大厂专区
AudioCALM：面向通用音频生成的连续自回归语言建模
机构 * Hong Kong University of Science and Technology (HKUST)（香港科技大学） ； Tongyi Fun Team, Alibaba Group（阿里云团队，阿里巴巴集团）
AI总结 提出AudioCALM框架，通过连续音频潜变量的自回归预测和不对称模态专家架构，统一语音、声音和音乐生成，在三个任务上达到或超越专用模型性能。
Comments Preprint
STAR-VAE: 结构化拓扑感知正则化用于音频重建与生成
机构 * Hong Kong University of Science（香港科学大学） ； Tongyi Fun Team, Alibaba Group（通义Fun团队，阿里巴巴集团）
AI总结 针对连续VAE在压缩率、重建保真度和潜在空间拓扑之间的三难困境，提出结构化拓扑感知正则化（STAR），通过增长约束场重塑潜在空间几何，实现音频的高保真重建与生成。
Comments ICML 2026
StatABench：评估大语言模型统计分析能力的数据集与框架
机构 * Southern University of Science and Technology（南方科技大学） ； Alibaba Group（阿里巴巴集团） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The University of Hong Kong（香港大学）
AI总结 提出StatABench基准，包含404道封闭题和30道开放建模任务，评估LLM在统计分析上的能力，实验显示最佳模型仅达68.6%准确率，揭示工具推理和建模决策等挑战。
从片段到路径：大型工业代码库的任务级上下文恢复
机构 * AMAP, Alibaba Group（阿里集团AMAP） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； University of Cambridge（剑桥大学）
AI总结 提出DeepDiscovery方法，通过两阶段定位-推理框架在预算约束下恢复任务级上下文，显著提升大型工业代码库的文件检索和下游软件工程任务性能。
Comments 12 pages, 3figures
Grounded Scaling: 为什么代理型AI需要确定性环境
机构 * Alibaba Group（阿里巴巴集团）
AI总结 本文论证环境确定性是影响长链代理任务成功的关键因素，提出确定性-效率界限、验证者-古德哈特下限等理论，并构建供应确定性指数和确定性成熟度模型。
自适应递归消息传递用于图上的测试时计算
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
AI总结 针对图数据与固定架构不匹配的问题，提出自适应递归图模型AdaR，通过理论推导步依赖作为自适应收敛的充要条件，并利用归一化步信息和梯度监督实现灵活测试时计算，在归纳和直推设置中优于强基线。
Comments Accepted by ICML 2026
通过图感知的LoRA生成增强LLMs的图任务能力
机构 * State Key Lab. of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
AI总结 提出GaRA模型，通过生成任务特定的低秩权重更新注入全图信息，避免信息损失，在零样本图学习任务上优于基线方法。
Comments Accepted by ICML 2026
迈向无错误的长视频生成
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
AI总结 提出一种基于扩散模型的长视频生成框架，通过因果注意力、KV缓存和截断修正流技术解决误差累积和属性漂移问题，实现高质量、身份一致的单镜头长视频合成。
CoDMD: 基于Copula感知的分布匹配蒸馏用于快速视频生成
机构 * HKUST（香港科技大学） ； Wan Team, Alibaba Group（阿里巴巴集团万团队） ； THU（清华大学） ； CUHK（香港中文大学） ； XDU（西安电子科技大学）
AI总结 针对视频扩散模型少步蒸馏中分布匹配蒸馏（DMD）的结构缺陷，提出Copula感知的DMD（CoDMD），通过轻量关系正则化器利用分数估计构建样本间和帧间关系矩阵，实现4步生成，速度提升约25倍，VBench得分达84.87。
更深并非总是更好：通过置信层解码缓解对齐税
机构 * Qwen Team, Alibaba Inc.（阿里巴巴集团 Qwen 团队） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出Confident Decoding，一种无需训练的解码策略，通过熵引导的保守反向搜索动态选择最可靠的近最终层，以缓解对齐微调导致的最终层扰动，提升推理性能。
SCOPE：尺度一致的3D几何单遍估计
机构 * The University of Hong Kong（香港大学） ； Alibaba Group（阿里巴巴集团）
AI总结 提出SCOPE方法，通过仿射不变3D点图和三个关键创新（视角不变几何、外观不变学习、频率调制定位），实现从长单目视频序列中高效、一致地估计3D几何，在ScanNet上相对点图误差降低24.2%，时间对齐误差降低34.9%。
Comments SIGGRAPH Conference Papers 2026. 11 pages
CodePercept: 基于代码的MLLM视觉STEM感知
机构 * MoE Key Lab of Artificial Intelligence, AI Institute, School of Computer Science, Shanghai Jiao Tong University（人工智能大模型重点实验室，人工智能学院，计算机科学学院，上海交通大学） ； Qwen Team（通义实验室） ； Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学）
AI总结 本文发现多模态大模型在STEM视觉推理中感知能力是瓶颈，提出通过代码作为感知媒介，构建ICC-1M数据集和STEM2Code-Eval基准来增强和评估感知能力。
Comments Accepted by CVPR2026
可证明的现实世界图聚类滤波器
机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Alibaba Group（阿里巴巴集团） ； Michigan State University（密歇根州立大学）
AI总结 针对现实图结构异质性，提出基于邻居信息识别同/异嗜边并构建高低通滤波器，结合挤压激励模块增强特征，理论支持且实验优于SOTA。
Comments Accepted by IEEE Cybernetics
GAC: 通过梯度对齐控制稳定大语言模型的异步RL训练
机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； Alibaba Group（阿里巴巴集团） ； Southeast University（东南大学）
AI总结 针对异步策略梯度训练中梯度高余弦相似性导致的训练不稳定问题，提出梯度对齐控制（GAC）方法，通过梯度投影调节陈旧对齐方向，恢复稳定训练并匹配同步基线。
BIFE：更好的交互，更少的错误，用于分钟级视频生成
机构 * DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院） ； Zhejiang University（浙江大学） ； Hupan Lab（虎扑实验室）
AI总结 提出BIFE框架，通过语义稀疏KV缓存和块强制训练策略，解决长视频生成中的长程交互保持和误差累积问题，实现稳定连贯的分钟级视频生成，在VDE指标上提升约20%。
SimAC: 一种针对扩散模型文本到图像合成的简单面部隐私反定制方法
机构 * University of Science and Technology of China（中国科学技术大学） ； Alibaba Cloud（阿里云）
AI总结 针对扩散模型定制化技术引发的隐私问题，提出SimAC方法，通过分析时间步选择与频域感知关系及去噪过程不同层特征，设计自适应贪婪搜索和特征优化框架，有效提升身份干扰，保护用户隐私。
Comments Accepted by CVPR2024. Code: https://github.com/somuchtome/SimAC
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