Thinking with Programming Vision: Towards a Unified View for Thinking with Images
通过编程视觉思考：迈向图像思考的统一视角
机构 * Zhejiang University（浙江大学） ； ByteDance BandAI（字节跳动BandAI）
AI总结 CodeVision提出一种灵活的代码作为工具框架，通过两阶段训练提升模型对图像变化和多工具推理的鲁棒性，实验显示显著提升性能并促进新兴能力。
高校专区
Zhejiang University（浙江大学）
Context-Aware Hierarchical Learning: A Two-Step Paradigm towards Safer LLMs
上下文感知的分层学习：一种更安全LLM的两阶段范式
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Harbin Institute of Technology（哈尔滨工业大学） ； Great Bay University（大贝大学） ； Zhejiang University（浙江大学）
AI总结 本文提出上下文感知分层学习（CAHL）以提升LLM对工具完成攻击的鲁棒性，通过动态平衡语义理解和指令约束，有效增强模型安全性。
When Harmful Content Gets Camouflaged: Unveiling Perception Failure of LVLMs with CamHarmTI
当有害内容被伪装时：通过CamHarmTI揭示LVLMs的感知失败
机构 * Zhejiang University（浙江大学）
AI总结 本文提出CamHarmTI基准，揭示LVLMs在识别伪装有害内容时的感知不足，并通过微调提升模型性能。
MagicView: Multi-View Consistent Identity Customization via Priors-Guided In-Context Learning
MagicView: 通过先验引导的上下文学习实现多视角一致的身份定制
机构 * Zhejiang University（浙江大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Qualcomm Inc.（高通公司）
AI总结 MagicView 通过先验引导的上下文学习实现多视角一致的身份定制，有效提升多视角一致性与文本对齐能力。
MemOS: A Memory OS for AI System
MemOS：人工智能系统中的内存操作系统
机构 * MemTensor (Shanghai) Technology Co., Ltd.（MemTensor（上海）科技有限公司） ； Institute for Advanced Algorithms Research, Shanghai（上海先进算法研究所） ； Research Institute of China Telecom（中国电信研究院） ； Tongji University（同济大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Renmin University of China（中国人民大学） ； Beihang University（北航） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 MemOS是一种面向人工智能系统的内存操作系统，通过统一管理不同类型的内存资源，提升长上下文推理和持续个性化的能力。
Comments 36 pages, 10 figures, 5 tables
MERIT: Multilingual Semantic Retrieval with Interleaved Multi-Condition Query
MERIT: 多语言语义检索与交错多条件查询
机构 * Zhejiang University（浙江大学）
AI总结 MERIT提出首个多语言交错多条件语义检索数据集，通过Coral框架提升检索性能45.9%，并验证了其在多个基准上的泛化能力。
Comments NeurIPS 2025; Project Page, Code, and Dataset at: https://merit-2025.github.io/
A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions
推荐去学习的综述：基本原理、分类、评估和开放问题
机构 * School of Communication Engineering, Hangzhou Dianzi University（杭州电子科技大学通信工程学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Hong Kong Polytechnic University, Academy for AI（香港理工大学人工智能学院）
AI总结 本文综述了推荐去学习的基本原理、分类、评估方法及开放问题，旨在推动更高效、可扩展的去学习技术发展。
Comments Accepted by TKDE
ViSAudio: End-to-End Video-Driven Binaural Spatial Audio Generation
ViSAudio：端到端视频驱动的双耳空间音频生成
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） ； Shanghai Innovation Institute（上海创新研究院） ； Stanford University（斯坦福大学） ； Beihang University（北航） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 ViSAudio通过端到端双耳空间音频生成框架，从静音视频直接生成高质量空间音频，提升空间沉浸感和适应性。
UnicEdit-10M: A Dataset and Benchmark Breaking the Scale-Quality Barrier via Unified Verification for Reasoning-Enriched Edits
UnicEdit-10M: 一个通过统一验证打破规模-质量壁垒的数据集和基准
机构 * Zhejiang University（浙江大学） ； WeChat Vision, Tencent Inc.（腾讯微信视觉团队） ； Shanghai Jiao Tong University（上海交通大学） ； Xinjiang University（新疆大学）
AI总结 UnicEdit-10M通过统一验证方法构建大规模高质量数据集和基准，解决图像编辑中规模与质量的矛盾，评估模型在空间和知识推理中的表现。
Comments 31 pages, 15 figures, 12 tables
3DIS: Depth-Driven Decoupled Instance Synthesis for Text-to-Image Generation
3DIS: 基于深度的解耦实例合成用于文本到图像生成
机构 * CCAI, Zhejiang University（中国浙江大学计算机辅助智能学院）
AI总结 3DIS提出了一种基于深度的解耦实例合成方法，通过分阶段生成场景深度图和渲染细粒度属性，提升文本到图像生成中多实例的布局精度和属性渲染效果。
Comments 10 pages
WeMMU: Enhanced Bridging of Vision-Language Models and Diffusion Models via Noisy Query Tokens
WeMMU: 通过噪声查询标记增强视觉-语言模型与扩散模型的桥梁
机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（脑启发智能感知与认知联合实验室，中国科学技术大学） ； ZheJiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 WeMMU通过噪声查询标记和VAE分支，提升视觉-语言模型与扩散模型的连接效率，缓解泛化崩溃问题，实现稳定持续学习。
Ada-MoGE: Adaptive Mixture of Gaussian Expert Model for Time Series Forecasting
Ada-MoGE：一种自适应高斯专家混合模型用于时间序列预测
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； Zhejiang University（浙江大学）
AI总结 Ada-MoGE通过自适应确定专家数量和高斯带通滤波优化，提升时间序列预测的精度与效率。
Feature-Based Semantics-Aware Scheduling for Energy-Harvesting Federated Learning
基于特征的语义感知调度用于能量收集联邦学习
机构 * Department of Computer and Information Science（计算机与信息科学系） ； Linköping University（林奈技术大学） ； Department of Information Engineering（信息工程系） ； University of Brescia（布雷西亚大学） ； ZJU-UIUC Institute（浙大-伊利诺伊大学联合研究所） ； Zhejiang University（浙江大学）
AI总结 本文提出了一种基于特征的语义感知调度框架，通过引入版本年龄信息度量标准，有效降低计算复杂性，提升能量收集联邦学习的效率和性能。
Comments This paper is currently under review for presentation at a peer-reviewed conference
An Empirical Study of Agent Developer Practices in AI Agent Frameworks
关于AI代理框架中代理开发者实践的实证研究
机构 * Sun Yat-sen University（中山大学） ； Zhejiang University（浙江大学） ； The University of Melbourne（墨尔本大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文通过实证研究分析了基于LLM的代理框架在开发效率、功能抽象、学习成本、性能优化和可维护性方面的差异，揭示了开发者在选择和使用框架时的挑战与需求。
Deconstructing Generative Diversity: An Information Bottleneck Analysis of Discrete Latent Generative Models
解构生成多样性：基于信息瓶颈理论的离散潜在生成模型分析
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出基于信息瓶颈理论的框架，分析离散潜在生成模型中生成多样性的来源，并揭示了三种不同的策略：多样性优先、压缩优先和解耦。
Beyond Scaffold: A Unified Spatio-Temporal Gradient Tracking Method
超越架设：一种统一的时空梯度跟踪方法
机构 * Division of Decision and Control Systems, School of EECS, KTH Royal Institute of Technology（决策与控制系统系，皇家理工学院） ； College of Control Science and Engineering, Zhejiang University（控制科学与工程学院，浙江大学）
AI总结 ST-GT通过统一时空梯度跟踪方法，有效缓解数据异质性和局部梯度噪声，实现强凸问题的线性收敛和非凸问题的次线性收敛，提升通信效率。
Comments 13 pages
EGG-Fusion: Efficient 3D Reconstruction with Geometry-aware Gaussian Surfel on the Fly
EGG-Fusion: 基于几何感知高斯surfel的高效实时3D重建
机构 * State Key Lab of CAD\&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； SenseTime Research（商汤科技研究院）
AI总结 EGG-Fusion提出一种基于几何感知高斯surfel的实时3D重建系统，通过信息滤波融合方法提升精度和实时性，实现20%以上的精度提升。
Comments SIGGRAPH ASIA 2025
Large Language Models Cannot Reliably Detect Vulnerabilities in JavaScript: The First Systematic Benchmark and Evaluation
大语言模型无法可靠地检测JavaScript中的漏洞：首个系统性基准和评估
机构 * Lanzhou University（兰州大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Technology Support Center of the Cyberspace Administration of China（国家互联网信息办公室技术支撑中心） ； Fudan University（复旦大学） ； Beijing University of Posts（北京邮电大学）
AI总结 本文首次提出FORGEJS框架，构建首个系统性JavaScript漏洞检测基准ARENAJS，并揭示LLM在漏洞检测中的局限性。
COMET: A Dual Swashplate Autonomous Coaxial Bi-copter AAV with High-Maneuverability and Long-Endurance
COMET：一种双摆臂自主 coaxial 双旋翼 AAV，具有高机动性和长续航能力
机构 * the School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院） ； Research Institute of Multiple Agents and Embodied Intelligence, Peng Cheng Laboratory（多智能体与具身智能研究院，鹏城实验室） ； State Key Laboratory of Industrial Control Technology, Zhejiang University（工业控制技术国家重点实验室，浙江大学） ； Differential Robotics Technology Co., Ltd.（差分机器人技术有限公司）
AI总结 COMET 是一种具有双摆臂机制的 coaxial 双旋翼 AAV，通过优化效率和机动性，实现了高续航能力与稳定飞行性能。
Comments 8 pages, 8 figures, accepted at IEEE RA-L
Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization
多评分者医学图像分割的概率建模用于多样性和个性化
机构 * Zhejiang University（浙江大学） ； University of Cambridge（剑桥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ProSeg通过概率建模实现医学图像分割的多样化和个性化，结合专家偏好和边界模糊性，提升分割结果的多样性和个性化水平。
Learning to Hear by Seeing: It's Time for Vision Language Models to Understand Artistic Emotion from Sight and Sound
通过视觉学习听觉：现在是让视觉语言模型理解艺术情感的时候了
机构 * Zhejiang University（浙江大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 VAEmotionLLM通过两阶段框架，利用有限音频预训练使视觉语言模型理解艺术中的多模态情感
Multi-Agent Conditional Diffusion Model with Mean Field Communication as Wireless Resource Allocation Planner
多智能体条件扩散模型与均场通信作为无线资源分配规划器
机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Zhejiang University-University of Illinois Urbana-Champaign (ZJU-UIUC) Institute, Zhejiang University（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合研究所） ； Department of Engineering, King’s College London（伦敦国王学院工程系）
AI总结 多智能体条件扩散模型与均场通信用于无线资源分配规划，通过扩散模型和逆动态模型提升样本效率与策略可扩展性，理论保证收敛稳定性，实验显示在无线网络优化中表现优异。
TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning
TRiCo：三元博弈协同训练用于鲁棒半监督学习
机构 * University of Warwick（沃里克大学） ； Emory University（埃默里大学） ； University of Minnesota – Twin Cities（明尼苏达大学双城分校） ； ANU（澳大利亚国立大学） ； Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； UCSD（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学）
AI总结 TRiCo通过三元博弈协同训练框架提升半监督学习的鲁棒性和性能，实现更稳健的伪标签选择和决策边界优化。
Comments Accepted by NeurIPS 2025
Ensuring Force Safety in Vision-Guided Robotic Manipulation via Implicit Tactile Calibration
通过隐式触觉校准确保视觉引导的机器人操作中的力安全
机构 * Sun Yat-sen University（中山大学） ； UC San Diego（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学）
AI总结 本文提出SafeDiff框架，通过隐式触觉校准提升机器人操作中的力安全，结合视觉和触觉数据优化状态规划，减少有害力风险。
Comments Website URL: see https://i-am-future.github.io/safediff/
Sample-Efficient Tabular Self-Play for Offline Robust Reinforcement Learning
样本高效的目标导向自博弈用于离线鲁棒强化学习
机构 * Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； Edith Cowan University（埃迪斯·科温大学） ； University of New South Wales（新南威尔士大学） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 本文提出RTZ-VI-LCB算法，通过乐观鲁棒值迭代和数据驱动的伯恩斯坦惩罚项，实现离线鲁棒双人零和马尔可夫游戏的最优样本复杂性保证。
Comments NeurIPS 2025
Provable Memory Efficient Self-Play Algorithm for Model-free Reinforcement Learning
可证明的内存高效自博弈算法用于无模型强化学习
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） ； School of Information and Electronics（信息与电子学院） ； Beijing Institute of Technology（北京理工大学） ； Institute of Acoustics（声学研究所） ； Chinese Academy of Sciences（中国科学院）
AI总结 本文提出了一种内存高效的自博弈算法，用于解决多智能体强化学习中的内存效率、样本复杂度和预热成本问题。
Comments ICLR 2024. arXiv admin note: substantial text overlap with arXiv:2110.04645 by other authors
Arcadia: Toward a Full-Lifecycle Framework for Embodied Lifelong Learning
Arcadia：迈向一个完整的生命周期框架用于具身终身学习
机构 * Zhejiang University（浙江大学） ； Unitree Tech（单位树科技） ； Peking University（北京大学） ； Nanjing University（南京大学） ； Manycore Tech（Manycore科技） ； Bytedance Seed（字节跳动种子） ； University of Adelaide（阿德莱德大学）
AI总结 Arcadia提出了一种闭环框架，通过紧密耦合四个阶段实现具身终身学习，支持持续改进和端到端泛化。
AnyTalker: Scaling Multi-Person Talking Video Generation with Interactivity Refinement
AnyTalker: 通过交互细化扩展多人物谈话视频生成
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Video Rebirth（视频重生） ； Zhejiang University（浙江大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 AnyTalker通过引入身份感知注意力机制和高效训练流程，实现了多人物谈话视频生成的高可扩展性和自然交互性。
Comments Homepage: https://hkust-c4g.github.io/AnyTalker-homepage
InstanceV: Instance-Level Video Generation
InstanceV: 实例级视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学）
AI总结 InstanceV通过实例级控制和全局语义一致性，实现高质量视频生成，并在实例感知指标上超越现有最佳模型。
From Illusion to Intention: Visual Rationale Learning for Vision-Language Reasoning
从幻觉到意图：用于视觉-语言推理的视觉理由学习
机构 * Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； Meituan（美团）
AI总结 本文提出视觉理由学习（ViRL），通过将视觉动作作为核心推理元素，提升视觉-语言推理模型的透明度和可信度。
Comments 19 pages, 15 figures
