Zhejiang University（浙江大学）

AesRM: Improving Video Aesthetics with Expert-Level Feedback

AesRM：通过专家级反馈提升视频美学

Yujin Han, Yujie Wei, Yefei He, Xinyu Liu, Tianle Li, Zichao Yu, Andi Han, Shiwei Zhang, Tingyu Weng, Difan Zou

机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Sydney（悉尼大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出AesRM框架，通过分解视频美学为视觉美学、视觉保真度和视觉合理性三个维度，构建了专家标注的AesVideo-Bench基准，并开发了AesRM-Base和AesRM-CoT模型，提升了视频美学评估的准确性和可解释性。

Comments 37 pages, 14 figures, 12 tables

From Mirage to Grounding: Towards Reliable Multimodal Circuit-to-Verilog Code Generation

从幻象到基础：迈向可靠的多模态电路到Verilog代码生成

Guang Yang, Xing Hu, Xiang Chen, Xin Xi

机构 * State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security, Hangzhou（杭州高新技术区（滨江）区块链与数据安全研究院，杭州） ； School of Artificial Intelligence and Computer Science, Nantong University（人工智能与计算机科学学院，南通大学） 纠错

AI总结 本文提出VeriGround模型，通过标识符匿名化、拒绝增强和D-ORPO对齐，解决了多模态模型在电路到Verilog代码生成中的可靠性问题，验证了真实视觉基础的重要性。

Efficient Sparse Selective-Update RNNs for Long-Range Sequence Modeling

高效稀疏选择性更新RNN用于长距离序列建模

Bojian Yin, Shurong Wang, Haoyu Tan, Sander Bohte, Federico Corradi, Guoqi Li

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Eindhoven University of Technology（埃因霍温理工大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出选择性更新RNN，通过神经元层面的二进制开关，在输入冗余时保留记忆，从而解决RNN的记忆衰减问题，实验证明其在长距离序列建模中具有高效性和准确性。

APPSI-139: A Parallel Corpus of English Application Privacy Policy Summarization and Interpretation

APPSI-139: 一个平行语料库，用于英语应用隐私政策的摘要与解释

Pengyun Zhu, Qiheng Sun, Long Wen, Yanbo Wang, Yang Cao, Junxu Liu, Deyi Xiong, Jinfei Liu, Zhibo Wang, Kui Ren

机构 * Tianjin University（天津大学） ； Zhejiang University（浙江大学） ； North University of China（北方工业大学） ； Institute of Science Tokyo（东京科学研究所） ； The Hong Kong Polytechnic University（香港理工大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院） 纠错

AI总结 本文提出APPSI-139平行语料库，包含139个隐私政策及15,692个改写语料，结合TCSI-pp-V2框架提升摘要与解释的可读性与可靠性，优于GPT-4o等大模型。

Comments Accepted to ACL 2026 Main Conference

End-to-end autonomous scientific discovery on a real optical platform

端到端自主科学发现于真实光学平台

Shuxing Yang, Fujia Chen, Rui Zhao, Junyao Wu, Yize Wang, Haiyao Luo, Ning Han, Qiaolu Chen, Yuze Hu, Wenhao Li, Mingzhu Li, Hongsheng Chen, Yihao Yang

机构 * State Key Laboratory of Extreme Photonics and Instrumentation, College of Information Science and Electronic Engineering, ZJU-Hangzhou Global Scientific and Technological Innovation Center, The Electromagnetics Academy at Zhejiang University, Zhejiang University（极端光子学与仪器国家重点实验室，信息科学与电子工程学院，浙大杭州国际科学技术创新中心，浙江大学电磁学学院，浙江大学） 纠错

AI总结 本文提出Qiushi Discovery Engine，通过非线性研究阶段、Meta-Trace记忆和双层架构，在真实光学平台实现端到端自主科学发现，首次实验验证了非平凡物理机制。

Comments 25 pages, 4 figures

MEG-RAG: Quantifying Multi-modal Evidence Grounding for Evidence Selection in RAG

MEG-RAG: 多模态证据 grounding 的量化研究以提升 RAG 中的证据选择

Xihang Wang, Zihan Wang, Chengkai Huang, Quan Z. Sheng, Lina Yao

机构 * Institute for Clarity in Documentation（清晰文档研究所） ； Inria Paris-Rocquencourt（巴黎- Rocquencourt 国家信息与自动化研究所） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； University of New South Wales（新南威尔士大学） ； Macquarie University（麦考瑞大学） ； CSIRO’s Data61（CSIRO 数据61） 纠错

AI总结 本文提出 MEG-RAG 框架，通过语义感知的多模态证据 grounding 方法提升 RAG 中的证据选择准确性与多模态一致性。

EAG-PT: Emission-Aware Gaussians and Path Tracing for Diffuse Indoor Scene Reconstruction and Editing

EAG-PT：考虑发射的高斯和路径追踪用于漫反射室内场景重建与编辑

Xijie Yang, Mulin Yu, Changjian Jiang, Kerui Ren, Tao Lu, Jiangmiao Pang, Dahua Lin, Bo Dai, Linning Xu

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 EAG-PT通过统一的2D高斯表示实现室内场景的物理重建与渲染，支持可编辑的漫反射全局光照，结合高效单次反弹优化和高质量多次反弹路径追踪，优于现有方法。

Comments SIGGRAPH 2026 Conference Paper; Project Page: https://eag-pt.github.io