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。
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