语言大模型 / LLM

CosFly-VLA: A Spatially Aware Vision-Language-Action Model for UAV Tracking

CosFly-VLA：一种用于无人机跟踪的空间感知视觉-语言-动作模型

Ruilong Ren, Songsheng Cheng, Yunpeng Zhou, Hanxuan Chen, Xiangyue Wang, Tianle Zeng, Shuai Yuan, Binbo Li, Hanzhong Guo, Ji Pei, Da Zhang, Kangli Wang

机构 * Autel Robotics（大疆创新科技有限公司） ； Northeast Normal University（东北师范大学） ； Southern University of Science and Technology（南方科技大学） ； Peking University（北京大学） ； University of Hong Kong（香港大学） 纠错

专题命中 指令微调 ：pretraining(abstract)；SFT(abstract)

AI总结 针对复杂城市环境中无人机动态目标跟踪问题，提出CosFly-VLA模型，通过结构化预测接口联合定位目标、估计可见性并生成飞行动作。经多阶段训练，该模型在开环误差和闭环成功率上有显著提升，实现从可见帧模仿到空间基础动作闭环控制的进展。

ReBind: Multi-Reference Video Editing via Structured Instructions with Explicit Reference Relationships

ReBind：通过具有显式参考关系的结构化指令进行多参考视频编辑

Xinyu Liu, Shihao Li, Weihong Lin, Xinlong Chen, Yang Shi, Yujin Han, Yiyang Cai, Yanghao Wang, Ruibin Yuan, Yuanxing Zhang, Pengfei Wan, Wenhan Luo, Yike Guo

机构 * HKUST（香港科技大学） ； Kling Team（克林团队） ； NJU（南京大学） ； UCAS（中国科学院大学） ； PKU（北京大学） ； HKU（香港大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 研究针对多参考图像条件视频编辑中现有方法难以协调多视觉源信息的问题，提出ReBind框架，通过带嵌入参考令牌的语义指令及两阶段渐进方案学习建立显式绑定，实现轻量级适配，在指令质量和性能上表现出色。

Comments Project Page: https://rebind-mrv2v.github.io/

S-squared-VLA: Decoupling Semantic and Spatial Streams in Vision-Language-Action Models for Autonomous Driving

S平方-VLA：自动驾驶视觉-语言-动作模型中语义与空间流的解耦

Jianguo Yu, Rukang Wang, Duanfeng Chu, Chen Wang, Renju Feng, Liping Lu

机构 * School of Mechanical and Electronic Engineering, Wuhan University of Technology（武汉理工大学机电工程学院） ； Intelligent Transportation Systems Research Center, Wuhan University of Technology（武汉理工大学智能交通系统研究中心） ； School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院） 纠错

专题命中 指令微调 ：language model(abstract)；SFT(abstract)

AI总结 研究针对自动驾驶中视觉语言模型生成低级控制动作的局限，提出S平方-VLA解耦语义和空间流，语义流用于意图推理，空间流保留空间特征并赋予先验，双流规划适配器融合二者，在基准测试中取得新的最先进水平，优于基线。

Actor as Its Own Critic: Unifying Region Understanding and Localization via CycleGRPO

作为自身评论家的智能体：通过循环组相对策略优化统一区域理解与定位

Xin Zhang, Haochen Wang, Yikang Zhou, Jason Li, Robby T. Tan

机构 * National University of Singapore（新加坡国立大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 研究针对多模态大语言模型的区域理解与定位问题，提出循环组相对策略优化框架CycleGRPO，利用任务对偶性构建自我评估范式，仅需区域输入，通过质量感知奖励评估字幕，在多基准测试中提升能力，为推进MLLMs像素级能力提供新途径。

Comments Accepted to ECCV 2026

REVA-PO: Stabilizing Reinforcement Learning for Chest X-ray Report Generation

REVA-PO：用于胸部X光报告生成的稳定强化学习

Li Guo, Anas M. Tahir, Z. Jane Wang

机构 * University of British Columbia（英属哥伦比亚大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 研究针对胸部X光报告生成中强化学习训练不稳定等问题，提出REVA-PO框架，通过响应加权正则化和验证锚定策略重置稳定训练，采用三阶段管道，实验证明该框架在语言质量和临床准确性上达新基准。

SCOPE: Leveraging Subgoal Critiques for Code Generation

SCOPE：利用子目标批判进行代码生成

Yueke Zhang, Yifan Zhang, Zihan Fang, Kevin Leach, Wei Zhang, Yu Huang

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 研究针对大语言模型代码生成不可靠问题，提出SCOPE方法，利用证明器初始化子目标批判，结合监督微调、强化学习等，通过两个互补奖励改进代码生成，实验显示在多个数据集上优于基线，优势集中在有语义约束任务，代码修正更局部。

StructuredEdit: Constraint-Aware Graphic Design Editing via Differentiable Parameter Propagation

StructuredEdit：通过可微参数传播实现约束感知的平面设计编辑

Veeramanohar Avudaiappan, Ritwik Murali

机构 * Department of Electrical and Electronics Engineering, Amrita School of Engineering, Coimbatore, Amrita Vishwa Vidyapeetham India（电子与电子工程系，阿米特拉工程学院，科伊巴托尔，阿米特拉世界学院，印度） ； Department of Computer Science and Engineering, Amrita School of Computing, Coimbatore, Amrita Vishwa Vidyapeetham India（计算机科学与工程系，阿米特拉计算学院，科伊巴托尔，阿米特拉世界学院，印度） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 研究针对平面设计编辑在严格约束下操作难的问题，提出StructuredEdit将设计编辑转为参数操作，核心方法是可微参数传播，贡献是提升了约束满意度等指标，还减少了用户编辑时间和校正迭代次数。

Comments 3 page poster short paper.2 Figures, 2 Tables. Planned to submit to SIGGRAPH Asia

Data-driven atomistic modelling of hybrid halide perovskite passivation

混合卤化物钙钛矿钝化的数据驱动原子模型

Laura-Bianca Paşca, Henry J. Snaith, Volker L. Deringer

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 研究混合卤化物钙钛矿表面缺陷分子钝化的原子机制，用类似大语言模型连续微调的多步骤训练管道，结合两个数据集进行原子建模和计算实验，揭示相关相互作用随分子表面覆盖度的演变。

Seek to Segment: Active Perception for Panoramic Referring Segmentation

寻求分割：全景指代分割的主动感知

Song Tang, Shuming Hu, Xincheng Shuai, Henghui Ding, Yu-Gang Jiang

机构 * Fudan University（复旦大学） 纠错

专题命中 指令微调 ：language model(abstract)；post-training(abstract)

AI总结 提出主动全景指代分割任务，通过记忆增强智能体PanoSeeker结合视觉语言模型与空间记忆，实现高效搜索与分割。

Comments ECCV 2026, Project Page: https://henghuiding.com/APRS/

ReQuest: Rethinking-based Question-Aware Frame Selection for Long-Form Video QA

ReQuest：基于重新思考的问题感知帧选择用于长视频问答

Minkuk Kim, Suyong Yun, Young Tae Kim, Jinyoung Moon, Jinwoo Choi, Seong Tae Kim

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 提出ReQuest，一种不确定性驱动的、问题自适应的关键帧选择方法，通过轻量级选择器、重新思考路由和不确定性引导的NMS，在固定token预算下提升长视频问答准确率。

Comments Accepted at ECCV 2026

Boundary observables in string field theory

弦场论中的边界可观测量

Klaus Kaja, Carlo Maccaferri, Ulisses Portugal, Jakub Vošmera

专题命中 指令微调 ：SFT(abstract,abstract_cn)

AI总结 本文从自由弦场论的规范不变作用量出发，定义了类似Brown-York荷的边界可观测量，并给出了开弦和闭弦场论中的例子。

Comments 32 pages, 2 appendices, no figures

Next-Generation Agentic Reinforcement Learning Systems Enable Self-Evolving Agents

下一代智能体强化学习系统实现自进化智能体

Ran Yan, Wei Fu, Jiale Li, Shusheng Xu, Zhiyu Mei, Jiaxuan Gao, Jiarui Zhang, Wentai Zhang, Hao Dai, Xujie Shen, Chuyi He, Zhen Pu, Jun Mei, Zhiyao Lin, Haitao Wang, Zhiqiang Ding, Jiawei Zhang, Huaijie Wang, Ruida Xu, Honghua Dong, Youhe Jiang, Yi Wu, Tongkai Yang, Binhang Yuan

专题命中 指令微调 ：LLM(abstract,abstract_cn)

AI总结 针对企业级大规模智能体服务中自进化部署的瓶颈，提出智能体在线强化学习系统需在轨迹数据协议、数据代理和进化控制平面三方面进行协同设计，并通过AReaL2.0实例化。

DroneIQA-VLE: Multi-Task Drone Image Quality Assessment via Vision-Language Ensemble

DroneIQA-VLE：基于视觉-语言集成的多任务无人机图像质量评估

Wei Sun, Weixia Zhang, Hongjian Zhan, Mingkai Lu, Yixuan Gao, Guangtao Zhai

机构 * East China Normal University（华东师范大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 提出DroneIQA-VLE框架，通过集成SigLIP2视觉编码器与多任务回归头以及LoRA微调的Qwen3.5-9B多模态大模型，联合预测全局、目标和背景质量分数，在ICME 2026无人机图像质量评估挑战赛中获得第二名。

Comments The model achieves 2nd place in ICME 2026 Drone-IQA Grand Challenge on Target-aware Image Quality Assessment for Low-altitude UAV Images

TextDS: Parameter-Efficient Representation Alignment for Scene Text Detection under Distribution Shifts

TextDS: 分布偏移下场景文本检测的参数高效表示对齐

Boyuan Chen, Zichen Dang, Chuang Yang, Lap-Pui Chau, Yi Wang

机构 * School of Electrical Engineering, Xi’an Jiaotong University（西安交通大学电气工程学院） ； Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University（香港理工大学电机及电子工程学系） 纠错

专题命中 指令微调 ：foundation model(abstract)；pretraining(abstract)

AI总结 提出TextDS框架，通过视觉基础模型、逐步LoRA适应和公共子空间融合，仅用4.9M参数实现跨域和退化条件下的鲁棒场景文本检测。

Comments Accepted by ECCV 2026. Project page: https://github.com/ZChenDang/TextDS

A Krieger Embedding Theorem for Near Markov Sofic Shifts

近马尔可夫索菲克平移的克里格嵌入定理

Brian Marcus, Tom Meyerovitch, Chengyu Wu

专题命中 指令微调 ：SFT(abstract,abstract_cn)

AI总结 本文推广了Krieger嵌入定理，给出了将子平移嵌入到混合（不可约）近马尔可夫索菲克平移的充要条件，并证明了当被嵌入子平移为不可约索菲克时，条件可有限判定。

Comments 30 pages

GTA-Net: Cooperative Game Theory for Vision-Language Alignment in Chest X-Ray Report Generation

GTA-Net：合作博弈论在胸部X光报告生成中的视觉-语言对齐

Saif ur Rehman Khan, Imad Ahmed Waqar, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim

机构 * Department of Computer Science, Rhineland-Palatinate Technical University of Kaiserslautern-Landau（莱茵兰-普法尔茨凯泽斯劳滕-兰道工业大学计算机科学系） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； IntelligentX GmbH 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 提出GTA-Net，利用合作博弈论实现图像区域与文本的显式对齐，通过二元和三元对齐器提升胸部X光报告生成的临床一致性。

Do Activation Monitors Survive Model Updates? Benchmarking, Predicting, and Repairing Activation-Monitor Staleness

安全监控器在更新后是否仍可靠？激活监控器陈旧性的基准测试与预测

Evan Duan

机构 * University of Michigan（密歇根大学） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究语言模型更新后激活监控器是否仍可靠，发现量化更新影响小，微调更新常导致监控器失效，且可通过预部署特征预测退化。

Exploring Pre-training Benefits on Phoneme Addition through Fine-tuning in Speech Synthesis

探索预训练在语音合成中通过微调对音素添加的益处

Masato Murata, Koichi Miyazaki, Tomoki Koriyama, Tomoki Toda

机构 * CyberAgent, Japan（日本CyberAgent公司） ； Nagoya University, Japan（日本名古屋大学） 纠错

专题命中 指令微调 ：LLM(abstract,abstract_cn)

AI总结 研究预训练模型在微调过程中添加新音素时的表现，发现预训练主要提升自然度，但对新音素添加的益处有限。

Comments Accepted by INTERSPEECH 2026

Channel Charting With Physical Channel Fingerprints For Massive MIMO-OFDM Channel Acquisition

基于物理信道指纹的大规模MIMO-OFDM信道获取的信道图构建

Jinke Tang, Xiqi Gao, Li You, Xiang-Gen Xia, Cheng-Xiang Wang

专题命中 指令微调 ：SFT(abstract,abstract_cn)

AI总结 提出基于物理信道指纹的信道图构建方法，利用簇几何随机信道模型提取参数，实现大规模MIMO-OFDM系统中信道状态信息的高效获取，并用于波束域统计信道估计，性能接近传统在线探测方法。

Comments 15 pages, 9 figures

Journal ref IEEE Transactions on Wireless Communications, vol. 25, pp. 19243-19259, 2026

A Unified Framework for Efficient Remote Sensing Visual Question Answering: Adapting Dual, Hybrid, and Encoder-Decoder Architectures

高效遥感视觉问答的统一框架：适配双编码器、混合架构和编码器-解码器架构

Timothy Agboada, Shikha Chandel, Yadav Raj Ghimire, Leila Hashemi-Beni

机构 * Computational Data Science and Engineering（计算数据科学与工程） ； College of Science and Technology（科学与技术学院） 纠错

专题命中 指令微调 ：language model(abstract)；foundation model(abstract)

AI总结 提出RS Adapter参数高效微调策略，在三种视觉语言模型架构上注入轻量瓶颈适配器，仅用不到5%可训练参数实现遥感VQA，混合架构FLAVA在多模态推理与检索间取得最佳平衡。

Comments 4 pages, 2 figures, accepted and to be presented at 2026 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2026), scheduled for 9 to 14 August 2026 in Washington D.C

Training-Free Open-Vocabulary Visual Grounding for Remote Sensing Images and Videos

面向遥感图像与视频的无训练开放词汇视觉定位

Ke Li, Di Wang, Yongshan Zhu, Ting Wang, Weiping Ni, Tao Lei, Quan Wang, Xinbo Gao

机构 * School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） ； Interdisciplinary Institute of Artificial Intelligence, Xidian University（西安电子科技大学跨学科人工智能研究院） ； School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院） ； Northwest Institute of Nuclear Technology（西北核技术研究所） ； School of Physics and Information Engineering, Fuzhou University（福州大学物理与信息工程学院） 纠错

专题命中 指令微调 ：language model(abstract)；foundation model(abstract)

AI总结 提出无训练框架RSVG-ZeroOV，利用冻结的通用基础模型通过概览-聚焦-演化范式实现零样本开放词汇遥感视觉定位，并扩展至视频时空定位，在多个基准上超越现有零样本方法。

Pareto-Guided Teacher Alignment for Fair Personalized Text Generation

帕累托引导的教师对齐用于公平个性化文本生成

Tunazzina Islam

机构 * Purdue University（普渡大学） 纠错

专题命中 指令微调 ：preference optimization(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 提出帕累托引导的教师对齐框架，通过修订候选生成、对感知可行性门控、帕累托候选选择和偏好优化，在减少人口统计差异的同时保持个性化保真度，实验表明公平缓解效果依赖于目标且跨域迁移不一致。

Data Synthesis and Parameter-Efficient Fine-Tuning for Low-Resource NMT: A Case Study on Q'eqchi' Mayan

低资源神经机器翻译的数据合成与参数高效微调：以Q'eqchi'玛雅语为例

Alexander Chulzhanov, Soeren Eberhardt, Arjun Mukherjee

机构 * University of Houston（休斯顿大学） ； MasterWord Services, Inc.（MasterWord Services公司） ； University of Washington（华盛顿大学） 纠错

专题命中 指令微调 ：prompting(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 针对低资源土著语言，提出数据合成方法（利用社区词典生成合成语料）结合LoRA参数高效微调，在Q'eqchi'玛雅语上实现高结构习得（BLEU 42.02），但存在结构-语义差距，需结合真实数据进行课程学习。

Comments Accepted to the 29th International Conference on Text, Speech and Dialogue (TSD 2026). This version of the contribution has been accepted for publication, after peer review but is not the Version of Record and does not reflect post-acceptance improvements, or any corrections

OmniCap-IF: Benchmarking and Improving Instruction Following Abilities for Omni-Video Captioning

OmniCap-IF：全视频字幕遵循指令能力的基准测试与改进

Jiahao Wang, An Ping, Yanghai Wang, Yuanxing Zhang, Shihao Li, Hanyan Bian, Yichi Ren, Yize Zhang, Han Wang, Haowen Chen, Junze Li, Jiaqi Wang, Yiyang Hu, Zhuze Xu, Zijie Zhang, Jiaheng Liu

机构 * NJU-LINK Team, Nanjing University（南京大学 NJU-LINK 团队） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 提出首个全模态字幕指令遵循基准OmniCap-IF，通过格式与内容正确性评估50种约束类型，揭示格式-内容权衡，并构建54K指令微调数据集OmniCap-IF-54K及模型OmniCaptioner-IF。

Decoupling Planning and Control for Instructable Agents

可指令智能体的规划与控制解耦

Zineng Tang, Kelsey R. Allen, Sjoerd van Steenkiste, Ishita Dasgupta, Alane Suhr

机构 * UC Berkeley（加州大学伯克利分校） ； UBC（不列颠哥伦比亚大学） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本研究提出Instruct-to-Act系统，将VLM规划器与世界模型控制器解耦，在七个具身环境中验证其性能优于仅控制器、直接VLM动作生成等基线，可替换VLM规划器且保持快速控制。

Comments Published as a conference paper at COLM 2026. Project page: https://zinengtang.github.io/instruct-to-act/

Code World Model: Coding Agent as World Brain

代码世界模型：作为世界大脑的编码智能体

Yiwen Chen, Guosheng Lin, Chi Zhang

机构 * Westlake AGI Lab（西湖AGI实验室） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出Code World Model框架，以编码智能体为世界大脑生成可执行代码维持世界状态，结合视频模型实现视觉渲染，在游戏数据微调后取得良好效果，为开放式世界模型提供新路径。

Comments Project Page: https://buaacyw.github.io/cwm/

Refusal geometry reflects refusal training: diverse refusal prefixes can raise stable rank and weaken refusal vector ablation attacks

弃权几何反映弃权训练：多样的弃权前缀可提升稳定秩并削弱弃权向量消融攻击

Andrey Labunets

机构 * UC San Diego（加州大学圣迭戈分校） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 本研究以OLMo-2-0425-1B-Instruct为对象，揭示弃权几何与弃权训练的关联，发现多样弃权起始可提升梯度稳定秩，削弱弃权向量消融攻击，为提升AI模型弃权鲁棒性提供新视角。

Retrieve, Match, Escalate: Accurate and Scalable Product Linking with VLM-Distilled Cross-Encoders and Agentic VLMs

检索、匹配、升级：基于VLM蒸馏的交叉编码器与智能体VLMs的准确且可扩展的商品链接

Jian Wang, Steven Xu, Sanjyot Thete, Maryam Barouti, Tom Tang, Elaine Wu, Charu Sareen, Kyle MacDonald

机构 * DoorDash Inc.（DoorDash公司） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 该研究针对大规模商品链接的成本与精度矛盾，提出“检索-匹配-升级”级联框架，用VLM蒸馏的交叉编码器处理多数简单案例，智能体VLM解决模糊案例，提升了链接覆盖率且降低成本。

Comments 9 pages, 3 figures, 5 tables

Mitigating Exploration Bias in RL for Multi-Instruction Following

缓解多指令遵循强化学习中的探索偏差

Mian Zhang, Yueqin Yin, Kaiyu He, Peilin Wu, Xinlu Zhang, Mingyuan Zhou, Zhiyu Zoey Chen

机构 * UT Dallas（德克萨斯大学达拉斯分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UC Santa Barbara（加利福尼亚大学圣巴巴拉分校） 纠错

专题命中 指令微调 ：LLM(abstract_cn)；分类 cs.CL、cs.LG

AI总结 针对多指令遵循RL中偏向简单指令的探索偏差，本文提出两个衡量指标与含行为引导、稀缺感知奖励的两阶段框架，在三个基准上显著优于基线。

Comments EMNLP 2026 Acceptance

PepLLM: ESM-Guided Llama for Structured Protein-Peptide Binding Interface Analysis

PepLLM：基于ESM引导的Llama的结构化蛋白质-肽结合界面分析

Hao Qian, Shikui Tu, Lei Xu

机构 * Shanghai Jiao Tong University（上海交通大学） ； School of Computer Science（计算机科学学院） ； Centre for Cognitive Machines and Computational Health (CMaCH)（认知机器与计算健康中心） 纠错

专题命中 指令微调 ：instruction tuning(abstract)；分类 cs.AI、cs.LG

AI总结 本研究提出PepLLM框架，整合ESM与LLaMA，生成蛋白质-肽结合界面的多属性结构化注释，为可解释的蛋白质-肽界面分析建立新任务与建模范式。