The Chinese University of Hong Kong（香港中文大学）

Look Inward to Explore Outward: Learning Temperature Policy from LLM Internal States via Hierarchical RL

向内看，向外探：通过分层强化学习从LLM内部状态学习温度策略

Yixiao Zhou, Yang Li, Dongzhou Cheng, Hehe Fan, Yu Cheng

机构 * Zhejiang University（浙江大学） ； Southeast University（东南大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 Introspective LLM通过分层强化学习从LLM内部状态学习温度策略，提升数学推理任务中的探索效率与可解释性。

Multi-Dimensional Visual Data Recovery: Scale-Aware Tensor Modeling and Accelerated Randomized Computation

多维视觉数据恢复：尺度感知张量建模与加速随机计算

Wenjin Qin, Hailin Wang, Jiangjun Peng, Jianjun Wang, Tingwen Huang

机构 * School of Mathematics and Statistics, Southwest University（数学与统计学学院，西南大学） ； Department of Statistics and Data Science, The Chinese University of Hong Kong（统计与数据科学系，香港中文大学） ； School of Mathematics and Statistics, Northwestern Polytechnical University（数学与统计学学院，西北工业大学） ； Faculty of Computer Science and Control Engineering, Shenzhen University of Advanced Technology（计算机科学与控制工程学院，深圳先进技术大学） 纠错

AI总结 本文提出了一种基于FCTN的非凸正则化方法，通过改进的ADMM框架和随机压缩算法，实现了多维数据恢复的高效与高精度处理。

Lamer-SSL: Layer-aware Mixture of LoRA Experts for Continual Multilingual Expansion of Self-supervised Models without Forgetting

Lamer-SSL：基于层意识的LoRA专家混合用于无需遗忘的持续多语言自监督模型扩展

Jing Xu, Minglin Wu, Xueyuan Chen, Xixin Wu, Helen Meng

机构 * The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 Lamer-SSL通过层意识的LoRA专家混合与重放策略，实现持续多语言自监督模型扩展，保持性能并减少遗忘。

Comments Accepted by ICASSP 2026

WavBench: Benchmarking Reasoning, Colloquialism, and Paralinguistics for End-to-End Spoken Dialogue Models

WavBench: 语音对话模型推理、口语化和副语言能力的基准测试

Yangzhuo Li, Shengpeng Ji, Yifu Chen, Tianle Liang, Haorong Ying, Yule Wang, Junbo Li, Jun Fang, Zhou Zhao

机构 * Xiamen University（厦门大学） ； Zhejiang University（浙江大学） ； CUHK-Shenzhen（香港中文大学（深圳）） 纠错

AI总结 WavBench通过三重框架评估语音对话模型的推理、口语化和副语言能力，推动真实场景下的对话模型发展。

Comments Open-source at https://naruto-2024.github.io/wavbench.github.io/

Semantic Caching for Low-Cost LLM Serving: From Offline Learning to Online Adaptation

语义缓存用于低成本LLM服务：从离线学习到在线适应

Xutong Liu, Baran Atalar, Xiangxiang Dai, Jinhang Zuo, Siwei Wang, John C. S. Lui, Wei Chen, Carlee Joe-Wong

机构 * University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出了一种基于学习的语义缓存框架，解决LLM服务中的缓存淘汰问题，通过离线优化和在线学习方法，在未知查询和成本分布下实现高效缓存管理。

Comments Accepted to INFOCOM 2026

CUHK-EE Systems for the vTAD Challenge at NCMMSC 2025

CUHK-EE系统参加2025年NCMMSC语音特性属性检测挑战赛

Aemon Yat Fei Chiu, Jingyu Li, Yusheng Tian, Guangyan Zhang, Tan Lee

机构 * Department of Electronic Engineering, The Chinese University of Hong Kong（电子工程系，香港中文大学） 纠错

AI总结 CUHK-EE团队开发了基于WavLM-Large和Diff-Net变体的vTAD系统，在不同设置下实现了高准确率和低错误率，揭示了模型复杂性与泛化能力的权衡。

Comments Accepted at the 20th National Conference on Man-Machine Speech Communication (NCMMSC 2025)

Journal ref In: Man-Machine Speech Communication. NCMMSC 2025. Communications in Computer and Information Science, vol 2662. Springer, Singapore (2026)