Fudan University（复旦大学）

SafeRBench: Dissecting the Reasoning Safety of Large Language Models

SafeRBench: 解析大语言模型推理安全性的本质

Xin Gao, Shaohan Yu, Zerui Chen, Yueming Lyu, Weichen Yu, Guanghao Li, Jiyao Liu, Jianxiong Gao, Jian Liang, Ziwei Liu, Chenyang Si

机构 * Nanjing University（南京大学） ； Fudan University（复旦大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Chinese Academy of Sciences（中国科学院） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 SafeRBench通过端到端评估方法解析大语言模型推理过程中的安全性问题，提出风险分层探测、微思维分析和10项细粒度指标，揭示大模型在增强安全性的同时可能增加可操作风险的悖论。

Comments 29 pages, 8 figures

VideoPro: Adaptive Program Reasoning for Long Video Understanding

VideoPro: 针对长视频理解的自适应程序推理

Chenglin Li, Feng Han, Yikun Wang, Ruilin Li, Shuai Dong, Haowen Hou, Haitao Li, Qianglong Chen, Feng Tao, Jingqi Tong, Yin Zhang, Jiaqi Wang

机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Wuhan University（武汉大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 VideoPro通过自适应程序推理框架提升长视频理解的效率和可靠性，利用快慢推理机制和参数优化在视觉任务中取得更高准确率。

Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark

通过经验驱动的终身学习构建自进化代理：一种框架和基准

Yuxuan Cai, Yipeng Hao, Jie Zhou, Hang Yan, Zhikai Lei, Rui Zhen, Zhenhua Han, Yutao Yang, Junsong Li, Qianjun Pan, Tianyu Huai, Qin Chen, Xin Li, Kai Chen, Bo Zhang, Xipeng Qiu, Liang He

机构 * School of Computer Science and Technology, East China Normal University（东华师范大学计算机科学与技术学院） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of HongKong（香港中文大学） ； Fudan University（复旦大学） 纠错

AI总结 本文提出经验驱动的终身学习框架和StuLife基准数据集，旨在构建能够持续学习和进化的自进化代理。

Pretrain Value, Not Reward: Decoupled Value Policy Optimization

预训练价值，而非奖励：解耦的价值策略优化

Chenghua Huang, Lu Wang, Fangkai Yang, Pu Zhao, Zhixu Li, Qingwei Lin, Dongmei Zhang, Saravan Rajmohan, Qi Zhang

机构 * School of Computer Science, Fudan University（复旦大学计算机学院） ； Microsoft（微软公司） 纠错

AI总结 本文提出了解耦的价值策略优化方法，通过预训练价值模型替代传统奖励模型，实现了更稳定高效的强化学习。

Comments 16 pages, 3 figures

MetaWorld: Skill Transfer and Composition in a Hierarchical World Model for Grounding High-Level Instructions

MetaWorld: 一个用于地面指令基础的分层世界模型中的技能迁移与组合

Yutong Shen, Hangxu Liu, Kailin Pei, Ruizhe Xia, Tongtong Feng

机构 * Beijing University of Technology（北京理工大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） 纠错

AI总结 MetaWorld通过整合语义规划与物理控制，利用专家策略迁移提升人形机器人在定位-操作任务中的性能。

Comments 8 pages, 4 figures, Submitted to ICLR 2026 World Model Workshop

NeRF-MIR: Towards High-Quality Restoration of Masked Images with Neural Radiance Fields

NeRF-MIR：面向基于神经辐射场的遮挡图像高质量恢复

Xianliang Huang, Zhizhou Zhong, Shuhang Chen, Yi Xu, Juhong Guan, Shuigeng Zhou

机构 * Shanghai Key Lab of Intelligent Information Processing（上海智能信息处理重点实验室） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

AI总结 NeRF-MIR通过PERE和PIRE机制提升遮挡图像恢复质量，采用动态加权损失函数和多视角信息融合，实现更精确的3D场景重建。

Comments 14 pages, 15 figures

SecureSplit: Mitigating Backdoor Attacks in Split Learning

SecureSplit: 缓解分裂学习中的后门攻击

Zhihao Dou, Dongfei Cui, Weida Wang, Anjun Gao, Yueyang Quan, Mengyao Ma, Viet Vo, Guangdong Bai, Zhuqing Liu, Minghong Fang

机构 * Case Western Reserve University（凯斯西储大学） ； Northeast Electric Power University（东北电力大学） ； Fudan University（复旦大学） ； University of Louisville（路易斯维尔大学） ； University of North Texas（北德克萨斯大学） ； The University of Queensland（昆士兰大学） ； Swinburne University of Technology（斯威本科技大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 SecureSplit通过维度变换和自适应过滤方法有效缓解分裂学习中的后门攻击问题。

Comments To appear in The Web Conference 2026

MARO: Learning Stronger Reasoning from Social Interaction

MARO：从社交互动中学习更强的推理能力

Yin Cai, Zhouhong Gu, Juntao Zhang, Ping Chen

机构 * College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学） 纠错

AI总结 MARO通过多智能体社交环境提升大语言模型的推理能力，解决稀疏信号、角色分布不均和环境不稳定问题，实验显示其在社交推理和跨任务迁移上的显著效果。

A Contrastive Pre-trained Foundation Model for Deciphering Imaging Noisomics across Modalities

一种用于跨模态解码成像噪声组学的对比预训练基础模型

Yuanjie Gu, Yiqun Wang, Chaohui Yu, Ang Xuan, Fan Wang, Zhi Lu, Biqin Dong

机构 * College of Biomedical Engineering, Yiwu Research Institute, Fudan University, Shanghai, China（复旦大学生物医学工程学院） ； Department of Psychological and Cognitive Sciences, Tsinghua University, Beijing, China（清华大学心理学与认知科学系） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； DAMO Academy, Alibaba Group, Beijing, China（阿里云达摩院） ； Hupan Laboratory, Hangzhou, Zhejiang, China（华平实验室） 纠错

AI总结 本文提出CoP基础模型，通过对比学习解码成像噪声，实现无需大量数据的高性能噪声分析，提升跨模态成像诊断的精度与效率。