大厂专区
OmegaUse-SOP：基于人类演示的专业计算机使用SOP工程
机构 * Baidu, Inc.（百度公司） ； Ningxia Electric Power Engineering Co., Ltd.（宁夏电力工程有限公司）
AI总结 OmegaUse-SOP是一种人在环SOP工程系统，通过四个模块将专业计算机使用的人类演示转化为GUI智能体可复用技能，在PVsyst 7.2光伏模拟测试中提升了GUI智能体在专业SOP任务上的可靠性。
Comments Accpeted by EMNLP 2026 demo track
并非所有偏好都同等重要：面向推理模型的稳定性感知与梯度高效对齐
机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； Baidu Inc.（百度公司） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
AI总结 SAGE通过动态框架提升推理模型对齐的稳定性与梯度效率，通过信噪比优化和稳定性感知评分函数实现更高效的训练。
Comments EMNLP Main 2026
oHC：基于四元数的SO(4)上的正交超连接
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Baidu Inc.（百度公司）
AI总结 本文针对HC训练不稳定及残差流多样性耗尽问题，提出基于SO(4)与四元数的正交超连接oHC，在多下游任务上性能优于单流基线、mHC与iHC。
视觉目标检测中的信息密度失衡
机构 * Technical University of Munich（慕尼黑工业大学） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Nanyang Technological University（南洋理工大学） ； Baidu Inc.（百度公司） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； University of Manchester（曼彻斯特大学）
AI总结 本研究针对目标检测中仅用实例数量无法解释的类别偏差问题，引入信息密度概念，改进三种损失函数，在多数据集上验证其可降低偏差并提升性能，为相关研究提供新视角与工具。
Comments 12 pages, 6 figures
NE-R1：通过强化学习增强命名实体识别模型
机构 * Shenzhen Graduate School, Peking University（北京大学深圳研究生院） ； Baidu, Inc.（百度公司） ； Shenzhen University（深圳大学） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
AI总结 该研究针对NER中长尾与领域实体识别难题，提出NE-R1框架，通过按需检索机制与两阶段训练结合强化学习优化，在多基准上实现F1分数提升，达SOTA性能。
Comments EMNLP2026
渲染闭环：用于交互式网页开发的执行驱动智能体
机构 * Baidu Inc.（百度公司） ； School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）
AI总结 本研究提出执行驱动智能体RILA，通过AIV模块与ERS得分优化网页生成，构建执行验证数据流水线，在IWR-Bench上提升模型性能，使轻量Qwen3.5-9B超越Kimi-K2.6与GPT-5.5。
一个标记值超过1000个标记：通过低秩克隆实现高效的知识蒸馏
机构 * School of Intelligence Science and Engineering, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学智能科学与工程学院） ； Baidu Inc.（百度公司） ； Leiden University（莱顿大学） ； Pengcheng Laboratory（鹏城实验室）
AI总结 本文提出低秩克隆方法，通过高效预训练实现小语言模型在训练效率和性能上的突破。
Comments NeurIPS 2025 Spotlight
从意图到证据：面向长视频智能体的策略引导多策略检索
机构 * Beijing University of Chemical Technology（北京化工大学） ； Baidu, Inc.（百度公司）
AI总结 针对长视频智能体现有统一证据获取方式的缺陷，提出无需训练的VESTA智能体，通过策略引导多策略检索等机制，在多个长视频基准上取得了显著性能提升。
Comments 15 pages, 5 figures, 6 tables (main paper with appendix)
行为等效标记：用于LLMs长提示的单标记替代
机构 * City University of Hong Kong（香港城市大学） ； Baidu Inc.（百度公司）
AI总结 本文提出了一种轻量级框架，通过学习单个行为等效标记替代长提示，实现提示长度减少3000倍并保持98%的下游性能。
Comments 12 pages, 4 figures
令牌级广告
机构 * Renmin University of China（中国人民大学） ； Baidu Inc.（百度公司） ； Stanford University（斯坦福大学）
AI总结 针对生成式AI对传统广告机制的挑战，提出令牌级广告机制LAMA，证明其满足马尔可夫DSIC和IR，经实验验证可提升平台福利与收入且维持响应质量，为原生生成式广告提供可行性证据。
DuMateBench：评估自主智能体在复杂真实工作流程中的表现
机构 * Renmin University of China（中国人民大学） ； Shandong University（山东大学） ； Michigan State University（密歇根州立大学） ； Nankai University（南开大学） ； East China Normal University（华东师范大学） ； Imperial College London（伦敦帝国学院） ； Baidu, Inc.（百度公司）
AI总结 DuMateBench是基于真实用户会话构建的自主智能体评估基准，含200个跨8场景的任务，注入三类环境复杂性，搭配五款智能体框架与四款LLM实验，发现严格任务完成存在显著差距。
针对大语言模型的特定效用：检索增强生成的新视角
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Baidu Inc（百度公司）
AI总结 本文提出LLM特定效用的概念，指出不同大语言模型对证据的需求不同，提出构建基准以研究这种效用，并推动生成器定制的证据选择方法改进RAG。
Comments Accepted to CIKM 2026
利用查询似然建模释放大型语言模型在密集检索中的能力
机构 * CAS Key Lab of Network Data Science and Technology, ICT, CAS（中国科学院网络数据科学与技术重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Baidu Inc（百度公司）
AI总结 该研究针对LLM在密集检索中全局信息建模不足的问题，提出含注意力块和文档损坏组件的LLM-QL模型，通过查询似然最大化辅助任务增强检索器主干，在MS MARCO和BEIR数据集上优于其他LLM-based检索器。
Comments Accepted to CIKM 2026
记忆增强解锁高效思维链推理
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） ； Baidu Inc.（百度公司） ； Tencent Inc.（腾讯公司）
AI总结 该研究提出无需训练的记忆增强压缩框架，构建可复用推理记忆提升思维草稿压缩效果，在多任务上获显著准确率提升并加速推理，兼容多种压缩机制。
优势参数扩展训练可打造更优的大语言模型
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安全学院） ； Baidu Inc.（百度公司）
AI总结 该研究提出APEX方法，通过在总参数不变时扩展优势参数占比，在指令调优和持续预训练的五款基础模型实验中，仅用部分参数或数据就实现了更优性能。
Comments EMNLP 2026 Main
Agent-G$^2$：面向智能体强化学习的高斯引导框架
机构 * Baidu Inc.（百度公司） ； Shandong University（山东大学） ； Zhejiang University（浙江大学）
AI总结 Agent-G$^2$ 是面向智能体强化学习的高斯引导框架，通过在线估计高斯分布参数确定引导深度，在 ALFWorld 等任务上以更低成本实现优于基线的性能。
Comments Code: https://github.com/ZJU-REAL/Agent-G2 ; Project page: https://zju-real.github.io/Agent-G2
信号还是噪声？智能体在Web开发中的技能基准研究
机构 * Baidu（百度）
AI总结 该研究构建WebDev-Skills-Bench基准，通过实证分析Web开发智能体技能的效果，发现技能注入会降低任务性能、增加成本，提出需将技能视为特定三元组假设并建立对应评估标准。
超越成功与失败：面向GUI智能体的长度感知对比学习
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Baidu Inc.（百度公司） ； University of Alberta（阿尔伯塔大学）
AI总结 针对GUI智能体现有对比RLVR方法无法捕获轨迹细粒度质量差异的问题，提出LACL-GUI框架，引入轨迹级质量信号，在基准测试中实现性能提升。
先澄清再搜索：面向端到端 nugget 恢复的深度搜索澄清基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Baidu Inc.（百度公司）
AI总结 该研究提出 Clarify-Then-Search 基准，评估 LLM 生成的澄清问题对深度搜索效用的提升，实验显示 k=1 时澄清优于基线，GPT-5.2 和 ERNIE-4.5-Turbo-128K 分别在 k=1、k=3 时表现最佳。
Comments Accepted to KDD 2026 Datasets and Benchmarks Track. 12 pages, 4 figures, 11 tables
OmegaUse-OfficeVal：基于经济基准的长周期办公套件任务LLM智能体评测基准
机构 * Baidu Inc.（百度公司）
AI总结 OmegaUse-OfficeVal是带经济基准的长周期办公套件任务LLM智能体评测基准，含100项任务，评测发现前沿LLM成本低速度快但质量未达人类水平，代码与数据集已开源。
VISOR: 通过迭代搜索和超视距推理实现基于视觉检索的增强生成
机构 * Soochow University（苏州大学） ； Baidu Inc.（百度公司）
AI总结 VISOR通过结构化证据空间和动态轨迹机制解决多步推理中的视觉证据稀疏和搜索漂移问题，实现高效长视距视觉推理。
Comments Accepted by ACM Multimedia 2026 (MM '26). 8 pages, 3 figures. Code: https://github.com/syc1336/VISOR
DiffImaginE：通过想象验证实体类型
机构 * Fuzhou University（福州大学） ； Chinese Academy of Sciences（中国科学院） ； Peking University（北京大学） ； Alibaba Group（阿里巴巴集团） ； University of Science and Technology of China（中国科学技术大学） ； Fullive Innovation (Beijing) AI Technology Co., Ltd.（福莱创新（北京）人工智能科技有限公司） ； Baidu（百度） ； Wuhan University（武汉大学）
AI总结 DiffImaginE将多模态命名实体识别的类型验证建模为条件潜在扩散推理，在Twitter-2015和Twitter-2017数据集上，相比确定性对照模型取得了一致的性能提升。
CRAFT：无需组合目标的主题个性化的注意力微调约束奖励
机构 * DGIST（大邱科技研究院） ； Baidu, Inc.（百度公司） ； KAIST（韩国科学技术院）
AI总结 本文提出无需组合目标监督的CRAFT框架，通过LoRA适配器微调参考感知MMDiT，仅用1万张参考样本，在XVerseBench上实现图像主题个性化的最先进性能，且可迁移至其他骨干网络。
Comments 20 pages, 8 figures, ACM SIGGRAPH Asia 2026
Diagram-MMU：面向科学图表的多模态基准测试
机构 * Nanjing University of Science and Technology（南京理工大学） ； Baidu Inc（百度公司） ； AIML, Adelaide University（阿德莱德大学AIML） ； SUTD（新加坡科技设计大学） ； Southeast University（东南大学） ； East China Normal University（华东师范大学） ； University of Oxford（牛津大学）
AI总结 本文构建了多模态基准测试Diagram-MMU，评估MLLMs的科学图表解析与理解能力，发现图表转代码任务更具挑战，Claude-4.6 Opus在智能体场景下表现最优。
机构 * Tsinghua University（清华大学） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心） ； Tencent Inc.（腾讯公司） ； Baidu Inc.（百度公司）
Comments Accepted by KDD 2023
嵌入旋转不变性的可证明多方向场景文本识别
机构 * Sun Yat-sen University（中山大学） ； Baidu Inc.（百度公司） ； Nanjing University of Science and Technology（南京理工大学）
AI总结 本研究提出带理论保证的端到端旋转不变场景文本识别网络RISTER，通过编码器嵌入旋转等变性、解码器嵌入旋转不变性，在多方向场景文本识别任务上实现最优性能且无额外推理成本。
揭示扩散Transformer中AdaLN-Zero的秘密
机构 * Peking University（北京大学） ； UC Berkeley（加州大学伯克利分校） ； Baidu（百度）
AI总结 本研究探究扩散Transformer（DiT）中AdaLN-Zero性能优于AdaLN的原因，发现零初始化是关键要素，提出AdaLN-Gaussian初始化策略与SE-adaLN-Zero机制，经多数据集实验验证其有效性与泛化性。
Comments Accept by IEEE TPAMI 2026, camera-ready version
头自主性：基于冻结查询-键几何的无数据稀疏注意力
机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Baidu Inc.（百度公司）
AI总结 本研究提出无数据稀疏注意力方法 AoH，通过查询-键投影谱几何识别检索头与流头，在 50% 稀疏度下平均保留全注意力 96.5% 性能，同时显著降低 LLM 的计算延迟与 KV-cache 内存。
TS-RAG：面向时间序列预测的检索增强生成
机构 * Baidu, Inc.（百度公司）
AI总结 针对时间序列预测模型的局限，提出TS-RAG框架，引入参考token融合输入与检索序列信息，在多个真实预测基准上实现最优性能。
用于空间分辨率的时间桥：通过双向对齐增强气候数据超分辨率
机构 * Baidu, Inc.（百度公司）
AI总结 针对现有气候数据超分辨率模型忽略时间相关性的问题，提出带双向时间对齐的Temporal-Enhanced框架，通过配对潜在映射、双向时间对齐和时序增强超分实现性能提升，在大规模真实数据集上表现优越。
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