高校专区
Sci-VBench：面向科学领域知识与推理密集型视频生成的评估
机构 * Zhejiang University（浙江大学） ； UCAS（中国科学院大学） ； Tongji University（同济大学） ； Yale University（耶鲁大学）
AI总结 该研究推出Sci-VBench基准，评估科学领域视频生成，测试16个模型后发现，视觉真实感提升未转化为科学与因果动态建模能力，且专有模型性能优于开源模型。
Comments COLM 2026
从诊断到修正：真实世界表格解析的基准测试与改进
机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Peking University（北京大学）
AI总结 本文针对真实世界表格解析的缺陷，构建诊断基准TableParseMap，提出DEC框架，无需重训即可提升冻结解析器性能，在TableParseMap上TEDS获显著提升。
ADOPD：面向多模态大语言模型（MLLM）的工业异常检测的参考特权在线策略蒸馏
机构 * Zhejiang University（浙江大学）
AI总结 本研究针对工业异常检测问题，提出ADOPD参考特权在线策略蒸馏框架，通过参考感知教师监督仅查询的学生模型，在MMAD基准零样本推理下获77.31%平均准确率，优于Qwen3-VL-4B主干及其一样本设置。
AirFlow：面向空气质量预测的上下文保留与多速率状态建模
机构 * School of Software Technology, Zhejiang University（浙江大学软件学院）
AI总结 AirFlow是一种基于站点多元观测的双流空气质量预测框架，通过统计引导归一化路由和分层双流状态模型，在36项指标中获34项最优，参数与计算开销低，性能优于现有方法。
Comments 19 pages, 9 figures
用工具思考，而非用像素思考：工具调用作为视觉推理的文本支架
机构 * Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学）
AI总结 该研究提出工具调用支架假设，引入TextCall方法验证返回图像冗余，仅用结构化文本支架即可实现视觉推理，降低延迟并消除工具API调用，结论适用于现有相关基准。
RealDenseFace：基于密集UV空间先验的实时单目3D人脸重建
机构 * Zhejiang University（浙江大学）
AI总结 RealDenseFace是一种基于优化的实时单目3D人脸重建方法，通过定制高斯-牛顿求解器实现快速收敛，在NeRSemble SVFR基准上精度顶尖，在线跟踪帧率超80 FPS，离线序列重建速度较基线快20倍以上。
智能体路由器：一种基于执行的带记忆的持续学习方法
机构 * Zhejiang University（浙江大学） ； Zhejiang Lab（之江实验室） ； State Grid Hebei Electric Power Co., Ltd.（国网河北省电力有限公司） ； Macau University of Science and Technology（澳门科技大学）
AI总结 该研究针对CLI-based SONiC操作，提出基于执行的双路径后果感知智能体，通过生成动作、预测后果、重排序选择，提升可行动作覆盖度与执行成功率，两条路径互补增益。
ROEVO：基于RGB-D相机的鲁棒结构化边缘特征视觉里程计
机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
AI总结 本研究提出基于结构化边缘特征的视觉里程计系统，设计专用跟踪与联合优化方法，在室内环境中实现高精度鲁棒的视觉里程计，性能优于或媲美现有先进方法。
基于旅游视频先验的面向目标的导航指令生成
机构 * Uni-Ubi AI（优必爱人工智能） ； Zhejiang University（浙江大学） ； Tongji University（同济大学）
AI总结 本研究提出面向目标的视频 grounding 导航指令生成任务VideoNIG，设计两阶段课程学习框架解决该任务，实验表明其可提升指令质量，集成VLN智能体后可实现端到端导航。
VoxZip：面向长上下文音频推理的语义锚定时序KV缓存压缩
机构 * Zhejiang University（浙江大学） ； Meituan（美团）
AI总结 针对语音大语言模型长上下文推理的KV缓存内存瓶颈，提出无训练两阶段语义锚定框架VoxZip，在多音频基准上实现高效压缩，维持高性能并提升推理效率。
当技能与安全相遇：对技能合并大语言模型的自适应越狱鲁棒性进行基准测试与表征
机构 * Google（谷歌公司） ； University of New South Wales（新南威尔士大学） ； University of Technology Sydney（悉尼科技大学） ； Zhejiang University（浙江大学） ； Australian National University（澳大利亚国立大学）
AI总结 本研究针对技能合并大语言模型，构建SkillSafe-Bench基准，发现静态安全无法预测其自适应越狱鲁棒性，提出SubSafe-Merge方法可在保留能力的同时消除安全侵蚀。
重新思考脉冲Transformer中的注意力局部性
机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Peking University（北京大学）
AI总结 该研究针对脉冲Transformer中注意力局部性的问题，提出带边界连续性通路的空间连续局部注意力（SCLA-BCP）及分层部署策略，在7个静态和神经形态数据集上实现了检测、分割等任务的性能提升。
Comments 17 pages, 7 figures
ERF-GS：从不相交的事件-RGB视点重建快速运动
机构 * The University of Hong Kong（香港大学） ； Zhejiang University（浙江大学）
AI总结 ERF-GS框架将事件信息融入高斯溅射流水线，脱离RGB输入实现基于事件的学习，在含模糊帧和不相交视点的数据集上，性能优于4DGS与E-D3DGS，可用于复杂自然视频的快速运动重建。
Comments 18 pages, 12 figures
Evidence-RL：面向证据密集型视觉推理
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Tencent（腾讯）
AI总结 针对视觉-语言模型依赖语言先验等问题，提出反事实证据解缠方法，结合GRPO框架在9个基准和4种骨干模型上优于现有基于RL的后训练方法。
Comments 22 pages, 10 figures
SportsGrounder：用于密集体育视频推理的提案辅助交错定位框架
机构 * Zhejiang University（浙江大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 针对LMMs难以处理密集体育视频细粒度推理的问题，提出SportsGrounder框架，结合IGF机制与AAS模块，在SoccerNet等数据集上实现最优准确率。
Comments ACMMM 2026
REIN：通过反思与弃权对齐缩小推理与可靠性之间的差距
机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 REIN是一个对齐框架，通过训练大型推理模型生成结构化推理序列，引入奖励机制鼓励模型在无正确推理链时弃权，在单次前向传播中减少幻觉、提升选择性准确率并保持高覆盖率。
Comments 26 pages and 22 figures
伪造的同行判断会误导多模态大语言模型（LLM）评判小组：无来源锚定与小组共识验证
机构 * Zhejiang University（浙江大学）
AI总结 研究发现多模态LLM评判小组存在无来源锚定的文本攻击面，伪造同行判断可误导判决，提出的小组共识验证方法能有效阻断此类攻击并降低损害。
SmartMage：面向3D场景理解的动态模态编排
机构 * Zhejiang University（浙江大学） ； Stanford University（斯坦福大学）
AI总结 本文针对现有MLLMs采用固定模态组合的缺陷，提出SmartMage模型，通过SMART和MAGE模块动态编排模态，在5个3D场景理解基准上取得最优性能，在RGB视频理解基准上表现具竞争力。
Comments Accepted to ACM MM 2026
RoMeRL：通过降阶效用状态平衡自进化智能体记忆中的反馈覆盖与记忆-奖励陷阱
机构 * Nanjing University（南京大学） ； Xiamen University（厦门大学） ； Zhejiang University（浙江大学）
AI总结 RoMeRL通过降阶效用状态解决自进化LLM智能体记忆的反馈分散与记忆-奖励陷阱问题，在ALFWorld等基准上显著提升任务性能、降低记忆规模与LLM调用
UI-MOPD：用于持续GUI智能体学习的多平台策略蒸馏
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Xiaomi（小米） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Zhejiang University（浙江大学） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 针对构建多平台GUI智能体的挑战，构建高质量数据集Uni-GUI，提出UI-MOPD方法，通过多教师策略蒸馏实现持续学习，动态选教师并转移行为先验，实验证明其能平衡跨平台能力保留与新平台适应。
Comments Technical report. 27 pages, 7 figures, 7 tables
全栈FP4：通过量化投影、优化器和注意力进行稳定的语言模型预训练
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Sichuan University（四川大学） ； Beijing Zhongguancun Academy（北京中关村科学院） ； Zhejiang University（浙江大学） ； Beijing Key Laboratory of Brain-Inspired General Intelligence Large Model（北京脑科学与类脑研究中心通用人工智能大模型北京市重点实验室） ； Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology（脑认知与脑机智能技术重点实验室）
AI总结 研究针对4位预训练中优化器状态等未充分探索的问题，提出全栈FP4框架。通过模块精度策略解决稳定性瓶颈，如用LoRA-SVD抑制量化噪声，设计优化器变换，采用混合精度方案，实现稳定高效的端到端预训练。
Comments Fix experiment bugs and some statement, update current developed hardware efficiency result on 5090
SpotSound: 通过细粒度时间定位增强大音频-语言模型
机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； SAI, Shanghai Jiao Tong University（上海交通大学人工智能院）
AI总结 SpotSound通过引入新的训练目标和挑战性基准，提升了大音频-语言模型在时间定位任务中的性能，同时保持了通用任务的鲁棒性。
PhyEdit: 通过物理基础图像编辑实现真实世界物体操作
机构 * ReLER, CCAI, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室人工智能研究所ReLER实验室）
AI总结 PhyEdit通过结合显式几何模拟与2D-3D监督，提升图像编辑中物理准确性和操作一致性，引入RealManip-10K数据集和ManipEval基准测试，优于现有方法。
Comments Code: https://github.com/nenhang/PhyEdit
考虑不确定性的4D高斯点散布用于单目遮挡人体渲染
机构 * Zhejiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出U-4DGS框架，通过概率变形网络和联合光栅化流程，在异方差观测噪声下实现最大后验估计，解决单目视频中遮挡导致的高保真动态人体渲染问题。
SNR-Edit: 基于结构的噪声校正用于无反向的流式编辑
机构 * State Key lab of CAD\&CG, Zhejiang University（CAD与CG国家重点实验室，浙江大学） ； UniTTEC Co. Ltd.（UniTTEC有限公司） ； Research center, Ningbo Meidong Container Terminal Co.,Ltd.（宁波梅东集装箱码头有限公司研究中心）
AI总结 SNR-Edit通过自适应噪声控制实现无反向的流式编辑，提升潜在轨迹的结构保真度，同时保持高效率。
VCU-Bridge: 通过语义桥梁实现层次化视觉隐喻理解
机构 * Zhejiang University（浙江大学） ； Peking University（北京大学） ； Sun Yat-sen University（中山大学） ； CUHK（香港中文大学）
AI总结 VCU-Bridge通过语义桥梁实现层次化视觉隐喻理解，构建了HVCU-Bench基准，并展示了提升MLLM能力的显著效果。
NeuroBreak：揭示大语言模型的内部越狱机制
机构 * Zhejiang University（浙江大学）
AI总结 NeuroBreak是一个自上而下的大语言模型越狱分析系统，可分析神经元级安全机制、关键神经元，经评估验证了有效性，为开发下一代防御策略提供机制见解。
Comments 11 pages, 10 figures. Accepted to IEEE VIS 2026
用于跨场景泛化的类比学习：框架及在智能定位中的应用
机构 * College of Information Science and Electronic Engineering（信息科学与电子工程学院） ； Zhejiang University（浙江大学） ； Zhejiang Provincial Key Laboratory of Multi-modal 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）
AI总结 提出类比学习框架，结合参考系与相对性概念构建Mateformer架构，应用于智能无线定位，在多场景数据集上实现波长级定位精度，提升跨场景泛化能力。
Comments Code is available at https://github.com/ziruichen-research/ALLoc
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