Consolidating RLVR Capabilities Across Domains: A Deep Dive into Fusion Paradigms
跨领域整合RLVR能力：融合范式的深入探究
机构 * Tencent（腾讯） ； Fudan University（复旦大学）
AI总结 该研究探究Merge、Mix RL、MOPD三种RLVR融合范式的性能差异与适用场景，发现其平均性能差最多1.4点，单基准差达8.6点，给出了不同场景下的选择指南。
大厂专区
Tencent（腾讯）
Direct or Mediated? Task-Dependent Audio Information Routing in Large Audio Language Models
直接还是中介？大型音频语言模型中任务依赖的音频信息路由
机构 * Graduate School of Informatics, Kyoto University（京都大学信息学研究科） ； WXG, Tencent（腾讯微信事业群）
AI总结 该研究针对大型音频语言模型，发现其在拼接两段音频的任务中，自动语音识别稳定而音频问答性能大幅下降，揭示了两类任务依赖不同的音频信息路由路径，指出信息利用是其泛化的潜在限制。
Comments 8 pages, 2 figures
From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities
从原子到智能体：迈向大语言模型智能体数学能力的可解释评估
机构 * Sun Yat-sen University（中山大学） ； Tencent Youtu Lab（腾讯优图实验室） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Pengcheng Laboratory（鹏城实验室）
AI总结 本文提出过程级基准，对齐智能体行为与数学原子能力分类，评估LLMs智能体数学推理能力，发现相似端到端准确率的模型智能体能力轮廓差异显著，凸显过程级评估的重要性。
Comments EMNLP 2026
Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning
思考镜头：基于智能体推理的一致多镜头视频编辑
机构 * Nankai University（南开大学） ； Tencent（腾讯）
AI总结 本文针对多指令编辑长视频的挑战，提出MMLVE任务与智能体编辑框架，构建MMLVE-Bench数据集及评估指标，所提MMLVE-Agent优于Seedance 2.0等闭源SOTA方法，可实现一致且无幻觉的长视频编辑。
Comments Project Page: this https URL (https://wucy0519.github.io/MMLVE/) and see source codes at this https URL (https://github.com/Wucy0519/MMLVE)
FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation
FLARE：一种面向视觉-语言机器人操纵中自主修正与恢复的故障感知框架
机构 * The Chinese University of Hong Kong（香港中文大学） ； Centre for Perceptual and Interactive Intelligence（感知与交互智能中心） ； Duke University（杜克大学） ； Sun Yat-sen University（中山大学） ； TengenX（天工科技） ； Tencent Robotics X（腾讯Robotics X实验室） ； Shenzhen Loop Area Institute（深圳河套学院） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省大数据分析与处理重点实验室）
AI总结 针对视觉-语言机器人操纵中VLAs无法从执行错误恢复的问题，提出含“重试”“重置”范式的FLARE框架，结合MLLM实现故障恢复，显著提升接触密集型操纵任务的成功率与鲁棒性。
Comments Accepted to CVPR 2026
Not Just Reason, Not Just Scan: Reinforcement Learning for Proactive Scientific Error Verification over Academic Paper
不仅是推理，不仅是扫描：面向学术论文的主动科学错误验证强化学习
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； WeChat AI, Tencent Inc.（腾讯微信人工智能部门）
AI总结 针对现有无预设问题/证据的学术论文科学错误验证研究不足的问题，提出VERA-RL强化学习框架，构建VERA-13K数据集，训练Qwen3-VL-8B后其可验证推理能力接近旗舰级多模态大语言模型。
Comments Accepted by EMNLP 2026 Findings
ElementCheck: Complexity-Aware Long-Form Text Factuality Evaluation via Sentence Elements
ElementCheck：基于句子元素的复杂度感知长文本事实性评估
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Zhongguancun Academy（中关村学院） ； Fudan University（复旦大学） ； Tencent（腾讯） ； University of Cambridge（剑桥大学） ； University of Aberdeen（阿伯丁大学）
AI总结 ElementCheck是一种基于句子元素的复杂度感知框架，通过提取实体对构建元素图，在FastFact-Sent等基准上提升了五个主干模型的长文本事实性验证性能，且优化了准确率与成本的权衡。
Comments 25 pages, 4 figures
4DStreamCtrl: Interactive Video Generation with Online 4D Control
4DStreamCtrl：基于在线4D控制的交互式视频生成
机构 * Peking University（北京大学） ； Tencent Hunyuan（腾讯混元）
AI总结 4DStreamCtrl将相机运动、物体轨迹与深度统一为3D点轨迹表示，结合蒸馏的因果流式模型，首次实现交互式4D可控实时视频生成，精度与效率均优于现有方法。
Comments 23 pages
Unsupervised Post-Training of Foundation Models: A Survey
基础模型的无监督后训练：一项综述
机构 * HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； Xiaohongshu Inc.（小红书公司） ； WeChat, Tencent（腾讯微信） ； CUHK（香港中文大学） ； AI Robotics（人工智能机器人）
AI总结 该综述梳理80种无监督后训练（UPT）方法，按更新信号来源分类，揭示内部信号与任务结构对UPT效果的影响，构建统一框架用于UPT的选择与评估。
Comments Accepted to Findings of EMNLP 2026. 20 pages, 3 figures, 8 tables
Evidence-Grounded Trustworthy Multimodal Reasoning and Evaluation Benchmark in Complex Urban Scenes
复杂城市场景中基于证据的可信多模态推理与评估基准
机构 * University of Chinese Academy of Sciences (UCAS)（中国科学院大学） ； Tencent CDG（腾讯云与智慧产业事业群） ； Institute of Information Engineering, CAS（中国科学院信息工程研究所）
AI总结 针对复杂城市场景中多模态大语言模型的推理可靠性问题，提出AD2-Bench基准与EGVOR模型，提升了不利条件下的多模态推理稳定性。
Comments This submission is an iterative version of our previous work, **"AD^2-Bench: A Hierarchical CoT Benchmark for MLLM in Autonomous Driving under Adverse Conditions"** ( arXiv:2506.09557 (https://arxiv.org/abs/2506.09557) ). We plan to consolidate the current submission with the earlier version into a unified manuscript. Therefore, we would like to withdraw this submission
Summarization is Not Dead Yet
摘要生成尚未消亡
机构 * Saarland University（萨尔大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室）
AI总结 通过多维度评估，发现人类参考摘要在信息量和忠实度上仍优于大语言模型，后者仅在表面连贯性和流畅性上占优，表明摘要生成研究仍有挑战。
Comments EMNLP 2026 Main & Long Conference Paper
