高校专区
优化方法的演变：算法、场景与评估
机构 * Zhejiang University（浙江大学） ； APRIL Lab（APRIL实验室） ； Fudan University（复旦大学） ； Shanghai Jiaotong University（上海交通大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文回顾了深度学习优化算法的演变历程，通过广泛实验评估主流优化器在不同模型架构和训练场景中的表现，揭示了新兴趋势与核心设计权衡，为未来高效、可靠优化方法的设计提供指导。
信息论优化用于任务适应的压缩感知磁共振成像
机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
AI总结 本文提出基于信息论的任务适应压缩感知磁共振成像方法，通过最大化未采样k空间测量与临床任务间的互信息，实现不确定性预测和适应任意采样比率的灵活控制。
Comments 68 pages, 15 figures, accepted by IEEE TPAMI
Habitat-GS：一种高保真导航仿真器与动态高斯点云
机构 * Zhejiang University（浙江大学） ； Peking University（北京大学） ； XGRIDS ； UDeer AI ； Shenzhen University（深圳大学）
AI总结 本文提出Habitat-GS，通过整合3D高斯点云渲染和可驾驶高斯化身，提升导航仿真的视觉真实性和动态人类建模能力，实验表明其在跨领域泛化和人类感知导航中表现优异。
Comments Project page: https://zju3dv.github.io/habitat-gs/
ArtiCAD: 通过多智能体代码生成实现可动CAD装配设计
机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学）
AI总结 ArtiCAD通过多智能体系统从文本或图像生成可编辑的可动CAD装配，利用连接器定义连接点和关节参数，提升空间推理能力，通过验证步骤和回滚机制确保输出质量，验证了其在概念设计、物理原型和AI训练资产生成中的应用。
CoG：通过关系蓝图和故障感知细化实现可控图推理
机构 * Zhejiang University（浙江大学）
AI总结 本文提出CoG框架，通过关系蓝图和故障感知细化模块，解决知识图谱中推理稳定性与效率问题，实验显示其在准确性和效率上均优于现有方法。
Comments ACL 2026 Main
受欧拉启发的解耦神经算子用于高效全色增强
机构 * School of Software Technology, Zhejiang University（浙江大学软件技术学院） ； School of Computer Science and Technology , Chongqing University of Post and Telecommunications（重庆邮电大学计算机科学与技术学院）
AI总结 本文提出EDNO框架，通过欧拉公式将特征转换为极坐标系统，实现显式-隐式交互机制，提升全色增强的效率与性能平衡。
IAD-Unify：一种基于区域的统一模型用于工业异常分割、理解和生成
机构 * Zhejiang University（浙江大学）
AI总结 本文提出IAD-Unify模型，通过双重编码框架实现工业异常的分割、理解和生成，构建了统一的评估平台，并展示了其在跨类别泛化上的强大性能。
通过空空间约束将激活转向编译为权重以实现隐蔽后门
机构 * Zhejiang University（浙江大学） ； Palo Alto Networks（帕洛阿尔托网络） ； Ningbo Global Innovation Center, Zhejiang University（宁波全球创新中心，浙江大学） ； OPPO Research Institute（OPPO研究院） ； Qilu University of Technology（齐鲁大学）
AI总结 本文通过将后门目标从表面标记转向内部表示，提出一种高效方法，利用空空间约束在触发时激活后门，同时保持隐蔽性和安全性。
Comments ACL 2026 Main Conference
通过条件位移实现自对抗一步生成
机构 * Westlake University（西拉丘学院） ； Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Peking University（北京大学）
AI总结 本文提出APEX框架，通过条件位移内生提取对抗信号，实现无需外部判别器的一步生成，提升生成质量与推理效率。
GAM：基于图的代理记忆用于大语言模型代理
机构 * Zhejiang University（浙江大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Rutgers University（罗格斯大学） ； MBZUAI（麦吉尔大学人工智能研究所） ； McGill University（麦吉尔大学）
AI总结 本文提出GAM框架，通过解耦记忆编码与巩固，解决LLM代理在快速上下文感知与稳定知识保留间的矛盾，提升推理准确性和效率。
Comments 18 pages, 6 figures
颗粒地形上的双足行走动力学模型
机构 * Department of Mechanical and Aerospace Engineering, Rutgers University（罗格斯大学机械与航空航天工程系） ； Bridgewater Raritan High School（布里奇沃特-拉里坦高中） ； State Key Lab of Fluid Power Transmission and Control and the School of Mechanical Engineering, Zhejiang University（浙江大学流体动力传动与控制国家重点实验室和机械工程学院）
AI总结 本文提出一种新的双足行走动力学模型，用于预测在颗粒介质上行走的运动。模型通过动态足部-地形交互模型计算地面反作用力，并引入三个额外自由度以估计足部下沉和滑动，从而改进机器人行走的运动学和动力学分析。
Comments Accepted paper in ICRA 2026
Silo-Bench：一种用于评估多智能体大语言模型分布式协调的可扩展环境
机构 * Beijing University of Technology（北京理工大学） ； Zhejiang University（浙江大学） ； ETH Zürich（苏黎世联邦理工学院） ； Meituan LongCat Interaction Team（美团LongCat交互团队） ； Vector Institute for Artificial Intelligence（人工智能向量研究所）
AI总结 Silo-Bench通过30种算法任务和三个通信复杂度级别评估多智能体系统分布式协调，揭示了通信与推理之间的差距，证明单纯增加智能体数量无法克服上下文限制。
Comments 20 pages, 7 figures, Accepted at ACL 2026 Main Conference
PILOT：通过内部化潜在优化轨迹进行大语言模型的规划
机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 PILOT通过内部化潜在优化轨迹，帮助大语言模型克服长周期任务中的推理不稳定问题，实验显示其在数学和编码基准测试中性能优于基线模型。
Double: 通过双检索推测并行突破加速限制
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）
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
SpecBranch：通过混合草稿和回滚感知分支并行性进行推测解码
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）
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
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