大厂专区
在中文社交媒体文本上评估机器翻译
机构 * The University of Tokyo（东京大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 本文提出CSM-MTBench，用于评估机器翻译在中文社交媒体文本上的表现，涵盖五个语言方向，并针对不同内容类型设计了定制化评估方法。
Comments Camera ready version, to appear in EMNLP 2026, Findings
RECAST：通过多约束数据扩展大型语言模型（LLMs）复杂指令遵循的边界
机构 * Fudan University（复旦大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 该研究针对LLMs在遵循超10个约束的复杂指令时表现不佳的问题，提出RECAST框架构建含多约束的RECAST-30K数据集，微调后模型遵循复杂指令能力提升且通用能力未降，还可用于设计强化学习奖励函数。
GlyphAnchor：通过位置锚定字形先验增强视觉文本渲染
机构 * Fudan University（复旦大学） ； Xiaohongshu Inc.（小红书公司） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 针对图像生成与编辑模型的文本渲染难题，提出GlyphAnchor方法，结合字形先验提升文本保真度，引入InfoTextBench基准验证，效果显著。
多图像视觉语言模型中的多图像视觉令牌剪枝
机构 * University of Science and Technology of China（中国科学技术大学） ； Xiaohongshu Inc.（小红书科技有限公司）
AI总结 本文针对现有LVLMs多图像剪枝方法的局限，提出无需训练的AVTP框架，在多类LVLMs上实现显著推理加速，同时保持较高准确率，部分模型性能甚至优于基线。
Comments 14 pages, 3 figures, EMNLP 2026 Findings
带有快速写入路由与慢速整合的双层智能体记忆
机构 * Zhejiang University（浙江大学） ； Xiaohongshu（小红书） ； University of North Texas（北得克萨斯大学）
AI总结 该研究针对LLM智能体动态环境下的记忆管理问题，提出双层智能体记忆框架，通过成本感知路由与周期性整合实现高效记忆处理，在保留高检索性能的同时减少冗余。
MemoNoveltyAgent：一种用于论文新颖性评估的历史研究记忆感知智能体工作流
机构 * Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen, China（计算与智能研究院，哈尔滨工业大学深圳校区，中国） ； Xiaohongshu Inc.（小红书公司） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； NLP 2 CT Lab, Department of Computer and Information Science, University of Macau, China（自然语言处理2实验室，计算机与信息科学系，澳门大学，中国）
AI总结 提出MemoNoveltyAgent多智能体系统，通过分层抽象记忆、细粒度新颖点分解和自验证机制，生成忠实的新颖性报告，在评估中比GPT-5 DeepResearch提升13.69%。
Comments Accepted to the Findings of EMNLP 2026
CNeo-Bench：针对中文新词汇的大语言模型诊断基准
机构 * The University of Tokyo（东京大学） ； Xiaohongshu Inc.（小红书公司） ； Tsinghua University（清华大学）
AI总结 本研究构建了含4759个中文新词汇的基准CNeo-Bench，搭配两层评估框架评估18个大语言模型，发现模型在定义生成上表现差，存在识别-操作差距，少样本提示仍无法解决部分难题。
Comments Work in progress
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
FireRedAudio：一种具有解耦连续表示的通用音频语言模型，用于理解与生成
机构 * Xiaohongshu（小红书）
AI总结 FireRedAudio是首个公开的统一音频-语言模型，采用解耦连续表示，支持音频理解、多语种ASR、各类TTS及语音编辑，性能优于相关模型。
Comments 20 pages, 3 figures. In this revision, the author list is ordered alphabetically by given name and an author-contribution statement is added; the technical content is unchanged
Tournament-GRPO：面向开放式长文本生成强化学习的群组锦标赛奖励
机构 * Renmin University of China（中国人民大学） ； University of Southern California（南加州大学） ； Zhejiang University（浙江大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 针对开放式长文本生成中缺乏可靠参考答案和自动评估指标的问题，提出Tournament-GRPO框架，通过同一查询生成结果间的多轮锦标赛比较将基于规则的LLM评判转化为相对奖励，在Deep Research Bench上取得4.52分提升。
Comments Accepted to EMNLP 2026 Main Conference
FireRedTTS3：基于语义丰富的语音表征的统一语音生成与编辑
机构 * Xiaohongshu（小红书）
AI总结 本研究提出FireRedTTS3框架，利用冻结音频编码器正则化特征空间缓解自回归误差，其两个变体在对应任务数据集上均优于竞争系统，实现稳定可控的高保真语音生成与编辑。
SkillGate：训练长视距智能体中的策略内技能选择
机构 * Shanghai Jiao Tong University（上海交通大学） ； Xiaohongshu Inc.（小红书科技有限公司）
AI总结 SkillGate 针对长视距智能体策略内技能选择的选择器信用匮乏问题，通过划分信用通道提升了 9B 策略的试验成功率，减少了误导性候选接触并降低技能读取次数。
Comments 17 pages, 6 figures, 6 tables. Code: https://github.com/DeepExperience/SkillGate. Models: https://huggingface.co/simonlqy/SkillGate-9B
VibeLifeBench：你的生命智能体能在真实生活环境中保持主动与持续性吗？
机构 * Xiaohongshu Dots Studio（小红书Dots工作室） ； Evolvent AI（Evolvent AI公司）
AI总结 本文提出VibeLifeBench基准，评估7个前沿LLM智能体在200项长周期日常生活任务中的表现，发现其主动与持续性不足，将开源相关任务、环境与评估框架。
拼接与讲述：一种结构化多模态数据增强方法用于空间理解
机构 * School of Computer Science, Beijing Institute of Technology（北京理工大学计算机科学学院） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Xiaohongshu Inc（小红书公司）
AI总结 Stitch and Tell通过结构化空间监督提升视觉-语言模型的空间理解能力，有效缓解空间幻觉并提高相关任务性能。
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)
StreamArena：面向连续、交互式且长视界的智能体流媒体视频理解
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Xiaohongshu Inc.（小红书公司） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 针对当前智能体流媒体视频理解评估的缺陷，提出StreamArena基准，设计StreamMind架构解决连续交互与长视界理解的张力，在四项能力上优于现有基线并降低延迟。
VibeSearchBench：野外长期主动搜索的基准测试
机构 * Xiaohongshu Dots Studio & Unipat AI（小红书 dots 飞 studios 与 Unipat AI）
AI总结 针对现有搜索基准中查询过于明确、单轮交互和固定模式评估导致用户体验与评估结果差距的问题，提出VibeSearch范式并构建VibeSearchBench基准，通过渐进式用户模拟和图匹配评估框架测试前沿模型，发现所有模型在长期上下文推理、主动意图激发和结构化知识构建方面仍存在显著不足。
Harness-R1：从智能体失败轨迹中学习编辑可执行运行时管控程序
机构 * Shanghai Jiao Tong University（上海交通大学） ； Xiaohongshu Inc.（小红书公司） ； Southeast University（东南大学）
AI总结 Harness-R1是首个基于智能体失败轨迹学习编辑可执行运行时管控程序的方法，经WebShop等基准测试，可提升Qwen3.5-9B智能体成功率，为管控程序与智能体协同进化提供了方向。
先获取再探索：面向搜索智能体的持久工作空间上选择与提取解耦
机构 * Renmin University of China（中国人民大学） ； Xiaohongshu Inc.（小红书公司） ； National University of Singapore（新加坡国立大学）
AI总结 该研究针对搜索智能体提出Fetch-then-Explore方法，将页面选择与证据提取解耦，在两个基准测试中提升了智能体的搜索性能，核心是通过持久工作空间实现页面复用与证据累积。
RING：用于持续大规模知识注入的检索内化生成
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Xiaohongshu Inc.（小红书科技有限公司）
AI总结 RING是一种将检索内化的范式，通过三阶段训练学习参数化记忆的检索策略，在自主构建的News-2025基准上，其知识注入的准确性与效率优于或匹配现有方法。
Comments 16 pages
VAD：为多模态在线策略蒸馏中的目标重建归因视觉证据
机构 * Shanghai Jiao Tong University（上海交通大学） ； Xiaohongshu Inc.（小红书公司） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Southeast University（东南大学）
AI总结 该研究提出视觉归因蒸馏（VAD）算法，通过反事实目标重建分离教师校正中的视觉证据分量，在6个4B/9B规模的细粒度视觉基准上，性能优于现有蒸馏方法。
Comments The project is accessible at https://github.com/DeepExperience/VAD_Multimodal_OPD
面向基于大语言模型（LLM）的推荐系统的分层潜在推理方法
机构 * Xiaohongshu（小红书） ； Peking University（北京大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 本文针对基于LLM的推荐系统提出分层潜在推理框架HiLaR，通过层感知强化优化提升推荐性能，在四个Amazon基准数据集上优于多种主流基线。
面向领域特定数据资产发现的结构化知识基础设施
机构 * Xiaohongshu（小红书）
AI总结 针对企业数据分析智能体检索数据资产的失效问题，提出两层解决方案，经小红书广告数据仓库验证，可大幅提升检索准确率与知识覆盖率，降低延迟。
Comments 6 pages, 2 figures, 2 tables. Submitted to DAI 2026 Industry Track
RedKnot: 基于头部感知的KV重用和SegPagedAttention的高效长上下文LLM服务
机构 * Xiaohongshu Inc., China（小红书公司，中国） ； Peking University（北京大学） ； Huawei Cloud（华为云）
AI总结 提出RedKnot系统，通过按KV头分解缓存并采用SegPagedAttention，实现位置无关的KV重用、前缀压缩、冷热分离和分布式放置，在不重训练模型的情况下提升资源效率。
TeaRAG：一种令牌高效的智能检索增强生成框架
机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 研究提出TeaRAG框架解决智能RAG令牌开销大问题，通过基于简洁三元组的图检索压缩检索内容，用IP-DPO减少推理步骤，在多个数据集上实验，提高了平均精确匹配，减少了输出令牌。
Comments 34 pages
试验中的评分标准：通过合成成对证据从单个查询中演化评分标准
机构 * School of Computing, National University of Singapore（新加坡国立大学计算学院） ； Xiaohongshu Inc.（小红书公司） ； School of Cyber Science and Technology, Zhejiang University（浙江大学网络空间安全学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 研究针对构建可靠特定查询评分标准难的问题，提出“试验中的评分标准”框架，仅从查询演化评分标准集，靠合成响应对获取监督并验证，实验证明该框架有效，平均准确率最佳且在多数评估集领先。
xHC：扩展超连接
机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Dots Studio, Xiaohongshu Inc.（小红书公司点点工作室） ； University of Science and Technology of China（中国科学技术大学） ； School of CS, Peking University（北京大学计算机科学学院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 研究针对超连接（HC）扩展残差流时的性能瓶颈，提出xHC方法，结合时间特征增强与稀疏残差流架构，实现超越N = 4的有效扩展，在MoE模型上有下游改进，还介绍xHC - Flash减少内存流量，让大N残差流扩展用于语言模型预训练更有效实用。
Comments Technical report. Project page: https://github.com/aHapBean/xHC
NITP：面向LLM预训练的下一隐式令牌预测
机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Xiaohongshu Inc.（小红书公司） ； The Chinese University of Hong Kong（香港中文大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出NITP方法，通过在表示空间中添加密集连续监督来增强离散令牌预测，以解决标准下一令牌预测中潜在表示空间约束不足的问题，并在0.5B至9B参数模型上取得一致性能提升。
Comments Accepted at ICML 2026
平滑缩放定律隐藏了逐步的令牌学习
机构 * Dots Studio, Xiaohongshu Inc.（dots studio，小红书公司） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua university（清华大学）
AI总结 本文提出令牌级框架，将缩放定律分解为上下文令牌的局部学习事件，通过拟合S形曲线发现令牌学习集中在局部转换中，并利用学习时间谱定量重建验证损失导数，进而通过重塑训练分布实现11%的验证损失加速降低。
Comments 21 pages
Akashic：一种基于内存注意力机制的低开销大语言模型推理服务
机构 * Xiaohongshu Inc.（小红书公司） ； ShangHai JiaoTong University（上海交通大学） ； Peking University（北京大学）
AI总结 针对大语言模型推理中重放完整历史记录不切实际的问题，提出基于内存注意力机制的低开销内存系统Akashic，通过组织上下文成有界块、建模块间语义关系及应用软硬件协同设计内存放置，提升了任务准确率、吞吐量和可持续请求率。
BigMac: 打破多模态大语言模型训练中的计算与内存帕累托前沿
机构 * Peking University（北京大学） ； Independent Researcher（独立研究员） ； Xiaohongshu, Inc（小红书公司）
AI总结 提出BigMac训练流水线，通过嵌套编码器和生成器计算到LLM流水线中，同时优化计算效率和内存使用，打破帕累托前沿。
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