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

Representing and Parsing Korean Constituency Structure at Different Levels of Granularity

不同粒度层级下的韩语成分结构表示与分析

Jungyeul Park, KyungTae Lim, Zihao Huang, Eunkyul Leah Jo, Yige Chen, Chulwoo Park

机构 * Korea Advanced Institute of Science & Technology（韩国科学技术院） ； The University of British Columbia（不列颠哥伦比亚大学） ； The Chinese University of Hong Kong（香港中文大学） ； Anyang University（安阳大学） 纠错

AI总结 该研究对比三种韩语成分分析表示，评估不同顺序的转换式分析器，发现细粒度的语素+XPOS表示表现最优，同时明确eojeol作为表层标注域的合理性。

AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design

AgentFold：用于蛋白质折叠模型设计的闭环智能体搜索

Mingquan Liu, Jiangyu Chen, Hanqun Cao, Xujun Zhang, Pengsen Ma, Xiangru Tang, Shuting Jin, Zhuo Yang, Annie Zheng, Tianfan Fu, Fang Wu, Xiangxiang Zeng

机构 * Hunan University（湖南大学） ； Nanjing University（南京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； Wuhan University of Science and Technology（武汉科技大学） ； Southeast University（东南大学） ； Stanford University（斯坦福大学） 纠错

AI总结 AgentFold是将蛋白质折叠模型开发转化为闭环搜索的多智能体框架，以ESMFold为起点，通过MCTS策略分配计算资源，在匹配预算下较Codex提案提升lDDT 7.5%，优于随机搜索。

APeB: Benchmarking Personalization Ability of Large Language Model Agents

APeB：大型语言模型智能体个性化能力基准测试

Garry Yang, Zizhe Chen, Xinru Chen, Yongqiang Chen, Jianxiang Wang, Deyu Zou, Linyi Ding, Jialiang Wu, Yunzhong He, Yu Gong, James Cheng, Huaixiao Tou

机构 * The Chinese University of Hong Kong（香港中文大学） ； ByteDance（字节跳动） 纠错

AI总结 研究大型语言模型智能体在处理原始、未明确查询时的个性化问题，通过引入个性化产品搜索测试平台构建基准测试，评估发现模型处理明确查询较好，但早期查询有困难，简单方法能提升性能。

Comments NA

PAPO: Stabilizing Rubric Integration Training via Decoupled Advantage Normalization

PAPO：通过解耦优势归一化稳定规则整合训练

Zelin Tan, Zhouliang Yu, Bohan Lin, Zijie Geng, Hejia Geng, Yudong Zhang, Mulei Zhang, Yang Chen, Shuyue Hu, Zhenfei Yin, Chen Zhang, Lei Bai

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Wuhan University（武汉大学） 纠错

AI总结 PAPO通过解耦优势归一化整合过程级评估，解决现有奖励设计的两个局限：Outcome Reward Models（ORM）仅评估最终答案正确性，而Process Reward Models（PRM）虽监督更丰富但易导致奖励黑客。

Comments EMNLP 2026 Main Conference

Meta-Prompt Optimization for LLM-Based Sequential Decision Making

基于大语言模型的序列决策中的元提示优化

Mingze Kong, Zhiyong Wang, Yao Shu, Zhongxiang Dai

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Chinese University of Hong Kong（香港中文大学） ； Guangdong Lab of AI and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） 纠错

AI总结 针对基于大语言模型的序列决策中因奖励非平稳导致的元提示优化难题，提出EXPO及扩展的EXPO-ES算法，可显著提升相关任务性能。

Comments EMNLP 2026 (main)