Zhejiang University（浙江大学）

Deep Academic Survey: Stateful Agentic Closed-Loop Paradigm for Academic Survey Automation

深度学术调查：用于学术调查自动化的有状态智能体闭环范式

Zhikai Xu, Zhucun Xue, Teng Hu, Yabiao Wang, Yong Liu, Jiangning Zhang

机构 * Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 该研究提出DAS框架，通过状态智能体闭环实现学术调查自动化，在DAS-Bench基准测试中，其在引用质量等四维度得分及专家评估中均优于现有系统。

Comments Project page: this https URL (https://zhikaixu24.github.io/projects/DAS/) | Code: this https URL (https://github.com/ZhikaiXu24/DAS) | Data: this https URL (https://huggingface.co/datasets/ZhikaiXu24/DAS-2M)

GS-Voxel: Fitting-Free Structured Latents for Large-Scale 3DGS Generation

GS-Voxel：用于大规模3DGS生成的免拟合结构化隐变量

Ming Qian, Zijian Wang, Minchao Sun, Jincheng Xiong, Hang Zhang, Mu Xu, Chi Wang, Baoquan Chen

机构 * Zhejiang University（浙江大学） ； Peking University（北京大学） ； Amap（高德地图） ； Alibaba（阿里巴巴） 纠错

AI总结 GS-Voxel是免拟合结构化隐变量框架，可将预优化3DGS重建转为稀疏活跃体素，通过GS专用VAE编码为稀疏3D隐变量，结合图像条件流模型实现大规模航空3DGS场景生成。

Agent Lightning v1.0: Towards Harnessed Agentic RL

Agent Lightning v1.0：走向可控的智能体强化学习

Zhiyuan He, Siwei Zhang, Zhiwen Zhou, Yuqing Yang, Yu Kang, Yuge Zhang, Luna K. Qiu, Tin Yan Tsui, Jiahang Xu, Chong Luo

机构 * Microsoft（微软） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 研究针对可控智能体强化学习的挑战，推出轻量级框架 Agent Lightning v1.0，经评估可将 Qwen3.5-9B 在 SWE-bench Verified 上的性能提升14.6个百分点，发布完整流程脚本以推进相关可复现研究。

NGS-Marker: Robust Native Watermarking for 3D Gaussian Splatting

NGS-Marker：面向3D高斯溅射（3DGS）的鲁棒原生水印

Hao Qin, Yukai Sun, Luyuan Chen, Mengxu Lu, Feng Zhang, Ming Kong, Zhenhong Du, Qiang Zhu

机构 * Zhejiang University（浙江大学） ； Zhejiang Key Laboratory of Geographic Information Science（浙江省地理信息科学重点实验室） 纠错

AI总结 该研究针对现有3D高斯溅射水印技术无法抵御部分侵权的问题，提出NGS-Marker原生水印框架，通过联合训练的注入器与解码器及梯度渐进注入策略实现全场景覆盖，可抵御部分侵权并支持混合与多模态水印，具备实际部署灵活性。

TEAMS: Text-prompted spatiotEmporal dual-heAd Mamba Snake

TEAMS：文本提示的时空双路头Mamba Snake

Ruicheng Zhang, Jianhui Lei, Kaiwen Shen, Haowei Guo, Jun Zhou, Bin Chen, Mengtang Li, Shen Zhao, Shuo Li

机构 * School of intelligent systems engineering, Sun Yat-sen University（中山大学智能系统工程学院） ； Affiliated Hangzhou First People’s Hospital, Zhejiang University School of Medicine（浙江大学医学院附属杭州市第一人民医院） ； School of Engineering, Case Western Reserve University（凯斯西储大学工程学院） 纠错

AI总结 该研究提出视觉-语言Mamba框架TEAMS，通过三项创新改进深度蛇方法，在五个医学图像数据集上较现有方法取得显著性能提升，可作为多种医学图像分割场景的可靠工具。

Comments Medical Image Analysis (MedIA), 2026, In Press, Online Early Access Available

SPVC: Structured and Panoptic Video Fixing for Cross-Dataset Driving Scene Rendering

SPVC：面向跨数据集驾驶场景渲染的结构化全景视频修复

Gen Li, Shu Han, Yun Xi Qiao, Hua Chen, Xuyang Dai, Bohan Li, Hao Zhao, Chaojian Li

机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Zhejiang University（浙江大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Great Wall Motor Company Limited（长城汽车股份有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出SPVC框架，通过结构化、全景、视频及跨数据集修复原则，训练两阶段可控视频扩散模型，解决驾驶场景渲染的伪影问题，实现跨数据集的高效修复。

Comments Project page: this https URL (https://li00147.github.io/SPVC-Project-Page/)

HiFi-BRep: High-Fidelity Latent Representation for Robust B-Rep Generation

HiFi-BRep：用于鲁棒边界表示（B-Rep）生成的高保真隐式表示

Junhao Hou, Chenqi Luo, Pufan Wang, Jiaying Lu, Yusheng Liu, Feiwei Qin, Meie Fang, Kun Zhou

机构 * Zhejiang University（浙江大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Guangzhou University（广州大学） 纠错

AI总结 HiFi-BRep是一种新型框架，通过拓扑感知编码器与单阶段解码器解决B-Rep生成的脆弱性问题，在结构有效性和几何保真度上优于现有最优方法，提供了鲁棒的B-Rep合成方案。

Comments Accepted to CVPR 2026

SOD: Step-wise On-policy Distillation for Small Language Model Agents

SOD：分步式在线蒸馏用于小型语言模型代理

Qiyong Zhong, Mao Zheng, Mingyang Song, Xin Lin, Jie Sun, Houcheng Jiang, Xiang Wang, Junfeng Fang

机构 * Zhejiang University（浙江大学） ； Large Language Model Department, Tencent（腾讯大语言模型部门） ； 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） 纠错

AI总结 针对小型语言模型中工具集成推理的稳定性问题，提出SOD分步式在线蒸馏框架，通过动态调整蒸馏强度缓解教师信号误导，提升推理性能。

Row-Stochastic Matrices Can Provably Outperform Doubly Stochastic Matrices in Decentralized Learning

行随机矩阵在去中心化学习中可证明优于双随机矩阵

Bing Liu, Boao Kong, Limin Lu, Kun Yuan, Chengcheng Zhao

机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） 纠错

AI总结 本文通过加权希尔伯特空间框架，严格证明了行随机矩阵相比双随机矩阵在去中心化学习中具有更快的收敛速度，并给出了拓扑条件指导设计。