Alibaba（阿里巴巴）

LoopArena: Benchmarking Models as Runtime Controllers for Loop Engineering

LoopArena：将模型作为循环工程运行时控制器的基准测试

Yi Wang, Haopeng Zhang, Chengxiang Huang, Rui Dai, Kaikui Liu, Piotr Koniusz, Xiangxiang Chu

机构 * DreamX Team, Alibaba Group（达摩院团队，阿里巴巴集团） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； UNSW Sydney（新南威尔士大学悉尼分校） ； Data61, CSIRO（联邦科学与工业研究组织数据61研究所） 纠错

AI总结 研究推出LoopArena基准，评估模型作为控制器指导编码智能体完成长期任务的能力，发现完整任务上最佳严格成功率为24.69%，推理成本平均降低64.4%。

H-Scale: Hessian-Guided Scale Refinement for NVFP4 Sub-Byte LLM Inference

H-Scale：面向NVFP4亚字节大语言模型推理的Hessian引导型尺度优化

Hao Yu, Zheng Li, Dayiheng Liu, Jianwei Zhang

机构 * Qwen Team, Alibaba Inc.（通义千问团队，阿里巴巴集团） 纠错

AI总结 针对NVFP4亚字节LLM推理中每组缩放因子优化不足的问题，提出H-Scale方法，利用二阶代理选择硬件合法尺度，改进NVFP4基准并接近BF16参考值。

The Illusion of $\textit{What If}$: Evaluating the Breakdown of Counterfactual Reasoning in LLMs

《“如果”的错觉：评估大型语言模型中反事实推理的失效》

Yucheng Wang, Yuetian Du, Zhengyi Liu, Rongyu Zhang, Bing Zhao, Boyu Yang, Ming Kong, Lin Qu, Hu Wei, Jie Liu, Qiang Zhu

机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本研究提出开放域反事实推理基准WhatIfBench及评估框架PRISM，发现前沿LLM在该基准上表现未饱和，存在因果推理缺陷，凸显其反事实推理能力的不足。

Comments Accepted by EMNLP 2026

CommerceVibe: Learning to Design E-Commerce Creatives as Executable Visual Code via Dual-Feedback Reinforcement Learning

CommerceVibe：通过双反馈强化学习学习将电商创意设计为可执行视觉代码

Yajiao Xu, Jin Zhang, Jiangbo Ai, Tao Jiang, Mo Xu, Lina Huang, Chengfu Huo

机构 * Tongji University（同济大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 该研究提出CommerceVibe，将电商创意转化为可执行视觉代码，通过双反馈强化学习优化生成效果，在基准测试中优于仅监督微调的变体及外部模型，实现可控可编辑的规模化电商创意生产。

Comments 20 pages, 13 figures, 12 tables; includes supplementary material

EvoHarmBench: Breaking Content Moderation with Iterative Human-Like Evasion

EvoHarmBench：通过类人迭代规避突破内容审核

Ruijie Jian, Benlei Cui, Ting Ma, Haidong Ding, Kangwei Liu, Ziwen Xu, Longtao Huang, Hui Xue, Ziqiang Zhu, Junjie Li, Haiwen Hong

机构 * Yuvion Team, Alibaba Group（阿里巴巴集团Yuvion团队） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 该研究提出首个动态对抗评估框架EvoHarmBench，针对5类违规229个语义子簇的5002个样本评估LLM审核模型，发现SOTA模型经12次迭代后规避成功率达80.3%，将推动内容安全评估转向动态模式。

Comments Accepted to the Findings of EMNLP 2026

Revisiting Local Context for Long-Horizon Streaming 3D Reconstruction

重新审视长时序流3D重建中的局部上下文

Jiarong Han, Jincheng Xiong, Yuzhou Liu, Linzhe Shi, Changjie Wu, Ning Guo, Mu Xu, Hang Zhang, Ming Qian

机构 * Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出ABot-Recon流3D重建模型，仅缓存前11帧KV特征，通过局部上下文减少累积漂移，在Oxford Spires数据集上将ATE、RPE-R误差降低约40%，提升了长时序性能。

Comments Project Page: this https URL (https://amap-cvlab.github.io/ABot-Recon-html/), Code: this https URL (https://github.com/amap-cvlab/ABot-Recon)

Benchmarking General Mobile Assistants in Challenging Real-World Scenarios

在具有挑战性的真实场景中对通用移动助手进行基准测试

Yiqi Zhu, Feiyu Gao, Jiaxing Fan, Jiahui Zeng, Minggang Wu, Chenliang Li, Haiyang Xu, Peng Li, Ming Yan, Yang Liu

机构 * Tsinghua University（清华大学） ； Alibaba Group（阿里巴巴集团） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） 纠错

AI总结 该研究提出名为GMA的移动助手基准，涵盖七个应用与300个不同难度任务，评估八个前沿模型发现其性能随任务复杂度提升而下降，还证实合适的智能体控制设计可显著提升性能。