大厂专区
STAIF：一种用于复杂指令跟随的逐阶段优化方法
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research Group（科大讯飞研究院）
AI总结 针对大语言模型遵循复杂指令的挑战，提出STAIF逐阶段优化框架，先通过偏好优化提高软约束敏感度，再用可验证奖励强化学习确保硬约束遵守，构建相关数据集，验证了该方法的设计并展现出领先性能和泛化能力。
Comments 16 pages, 6 figures
用于听觉注意力解码的端到端马尔可夫状态序列学习
机构 * NERC-SLIP, University of Science and Technology of China（中国科学技术大学NERC-SLIP） ； School of Information and Communication Engineering, Guangzhou Maritime University（广州航海学院信息与通信工程学院） ； Artificial Intelligence Research Institute, iFLYTEK Company, Ltd.（科大讯飞股份有限公司人工智能研究院） ； School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院）
AI总结 研究针对听觉注意力解码中多数模型为独立短窗口分类器的问题，提出基于条件随机场的端到端马尔可夫AAD框架，引入ESCNet，通过联合优化目标学习注意力状态序列，实验证明该方法在多个数据集上优于传统孤立窗口分类。
关于CVPR 2026@AdvML研讨会挑战赛的技术报告
机构 * Beihang University（北京航空航天大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Tongji University（同济大学） ； iFLYTEK Co., Ltd.（科大讯飞股份有限公司） ； Anhui Laboratory for Safe Artificial Intelligence in the Yangtze River Delta（长三角安全人工智能安徽实验室） ； Wenzhou Business College（温州商学院） ； Jiangnan University（江南大学） ； Guangzhou City University of Technology（广州理工学院） ； Inceptio Technology（智元机器） ； Institute of Dataspace（数据空间研究所） ； Zhongguancun Laboratory（中关村实验室） ； Tsinghua University（清华大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； BAAI（北京智源人工智能研究院） ； Meta ； Johns Hopkins University（约翰·霍普金斯大学） ； University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学）
AI总结 介绍CVPR 2026@AdvML研讨会针对自动驾驶VLAs的对抗性多模态攻击挑战赛，基于多视图视觉问答，参赛者要生成对抗图像和文本扰动。阐述任务设计等，研究领先提交作品发现后缀惩罚等模式，为多模态自动驾驶系统相关工作提供参考。
用于长文档理解的分层证据驱动推理
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（科大讯飞研究院）
AI总结 针对现有多模态RAG管道面临的问题，提出分层证据驱动的多模态RAG框架HIEVI-RAG，通过四阶段管道，包括分层问题分解、粗视觉页面检索、细粒度页面验证和内存引导迭代生成，提升长文档理解，效果显著优于现有基线。
科大讯飞-具身全能技术报告
机构 * iFLYTEK ； LindenBot ； University of Science and Technology of China（中国科学技术大学）
AI总结 研究通用具身智能体，提出统一多模态基础模型iFLYTEK-Embodied-Omni，通过共享多模态自注意力联合建模视觉、语言和动作，结合多种数据构建数据集并采用四阶段策略训练，实现脑-小脑协作。
MCLMR：一种多行为推荐的模型无关因果学习框架
机构 * School of Artificial Intelligence and Data Science, University of Science and Technology of China（中国科学技术大学人工智能与数据科学学院） ； Artificial Intelligence Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能学域） ； RMIT University（皇家墨尔本理工大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； iFLYTEK Research, iFLYTEK（科大讯飞研究院）
AI总结 MCLMR提出一种模型无关的因果学习框架，解决多行为推荐中因果效应建模、辅助行为聚合和语义对齐的问题，通过因果图和混合专家模块提升推荐性能。
Comments Accepted by WWW 2026(oral)
本体引导的反向思维使大语言模型在知识图谱问答中更强
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Joint Laboratory of HIT and iFLYTEK（哈工大与科大讯飞联合实验室） ； University of Science and Technology of China（中国科学技术大学） ； Pengcheng Laboratory（鹏城实验室）
AI总结 本文提出Ontology-Guided Reverse Thinking框架，通过反向推理构建路径，提升大语言模型在知识图谱问答中的表现，实验表明其在WebQSP和CWQ数据集上达到最佳性能。
Comments We now public our source codes
EmoInstruct-TTS：双路径指令引导的情感语音合成
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（科大讯飞研究院） ； Huawei Technologies Co., Ltd.（华为技术有限公司）
AI总结 提出EmoInstruct-TTS双路径框架，通过情感嵌入和指令条件情感流模型实现细粒度情感控制，提升语音情感可控性和自然度。
Comments 5 pages, 3 figures, 4 tables. Submitted to Interspeech 2026. Audio demos: https://huanyu-lab.github.io/EMOINSTRUCT-TTS
EquivPruner：通过动作剪枝提升基于LLM的搜索效率与质量
机构 * School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） ； Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； iFLYTEK Research（iFLYTEK研究院）
AI总结 针对LLM搜索中语义等价步骤导致的大量冗余消耗，提出EquivPruner方法，通过剪枝等价动作提升效率，并创建数学等价数据集MathEquiv训练轻量检测器，在多种任务中显著减少token消耗并提高准确性。
Comments Accepted by ACL 2026
从数值到标记：一种基于符号离散化的LLM驱动上下文感知时间序列预测框架
机构 * State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； University of Science and Technology of China（中国科学技术大学） ； College of Intelligence and Computing（智能科学与计算学院） ； iFLYTEK Research（iFLYTEK研究院）
AI总结 提出TokenCast框架，利用大语言模型通过符号离散化将连续时间序列转化为标记，与上下文文本对齐，实现上下文感知的预测，实验证明有效。
PhysGuard: 面向仿真到现实神经PDE代理的Fisher引导梯度投影
机构 * Faculty of Engineering and IT, University of Melbourne（墨尔本大学工程与信息技术学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Artificial Intelligence Research Institute, IFLYTEK Co., Ltd.（科大讯飞股份有限公司人工智能研究院）
AI总结 针对神经算子模型从仿真到现实迁移时的精度下降问题，提出PhysGuard框架，利用仿真数据的Fisher信息矩阵保护物理关键参数，限制微调更新方向，在严重域偏移下将低频误差降低32%。
基于LLM的TTS中的动态韵律预测以提高说话人相似度
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK
AI总结 针对LLM-based TTS忽略风格特定韵律模式导致说话人相似度不足的问题，提出基于先前预测语音的动态音节韵律预测方法，显著提升韵律学习能力和说话人相似度。
Comments Accepted to INTERSPEECH 2026. 5 pages, 2 figures. Audio samples: https://muzw.github.io/dynapros/
Edu-Theater: 一种通过点名排演实现可扩展学习者行为模拟的数据高效智能体框架
机构 * University of Science and Technology of China（中国科学技术大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； Southeast University（东南大学） ； Alibaba Group（阿里巴巴集团） ； iFLYTEK Co., Ltd.（科大讯飞股份有限公司）
AI总结 提出Edu-Theater框架，通过构建群体水平能力先验和少量诊断查询，利用LLM智能体模拟学习者行为，在减少数据需求的同时提高模拟精度，并增强下游自适应测试等应用。
Comments LLM Agent, Educational Data Mining, Data Synthesis, Human Simulation
GEAR-VLA：学习几何感知的动作表示以实现可泛化的机器人操作
机构 * Anhui University（安徽大学） ； University of Science and Technology of China（中国科学技术大学） ； iFLYTEK（科大讯飞）
AI总结 提出GEAR-VLA框架，通过粗到细的动作学习、语义对齐的3D集成和具身规范化，学习统一的几何感知动作表示，实现跨物体、背景和机器人的泛化操作。
SocraticPO: 通过交互式指导进行策略优化
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） ； iFLYTEK AI Research (Central China), iFLYTEK Co., Ltd（iFLYTEK中央中国AI研究院，iFLYTEK公司）
AI总结 提出SocraticPO框架，在强化学习中使用自然语言指导辅助推理，并通过奖励衰减防止模型依赖教师帮助，提升科学推理任务性能。
超越WER：面向环境临床记录员的配对声学压力测试
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Co., Ltd.（iFLYTEK公司）
AI总结 提出配对声学压力测试方法，通过注入噪声并冻结下游模型，揭示噪声对临床推理的安全影响，发现轻微声学扰动可逆转临床意义而不显著增加词错误率，并展示轻量级缓解策略。
Comments Accepted to INTERSPEECH 2026
评估模型编辑中的逆转诅咒
机构 * National Engineering Research Center of Speech and Language Information Processing（语音与语言信息处理国家级工程研究中心） ； University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） ； University of California, Los Angeles（美国加州大学洛杉矶分校）
AI总结 本文研究双向语言模型编辑，提出反向泛化指标并构建BAKE基准，发现多数编辑方法在反向评估中存在系统性缺陷，并分析逆转诅咒的成因及缓解策略。
Comments Accepted by TMLR
ASAP: 基于解剖感知语义自适应预训练的医学体素表示学习
机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（生物医学工程学院，生命科学与医学系，中国科学技术大学） ； Medical Imaging, Robotics, Analytic Computing & Learning (MIRACLE) Lab, YRD-RIGHT, USTC Suzhou Institute for Advanced Research（医学影像、机器人、分析计算与学习（MIRACLE）实验室，YRD-RIGHT，中国科学技术大学苏州研究院） ； Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology（江苏省多模态数字孪生技术重点实验室） ； Biomedical Basic Research Center (BBRC) of Jiangsu Province（江苏省生物医学基础研究中心） ； Department of Radiology, The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, USTC（放射科，中国科学技术大学第一附属医院，生命科学与医学系，中国科学技术大学） ； Anhui IFLYTEK CO., Ltd（安徽科大讯飞股份有限公司） ； School of Medicine, Stanford University（医学院，斯坦福大学） ； State Key Laboratory of Precision and Intelligent Chemistry, Hefei, Anhui, China（安徽省精密与智能化学重点实验室，合肥，安徽，中国）
AI总结 提出ASAP框架，通过解剖感知知识注入、语义自适应对齐与融合，从胸部CT扫描和放射学报告中学习可迁移且可解释的体素表示，在15个数据集和22个下游任务上取得最先进性能。
Comments MICCAI2025 extention
PEARL: 使用教学对齐强化学习训练苏格拉底式导师
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院）
AI总结 提出PEARL框架，通过可控学生模拟器、生成式奖励模型和稳定多目标强化学习，训练苏格拉底式教学代理，在多个基准上达到开源模型最佳性能并与专有模型竞争。
Comments 16 pages, 7 figures
风险感知的选择性提示用于大型视觉-语言模型中的幻觉缓解
机构 * Shanghai Jiao Tong University（上海交通大学） ； iFLYTEK ； Tsinghua University（清华大学）
AI总结 本文系统研究提示验证在大型视觉-语言模型中的风险，发现其效果依赖输入难度，并提出基于预生成不确定性信号的选择性提示方法RSP以平衡性能。
Comments 7 pages, 1 figures, submitted to ACL ARR 2026 May (EMNLP)
MACReD：一种用于反应图解解析的多智能体协作推理框架
机构 * University of Science ； Technology of China \& iFLYTEK Co., Ltd. Hefei China ； Technology of China \& iFLYTEK Co., Ltd.
AI总结 提出MACReD分层多智能体框架，通过协调分子感知、箭头理解、文本提取和反应重建等专用智能体，在统一VLM引导架构下实现化学图解解析，在RxnScribe基准上达到最优性能。
Comments Preprint. Code is available at https://github.com/TC9905/MACReD
AttnRouter：基于MMDiT的无训练图像编辑的类别级注意力路由
机构 * iFLYTEK ； Aegon THTF
AI总结 本文提出AttnRouter，通过类别级路由表优化MMDiT的无训练图像编辑，实验显示其在CLIP-T+DINO-I复合指标上提升6.4%，且自动分类器在仅55%类别准确率下关闭98%的差距。
Comments 11 pages, 7 figures
PhysEdit: 一种通过自适应时空推理实现物理一致的区域感知图像编辑
机构 * iFLYTEK ； Aegon THTF
AI总结 PhysEdit通过自适应时空推理实现物理一致的区域感知图像编辑，提升编辑效率和准确性，适用于不同复杂度的图像编辑任务。
Comments 11 pages, 7 figures
基于漂移的策略优化：面向在线机器人控制的原生一步生成策略
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK
AI总结 本文提出一种原生一步生成策略框架，通过将迭代细化移至训练阶段，提升在线机器人控制的效率与稳定性，实验显示其在推理速度和性能上优于多步扩散策略。
编辑保真场：面向免训练场景文本编辑的语义感知区域隔离
机构 * iFLYTEK ； Aegon THTF
AI总结 本文提出Edit Fidelity Field，通过语义感知的连续场控制每个像素的编辑保真度，解决场景文本编辑中非目标区域的编辑溢出问题，实验显示保真度提升显著。
LayerCache: 利用层间速度异质性实现高效的流匹配推理
机构 * iFLYTEK
AI总结 本文提出LayerCache，通过分层缓存框架优化Transformer中不同层的速度异质性，提升流匹配推理效率，实现PSNR、SSIM和LPIPS指标的显著提升。
Bird-SR：双向奖励引导扩散用于现实世界图像超分辨率
机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, School of Information Science and Technology, University of Science and Technology of China（脑启发智能感知与认知MoE实验室，信息科学与技术学院，中国科学技术大学） ； iFlytek Research, iFlytek Co., Ltd., Hefei, China（科大讯飞研究院，科大讯飞股份有限公司，合肥，中国）
AI总结 Bird-SR通过双向奖励引导扩散框架，结合合成和真实图像数据，提升现实世界超分辨率的结构一致性与感知质量。
超越独白：基于对话音频上下文感知核的交互式谈话-倾听虚拟角色生成
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK（科大讯飞）
AI总结 本文提出基于对话音频上下文感知核的交互式虚拟角色生成方法，通过引入多头高斯核解决谈话与倾听行为的时间尺度差异问题，构建了能同时处理双流音频输入的全双工虚拟代理，并在VoxHear数据集上验证了其在生成自然响应的全双工数字人类方面的优越性。
一种快速组装大规模无缺陷原子阵列的算法
机构 * Institute for Advanced Study, Tsinghua University（清华大学高等研究院） ； Intelligent Quantum Inception Inc.（智能量子启创公司） ； iFLYTEK Research（科大讯飞研究院）
AI总结 本文提出一种统一框架，通过监督学习和改进的拍卖解码器进行路径规划，结合相位和轮廓感知的加权Gerchberg-Saxton算法，实现快速组装10^4个量子比特的无缺陷原子阵列。
VehicleMemBench：多用户长期记忆的可执行基准
机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） ； Xiamen University（厦门大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文提出VehicleMemBench，用于评估车载代理的多用户长期记忆能力，通过可执行仿真环境比较行动后环境状态与目标状态，揭示强大模型在动态偏好变化场景中的不足，强调需更 robust 的记忆管理机制。
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