Vision-centric generative AI models: A software-hardware perspective
以视觉为中心的生成式AI模型：软硬件视角
机构 * The University of Edinburgh（爱丁堡大学）
AI总结 本文从软硬件视角指出视觉生成式AI发展中硬件被动适配模型的问题，提出软硬件协同设计方法，以实现生成式AI在边缘等多平台的可持续部署。
高校专区
University of Edinburgh（爱丁堡大学）
A Table Is Worth 64 Tokens: Pixel-level Compression for Multi-Table Document Question Answering
一张表格值64个Token：面向多表格文档问答的像素级压缩
机构 * School of Informatics（信息学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本文针对多表格文档问答提出无需训练的两步像素级表格压缩方法，在长文档上节省41%总Token，比高效单步压缩配置少用15%Token且无准确率损失，还较原生分辨率单步问答提升7个百分点准确率。
Hyperspectral Diffusion Equivariant Imaging (HyDiff-EI): A Self-supervised Framework for Hyperspectral Image Inpainting
高光谱扩散等变成像（HyDiff-EI）：一种用于高光谱图像修复的自监督框架
机构 * University of Edinburgh（爱丁堡大学）
AI总结 提出HyDiff-EI自监督框架，将扩散建模与等变先验结合，针对高光谱图像修复，在Chikusei等真实数据集上表现优于现有算法，适配标注数据有限的遥感场景。
Comments 14 pages, 7 figures
Behavior2Trip: Towards Personalized Travel Planning via User Behavior Trajectory
Behavior2Trip：基于用户行为轨迹的个性化旅行规划
机构 * Meituan Inc.（美团公司） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Beijing Institute of Technology（北京理工大学） ； University of Edinburgh（爱丁堡大学）
AI总结 该研究提出行为感知旅行规划新任务，构建Behavior2Trip基准，提出B2T-Agent智能体，实验显示其在旅行规划任务上表现优于基线，凸显任务挑战性与模型泛化性。
Comments Accepted by EMNLP 2026 Findings
Large Models for Battery Prognostics and Health Management: A Review and Future Roadmap
用于电池 prognostics 与健康管理的大模型：综述与未来路线图
机构 * School of Physics and Astronomy, The University of Edinburgh（爱丁堡大学物理与天文学院） ； City University of Hong Kong（香港城市大学）
AI总结 本综述首次全面调研大模型在电池 prognostics 与健康管理（BPHM）中的应用，阐明其基础技术、解决的领域挑战，提出未来研究路线图，为开发下一代自主电池管理系统提供见解。
Comments Published in Renewable and Sustainable Energy Reviews
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
Active Preference Learning over Latent Preference Archetypes for Many-Objective Bayesian Optimization
多目标贝叶斯优化的混合模型偏好学习
机构 * University of Manchester（曼彻斯特大学） ； University of Edinburgh（爱丁堡大学） ； Aalto University（阿尔托大学） ； University of Amsterdam（阿姆斯特丹大学） ； ELLIS Institute Finland（芬兰ELLIS研究所）
AI总结 本文提出一种混合模型偏好学习框架，通过学习潜在偏好原型而非假设单一效用函数，提升多目标优化中异质性人价值结构的适应性，并在合成和现实基准上表现更优。
Comments 15 pages, 13 figures
A Very Big Video Reasoning Suite
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: this https URL (https://video-reason.com/?v=vbvr)
