文提出PolicySim，通过用户代理模块和自适应干预模块，模拟用户行为与平台干预的双向动态，实现对干预政策的主动评估与优化。

Vision-TTT: Efficient and Expressive Visual Representation Learning with Test-Time Training

Vision-TTT: 高效的视觉表征学习与测试时间训练

Quan Kong, Yanru Xiao, Yuhao Shen, Cong Wang

机构 * Zhejiang University（浙江大学） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 本文提出Vision-TTT，通过测试时间训练方法提升视觉表征效率与表达能力，在ImageNet分类中达到77.7%的Top-1准确率，同时在计算效率和内存消耗上显著优于现有方法。

SRGS: Super-Resolution 3D Gaussian Splatting

SRGS：超分辨率3D高斯溅射

Xiang Feng, Yongbo He, Linxi Chen, Yan Yang, Chengkai Wang, Yifei Chen, Yixuan Zhong, Zhenzhong Kuang, Jiajun ding, Xufei Yin, Yanming Zhu

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； ShanghaiTech University（上海科技大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Xiangtan University（湘潭大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 本文提出统一的模块化框架，将3DGS超分辨率分解为先验注入和跨视图正则化，分析了多种方法的改进来源，并通过实验验证了方法的鲁棒性。

Comments The first to focus on the HRNVS of 3DGS

StreetForward: Perceiving Dynamic Street with Feedforward Causal Attention

StreetForward：基于前馈因果注意力的动态街道感知

Zhongrui Yu, Zhao Wang, Yijia Xie, Yida Wang, Xueyang Zhang, Yifei Zhan, Kun Zhan

机构 * Li Auto Inc.（Li汽车公司） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出StreetForward框架，通过交替注意力机制和时间掩码注意力模块，实现动态街道的前馈重建，统一表示静态内容和动态实例，并在Waymo数据集上验证了其在视图合成和深度估计上的优越性。

VAMPO: Policy Optimization for Improving Visual Dynamics in Video Action Models

VAMPO：通过改进视频动作模型的视觉动态进行策略优化

Zirui Ge, Pengxiang Ding, Baohua Yin, Qishen Wang, Zhiyong Xie, Yemin Wang, Jinbo Wang, Hengtao Li, Runze Suo, Wenxuan Song, Han Zhao, Shangke Lyu, Zhaoxin Fan, Haoang Li, Ran Cheng, Cheng Chi, Huibin Ge, Yaozhi Luo, Donglin Wang

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Xiamen University（厦门大学） ； University of Sussex（Sussex大学） ； Tianjin University（天津大学） ； Wuhan University（武汉大学） ； Hebei University of Technology（河北工业大学） ； Nanjing University（南京大学） ； Fudan University（复旦大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； South China University of Technology（华南理工大学） 纠错

AI总结 VAMPO通过策略优化直接提升视频动作模型的视觉动态，结合GRPO和非对抗性奖励，在多种模拟和真实任务中提升任务相关视觉动态，增强下游动作生成和泛化能力。

Superclass-Guided Representation Disentanglement for Spurious Correlation Mitigation

面向虚假相关性缓解的超类引导的表示解耦

Chenruo Liu, Hongjun Liu, Zeyu Lai, Yiqiu Shen, Chen Zhao, Qi Lei

机构 * New York University（纽约大学） ； NYU Grossman School of Medicine（纽约大学 Grossman 医学院） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出利用超类引导解耦表示以缓解虚假相关性，通过预训练视觉-语言模型的梯度注意力对齐和理论支持的最小最大最优特征使用策略，提升模型对复杂组结构和虚假相关性的鲁棒性。