高校专区
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
面向智能体强化学习的轨迹相对事后蒸馏
机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Tencent（腾讯）
AI总结 针对智能体强化学习中事后信号分配不清的问题，提出TRIAL框架，通过轨迹相对步分配优化监督信号，在WebShop、ALFWorld等任务上优于GRPO及多数基线方法，提升了任务性能。
零差距并非恢复：分层逐题概率评估与基准污染的逐步缓解
机构 * Zhejiang University（浙江大学）
AI总结 该研究针对基准测试数据泄露导致的模型评估偏差问题，提出SA-PPG指标与RailCap方法，揭示现有缓解策略的恢复效果被高估，RailCap可实现更低的污染程度。
MemWM：记忆增强的基于文本的世界模型
机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Huawei Heisenberg Research Center（华为海森堡研究中心） ； Zhejiang University（浙江大学） ； Technical University of Munich (TUM)（慕尼黑工业大学） ； TU Berlin（柏林工业大学） ； Kiel University（基尔大学）
AI总结 该研究提出记忆增强的基于文本的世界模型MemWM，通过引入世界记忆解决世界模型的系统性预测错误，在ALFWorld等基准上提升智能体规划成功率与效率。
PHASE-Tree：建模长回合角色扮演对话中的角色状态演化
机构 * MemTensor (Shanghai) Technology（MemTensor（上海）科技） ； KU Leuven（鲁汶大学） ； Zhejiang University（浙江大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Sinar Mas Paper (China) Investment Co., Ltd（金光纸业（中国）投资有限公司） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 针对长回合角色扮演对话的角色状态演化问题，提出多时间尺度角色状态树模型PHASE-Tree，构建基准LongEvoRoleBench并验证其在角色生成任务上的性能优势。
对关键投票的忽视：聚合独立性指标遗漏了验证真正有帮助的地方
机构 * Zhejiang University（浙江大学）
AI总结 该研究发现 LLM 评委组的准确率提升集中在关键查询上，提出的按边际分层的单票替换规则可有效提升整体准确率，且总体依赖性诊断与分层效用互补。
科学边缘评估：SEE——迈向真实科学发现的缺失环节
机构 * Alibaba Group（阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； University of Alberta（阿尔伯塔大学） ； Zhejiang University（浙江大学）
AI总结 该研究构建多模态基准SEE评估19个MLLMs，发现其仅达48.7%准确率，通用模型优于专用模型，工具使用可提至52.7%但仍难实现科学发现所需的证据约束推断，需从解释转向推导。
时空敏捷性：面向视觉引导的动态四足机器人拦截的时间约束强化学习
机构 * Zhejiang University（浙江大学） ； LimX Dynamics Technology Co., Ltd.（灵蜥动力科技有限公司）
AI总结 本文针对四足机器人动态接球任务，提出结合视觉模块与直接目标条件RL策略的集成框架，构建实时闭环拦截系统，提升了接球成功率并减小了sim-to-real性能差距。
SkillAligner：在执行时将检索到的技能视为可调整的草稿
机构 * Zhejiang University（浙江大学）
AI总结 SkillAligner是无训练的执行时技能适配框架，将检索技能视为可调整草稿，经联合适配整合为执行指南，在多基准实验中提升任务性能、降低退化与推理成本。
Comments 21 pages, 5 figures
MemPrism：面向长程智能体的任务条件关系记忆视图
机构 * Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 该研究针对长程智能体记忆系统的表示不匹配问题，提出MemPrism任务条件关系记忆框架，经实验验证可提升长程任务性能、减少记忆消耗且视图策略可跨VLM迁移。
TIDE: 任务隔离扩散模型用于统一视频编辑与生成
机构 * Zhejiang University（浙江大学） ； Bilibili Inc.（哔哩哔哩股份有限公司）
AI总结 提出TIDE统一框架，通过逐token任务嵌入和双路径条件机制，实现指令编辑、参考编辑和多参考生成，在多任务渐进训练下达到SOTA性能。
STRONG-VLA: 多模态扰动下视觉-语言-动作模型的解耦鲁棒性学习
机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Xidian University（西安电子科技大学）
AI总结 本文提出STRONG-VLA框架，通过解耦鲁棒性学习与任务对齐优化，提升多模态扰动下的视觉-语言-动作模型鲁棒性与任务执行精度。
ReLU神经网络对Korobov函数的某些超逼近率
机构 * School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院）
AI总结 本文研究ReLU神经网络对Korobov函数的逼近误差，推导出近最优的超逼近误差界，改进了经典误差界并展示了神经网络的表达能力不受维度灾难影响。
Journal ref Communications in Mathematical Sciences, Vol. 24, Issue 8 (2026), pp. 2159-2186
上下文源码与信道编码
机构 * College of Information Science and Electronic Engineering, Zhejiang University（信息科学与电子工程学院，浙江大学） ； Zhejiang Lab（浙江实验室） ； Macau University of Science and Technology, China（澳门科学理工学院，中国）
AI总结 本文提出一种接收端上下文解码框架，通过改进SSCC的鲁棒性，在不修改发射端的情况下提升低信噪比下的传输性能。
UniREditBench: 一个基于推理的图像编辑统一基准
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Zhejiang University（浙江大学） ； UC Berkeley（伯克利大学）
AI总结 UniREditBench通过多模态双参考评估和大规模合成数据集，提升图像编辑模型在复杂推理场景中的评估可靠性与性能表现。
Comments Project page: https://maplebb.github.io/UniREditBench
MotionStrata：用于紧凑视频自编码的分层运动隐变量
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Li Auto ； Zhejiang Lab（浙江实验室） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室）
AI总结 MotionStrata将运动预算分为全局与详细运动，在不增维度下实现分层表示，压缩时重建质量优于其他方法，为紧凑视频自编码提供新设计原则。
EnvACE：通过世界预演内化环境动态以实现智能体强化学习
机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Sun Yat-sen University（中山大学） ； Central South University（中南大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tencent Inc.（腾讯公司）
AI总结 本文提出 EnvACE 方法，以世界预演替代外部环境交互训练 LLM 智能体，在多基准测试中性能优于基线，可突破外部环境约束扩展 LLM 智能体训练。
AgentOPSD：面向智能体强化学习的递归自蒸馏方法
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Meituan（美团）
AI总结 提出 AgentOPSD 这一无 critic 的递归自蒸馏方法，用于智能体强化学习的轮次级 credit 分配，在 ALFWorld 等数据集上优于 GRPO 等基线，在 Qwen2.5-7B 模型上实现 ALFWorld 89.1% 的成功率。
Comments Code: https://github.com/ZethWang/AgentOPSD
Vorch-Director：基于噪声感知误差校正的交互式世界故事模型
机构 * Vorch Team（Vorch团队） ； Zhejiang University（浙江大学）
AI总结 Vorch-Director是一种噪声感知残差校正策略，基于LTX-2扩散Transformer，可提升视听长视频生成的稳定性与保真度，支持多镜头、多主体的参考引导生成。
Comments Project page: https://vorch-project.github.io/Vorch-Director-project
GST-Bench：视觉语言模型能否从视频中发展出全局空间感知能力？
机构 * ByteDance Seed（字节跳动 Seed） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 该研究提出GST-Bench基准评估VLMs的视频全局空间感知，发现其与人类存在显著差距，构建GST-Bench-Local探究原因，还提供GST-Train数据集助力相关研究。
声驱动毫米级螺旋机器人：受限流体环境中的超声协同操控
机构 * Zhejiang University（浙江大学） ； Huzhou Institute of Zhejiang University（浙江大学湖州研究院） ； Huzhou Normal University（湖州师范学院） ； Huzhou Vocational and Technical College（湖州职业技术学院）
AI总结 该研究提出协调多声场方法，利用声辐射力与声流协同实现毫米级螺旋机器人在受限流体环境的可控运动，提升了操控性，为相关生物医学应用提供支撑。
一次响应，始终是响应：通过潜在提示恢复检测大语言模型生成的文本
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
AI总结 针对现有零样本LLM生成文本检测器未考虑LLM训练过程的问题，提出无训练检测器EchoPrompt，通过潜在提示恢复实现零样本检测，在零样本检测器中达SOTA性能且稳健性强。
Comments 17 pages, 7 figures
上下文强制：揭示自回归视频扩散中的上下文效应
机构 * School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院） ； Tencent Youtu Lab（腾讯云图实验室） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
AI总结 针对自回归视频扩散模型依赖干净帧导致的时间一致性差等问题，提出In-Context Forcing方法，通过递减噪声水平的上下文实现自适应指导，兼具时间一致性与动态性，还可并行去噪加速推理，在VBench上性能优于SOTA。
EA-Nav：通过具身感知学习安全的视觉导航策略
机构 * Zhejiang University（浙江大学） ； Wuhan University（武汉大学） ； Hunan University（湖南大学） ； D-Robotics（D机器人公司）
AI总结 针对跨具身导航挑战，提出基于模仿学习的具身感知导航框架，通过模块化多阶段设计，预训练构建数据集并引入具身几何，微调设计多模态信息注入机制，有效提高不同具身设置下的导航性能。
MAC 2026：推动微动作分析迈向细粒度理解
机构 * United Arab Emirates University（阿联酋大学） ； Hefei University of Technology（合肥工业大学） ； University College London（伦敦大学学院） ； Zhejiang University（浙江大学） ； University of Oulu（奥卢大学） ； CMVS, University of Oulu（奥卢大学计算机视觉与媒体研究中心）
AI总结 本文介绍第三届MAC 2026，以从识别到细粒度微动作理解为主题，扩大挑战范围，引入新任务并借助多模态大语言模型评估，总结了相关数据集、设置、结果等，还探讨了微动作分析未来方向及在视频理解中的作用。
Comments Challenge Summary Paper of the 3rd Micro-Action Analysis Grand Challenge (MAC 2026) at ACM Multimedia 2026
Tactile-WAM：具有触觉非对称注意力的触觉感知世界动作模型
机构 * Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
AI总结 针对接触丰富操作中视觉预测不完整的问题，提出Tactile-WAM，通过触觉非对称注意力机制（TAAM）在保护视觉预测的同时利用触觉信息生成动作，整体成功率提升38.9%。
Comments Submitted to RSS2026 WorkShop Tactile for FM
DVAR：对抗性多智能体辩论用于视频真实性检测
机构 * Zhejiang University（浙江大学） ； Guangming Lab（光明实验室）
AI总结 DVAR通过多智能体辩论框架，将视频真实性检测转化为结构化推理过程，利用生成假设代理与自然机制代理的竞争，结合MDL框架和GenVideoKB知识库，实现对未知生成架构的强泛化能力。
Comments 9 pages
MMaDA-VLA: 基于统一多模态指令与生成的大型扩散视觉-语言-动作模型
机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； East China University of Science and Technology（华东理工大学） ； Huawei Celia Team（华为Celia团队） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； OpenHelix Robotics
AI总结 本文提出MMaDA-VLA模型，通过统一多模态理解与生成框架，解决机器人操控中的时序不一致和长周期误差累积问题，实现高效视觉-语言-动作生成。
Comments Accepted by ACM MM 2026
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