Huawei（华为）

Automated Analysis Framework for Multilingual Climate-Health Literature Based on Multi-Agent Large Language Model

基于多智能体大语言模型的多语言气候-健康文献自动分析框架

Yuze Sun, Shihui Zhang, Jiancheng Pan, Yunjia Ye, Wentao Luo, Jiahao Li, Quan Zhang, Wenjia Cai, Xiaomeng Huang

机构 * Tsinghua University（清华大学） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； Renmin University of China（中国人民大学） ； Beijing Forestry University（北京林业大学） ； National Institute of Natural Hazards, Ministry of Emergency Management of China（中国应急管理部国家自然灾害防治研究院） 纠错

AI总结 针对多语言气候-健康文献分析痛点，提出多智能体大语言模型自动分析框架，经双语语料验证核心信息提取F1值达0.92，可支撑该领域大规模证据挖掘。

GOD: Govern, Observe, and Direct - A Real-Time Control Room for Agent Societies

GOD：管控、观测与指挥——智能体群体的实时控制室

Yige Luo, Ran Guan

机构 * Laboratories, Huawei（华为2012实验室） 纠错

AI总结 研究针对生成式智能体系统难检查的问题，提出GOD实时控制室，整合多类工具与技术，经15次运行评估验证其干预有效性，可助力智能体群体的管控与观测。

Comments 9 pages, 5 figures. Accepted to the EMNLP 2026 System Demonstrations Track

openJiuwen: Beyond Static Harnesses for Long-Horizon Coding Agents

openJiuwen：超越静态框架的长程编码智能体

openJiuwen Team: Tao Yu, Xinyu Zhang, Qianqian Chen, Xiaoneng Xiang, Chia Kwangyang, Xingchen Huang, Ran Chen, Yangkai Ding, Zheng Wang, Yeo Boon Hong, Bingzheng Gan, Enrui Hu, Shuo Cheng, Deyang Li, Ruifeng Shi, Hongbo Wang, Qi Ye, Xuefeng Jin, Zhangchun Zhao

机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

AI总结 openJiuwen是一款开源智能体框架，针对长程编码智能体的结构可组合性与运行时适应性挑战设计，在SWE-bench Verified和Terminal-Bench 2.1上的准确率分别达82.6%、87.19%，性能优于官方排行榜顶尖方案。

Understanding Evolution Strategies for LLM Reasoning: Broader Reasoning Coverage than GRPO

理解用于大语言模型推理的进化策略：比GRPO更广泛的推理覆盖范围

Yunpeng Ba, Zhi Zheng, Yue Xie, Jiaqing Li, Xialiang Tong, Tao Zhong, Mingxuan Yuan, Zhichao Lu, Xuyang Wu, Zhenkun Wang

机构 * Southern University of Science and Technology（南方科技大学） ； National University of Singapore（新加坡国立大学） ； Harbin Institute of Technology, Weihai（哈尔滨工业大学（威海）） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文研究用于LLM推理的进化策略（ES），发现ES比GRPO有更广泛的推理覆盖范围，开发了结合两者优势的GRPO-ES策略，还揭示了ES的功能稀疏性等特性，确立其为独特的推理后训练范式。

PRISM: Self-Pruning Intrinsic Selection Method for Training-Free Multimodal Data Selection

PRISM：免训练多模态数据选择的自剪枝内在选择方法

Jinhe Bi, Aniri, Zengjie Jin, Yifan Wang, Danqi Yan, Wenke Huang, Xiaowen Ma, Sikuan Yan, Artur Hecker, Mang Ye, Xun Xiao, Hinrich Schuetze, Volker Tresp, Yunpu Ma

机构 * LMU Munich（慕尼黑大学） ； Munich Research Center, Huawei Technologies（慕尼黑研究中心，华为技术） ； METEOR ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 针对多模态大语言模型视觉指令数据冗余问题，提出一种免训练框架PRISM，通过隐式重中心化消除视觉特征各向异性导致的全局语义漂移，实现高效数据选择，在降低计算成本的同时提升模型性能。

Comments Accepted to EMNLP 2026 and selected for the ACL 2026 Best Paper Consideration