高校专区
LLMs能否成为历史学家？通过中国科举制度评估LLMs的历史研究能力
机构 * State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室） ； Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团）
AI总结 本文提出ProHist-Bench基准，基于中国科举制度评估LLMs的历史研究能力，揭示其在复杂历史问题上的不足，旨在推动领域特定推理LLM的发展。
Comments Accepted at ACL 2026
扩散模型作为通用分割学习者
机构 * Zhejiang University（浙江大学） ； South China University of Technology（华南理工大学） ； Nanjing University（南京大学） ； Peking University（北京大学）
AI总结 本文提出DiGSeg，利用预训练扩散模型实现通用分割框架，通过编码图像和掩码到潜在空间，并结合CLIP对齐的文本路径，实现基于外观和任意文本提示的结构化分割。
通过基于分数的扩散模型引导向量场生成
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； WINDY Lab, Department of Artificial Intelligence, Westlake University（西湖大学人工智能系WINDY实验室）
AI总结 本文提出基于分数的引导向量场(SGVF)，利用生成模型直接从数据分布构建向量场，解决传统方法在复杂路径中的不足，实验表明其在机器人导航中表现优异。
Comments 8 pages, 6 figrues, ICRA2026
关于用于LLM微调的分裂学习的综述：模型、系统和隐私优化
机构 * Zhejiang University（浙江大学）
AI总结 本文综述了分裂学习在LLM微调中的应用，探讨了模型、系统和隐私优化方法，旨在为该领域提供清晰的方向和系统的分类比较。
TextGround4M：一种对齐提示的布局感知文本渲染数据集
机构 * Central South University（中南大学） ； Zhejiang University（浙江大学） ； Microsoft Research（微软研究院）
AI总结 本文提出TextGround4M数据集，通过细粒度布局监督提升文本生成的准确性，引入轻量训练策略和布局评估指标，验证了布局感知在文本到图像生成中的重要性。
Comments aaai poster; Project page: https://dongxingmao.github.io/TextGround4M.github.io/
Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, vol. 40, no. 10, pp. 7918-7926, Mar. 2026
揭示隐藏在快速对抗训练中灾难性过拟合背后的后门机制
机构 * School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院） ； School of Information and Communication Engineering, Dalian University of Technology（大连理工大学信息与通信工程学院） ； School of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
AI总结 本文通过后门视角解释了快速对抗训练中的灾难性过拟合，提出统一框架并提出缓解策略，实验验证了方法有效性。
看得更远，想得更深：通过低级视觉线索和反思提升VLM的推理能力
机构 * Baidu Inc.（百度公司） ； Zhejiang University（浙江大学） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 本文提出ForeSight框架，通过低级视觉线索和有效视觉反馈提升VLM推理能力，构建新数据集CG-SalBench，并验证其在参数规模相同和部分指标上优于现有SOTA模型。
Comments CVPR2026
缓解快速对抗训练中的误差放大
机构 * Anhui University（安徽大学） ； Dalian University of Technology（大连理工大学） ； Zhejiang University（浙江大学） ； University of Exeter（埃克塞特大学）
AI总结 本文分析了指导强度对模型性能的影响，提出DDG策略动态调整扰动预算和监督信号，缓解对抗过拟合和鲁棒性准确性权衡问题。
在去中心化学习中单一全局融合的惊人效果
机构 * Zhejiang University（浙江大学） ； Mila, Quebec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文研究了去中心化学习中通信调度策略，发现集中通信预算在后期阶段可显著提升测试性能，通过单一全局融合实现完全连接，有效提升高数据异质性下的学习性能。
Comments We discover and theoretically explain why and when a single global parameter merging in decentralized learning can recover the performance of federated learning, even in highly heterogeneous and communication-constrained environments
Journal ref ICLR 2026 (Oral Presentation)
FDIM：一种基于特征距离的通用视频质量度量标准，适用于多种编码器
机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Zhejiang Key Laboratory of Multimodal Communication Networks and Intelligent Information Processing（浙江省多模态通信网络与智能信息处理重点实验室） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究所）
AI总结 本文提出FDIM，一种基于特征距离的通用视频质量度量标准，适用于传统和神经视频编码器。FDIM结合深度和手工特征，通过大规模数据训练，实现对不同编码器和动态范围的强泛化能力。
DeepTaxon: 一种可解释的检索增强多模态框架，用于统一的物种识别与发现
机构 * National University of Singapore（新加坡国立大学） ； Hunan University（湖南大学） ； Xiangtan University（湘潭大学） ； Hunan Normal University（湖南师范大学） ； Zhejiang University（浙江大学） ； Cornell University（康奈尔大学） ； Meituan（美团）
AI总结 DeepTaxon通过可解释的检索增强多模态框架，统一物种识别与发现，通过检索证据进行链式推理，提升识别和发现的准确性与可解释性。
Comments 13 pages, 6 figures, 9 tables
CT-FineBench：用于CT报告生成细粒度评估的诊断可信度基准
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（沪幻实验室） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 CT-FineBench通过基于问题回答的流程构建，评估CT报告的细粒度事实一致性，优于传统指标，能更敏感地捕捉临床细节错误。
Comments Accepted by ACL 2026 Main
因果发现作为辩证聚合：一种定量论证框架
机构 * The College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； ZLAIRE, Zhejiang University（浙江大学ZLAIRE实验室） ； School of Philosophy, Zhejiang University（浙江大学哲学学院） ； The State Key Lab of Brain-Machine Intelligence（脑机智能国家重点实验室）
AI总结 本文提出QACD框架，通过将条件独立性结果表示为等级可撤消论证，提升因果发现的鲁棒性，在噪声或不一致条件下提高结构一致性和干预可靠性。
Comments Accepted at the 23rd International Conference on Principles of Knowledge Representation and Reasoning (KR 2026). This arXiv version includes supplementary material and additional implementation details
Chat-Scene++: 利用语境丰富的物体识别用于3D大语言模型
机构 * School of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 本文提出Chat-Scene++框架，通过将3D场景表示为语境丰富的物体序列，提升细粒度物体定位和上下文推理能力，在五个3D视觉语言基准测试中取得最佳性能。
基于门控树交叉注意力的检查点兼容语法注入解码器-only LLMs
机构 * College of Biomedical Engineering & Instrument Science, Zhejiang University（浙江大学生物医学工程与仪器科学学院） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系）
AI总结 本文提出一种检查点兼容的门控树交叉注意力机制，用于在解码器-only LLMs中注入语法结构，提升语法鲁棒性而不影响问答和常识推理性能。
Comments ACL 2026 MainConference
利用纵向语音生物标志物建模帕金森病进展：统计与神经混合效应模型的比较研究
机构 * Department of Mathematical Sciences（数学科学系） ； Naveen Jindal School of Management（奈文·金达管理学院） ； Department of Biology（生物系） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Duke University（杜克大学） ； The Second Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院第二附属医院） ； Department of Neurosurgery（神经外科系）
AI总结 本文比较了统计与神经混合效应模型在分析帕金森病纵向语音数据中的表现，发现GAMM在预测性能和可解释性上更优，而神经模型在小样本下易过拟合。
Comments Published version: Computer Methods and Programs in Biomedicine Update, DOI: 10.1016/j.cmpbup.2026.100242. Version note: https://doi.org/10.5281/zenodo.19804672
Journal ref Computer Methods and Programs in Biomedicine Update, Volume 9, 2026, Article 100242
Doloris：双条件扩散隐式桥梁与稀疏掩码策略用于无配对单细胞扰动估计
机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Centre for Artificial Intelligence and Robotics Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（人工智能与机器人中心 香港创新研究院 中国科学院） ； Southern University of Science and Technology（南方科技大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出Doloris模型，通过双条件扩散模型和稀疏掩码策略解决无配对单细胞扰动数据建模问题，有效捕捉单细胞扰动多样性并取得最佳性能。
MARRS：基于掩码自回归单元的反应合成
机构 * Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制系统研究所） ； Tencent Youtu Lab（腾讯优图实验室）
AI总结 本文提出MARRS框架，通过单元区分运动变分自编码器、动作条件融合和互单元调制，生成协调精细的反应动作，解决传统VQ方法的量化损失和计算复杂性问题。
Comments Accepted to IEEE TVCG 2026. Project page: https://aigc-explorer.github.io/MARRS/
CoreGuard: 保障边缘部署中大语言模型的基础能力免受模型窃取攻击
机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of Science and Technology of China（中国科学技术大学） ； College of Computer Science and Technology, Zhejiang Normal University（浙江师范大学计算机科学与技术学院） ； China Electronics Technology Design and Research Institute（中国电子技术设计与研究院）
AI总结 本文提出CoreGuard，一种高效的边缘部署LLM保护方法，通过减少计算和通信开销实现上界安全保护，防止模型窃取和滥用。
Comments Accepted by NeurIPS 2025 Conference
超越局部与外部：一种博弈论框架用于可信知识获取
机构 * Nankai University（南开大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Worcester Polytechnic Institute（沃斯通理工学院） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Indiana University Bloomington（印第安纳大学布利克学院）
AI总结 本文提出GTKA框架，通过博弈论平衡知识效用与隐私，设计隐私感知子查询生成器、对抗重建攻击者和可信本地整合器，减少敏感意图泄露并保持高答案质量。
TexOCR: 提升可编译页面到LaTeX重建的文档OCR模型
机构 * Yale University（耶鲁大学） ； Zhejiang University（浙江大学）
AI总结 本文提出TexOCR-Bench和TexOCR-Train，通过监督微调和强化学习训练出2B参数模型，提升科学PDF到可编译LaTeX的重建能力，验证了可验证奖励在结构和编译指标上的改进。
Comments Accepted by ACL 2026 Main
基于多保真度数字孪生和FMEA知识增强的通用航空飞机智能故障诊断方法
机构 * Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院） ； School of Reliability and Systems Engineering, Beihang University（北京航空航天大学可靠性与系统工程学院） ； Department of Mechanical Engineering, City University of Hong Kong（香港城市大学机械工程系）
AI总结 本文提出基于多保真度数字孪生的智能故障诊断框架，通过高保真飞行动态仿真、FMEA驱动故障注入、多保真残差特征提取和大语言模型增强的可解释报告生成模块，解决通用航空飞机故障诊断中的数据稀缺、故障类型多样和故障特征弱等问题。
通过解耦双流学习和梯度调制实现可靠微服务尾延迟预测
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； Polytechnic Institute, Zhejiang University（浙江大学 polytechnic 院） ； School of Computer Science, University of Sydney（悉尼大学计算机科学学院）
AI总结 本文提出USRFNet框架，通过解耦需求与容量建模，利用图神经网络和门控MLP分别建模流量和资源动态，结合层次张量融合提升预测精度，实验显示在三个真实世界基准上MAPE降低15.62%-26.11%。
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