Fudan University（复旦大学）

Outcome Accuracy is Not Enough: Aligning the Reasoning Process of Reward Models

结果准确性不够：对奖励模型推理过程的对齐

Binghai Wang, Yantao Liu, Yuxuan Liu, Tianyi Tang, Shenzhi Wang, Chang Gao, Chujie Zheng, Yichang Zhang, Le Yu, Shixuan Liu, Tao Gui, Qi Zhang, Xuanjing Huang, Bowen Yu, Fei Huang, Junyang Lin

机构 * Alibaba Group（阿里巴巴集团） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出推理一致性度量，结合结果准确性改进生成奖励模型训练，提升RLHF性能并减少欺骗性对齐问题。

LLM Agents for Education: Advances and Applications

教育中的LLM代理：进展与应用

Zhendong Chu, Shen Wang, Jian Xie, Tinghui Zhu, Yibo Yan, Jinheng Ye, Aoxiao Zhong, Xuming Hu, Jing Liang, Philip S. Yu, Qingsong Wen

机构 * Squirrel Ai Learning ； Fudan University（复旦大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 本文综述了LLM代理在教育中的应用进展，探讨了其技术实现、挑战及在不同教育领域的应用。

Comments Accepted by EMNLP 2025 Findings

Point2Insert: Video Object Insertion via Sparse Point Guidance

Point2Insert: 通过稀疏点引导的视频物体插入

Yu Zhou, Xiaoyan Yang, Bojia Zi, Lihan Zhang, Ruijie Sun, Weishi Zheng, Haibin Huang, Chi Zhang, Xuelong Li

机构 * Institute of Artificial Intelligence, China Telecom (TeleAI)（人工智能研究院，中国电信（TeleAI）） ； Sun Yat-sen University（孙中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） 纠错

AI总结 Point2Insert通过稀疏点引导实现视频中物体的灵活插入，优于现有方法并具备更高的效率。

Audit After Segmentation: Reference-Free Mask Quality Assessment for Language-Referred Audio-Visual Segmentation

分段后审计：用于语言指代音频视频分段的无参考掩码质量评估

Jinxing Zhou, Yanghao Zhou, Yaoting Wang, Zongyan Han, Jiaqi Ma, Henghui Ding, Rao Muhammad Anwer, Hisham Cholakkal

机构 * MBZUAI ； National University of Singapore（国立新加坡大学） ； Fudan University（复旦大学） 纠错

AI总结 本研究提出 MQA-RefAVS 任务，通过多模态大语言模型评估语言指代音频视频分段中掩码质量，提升分割准确性与可解释性。

Not All Negative Samples Are Equal: LLMs Learn Better from Plausible Reasoning

并非所有负样本都平等：LLM通过合理推理学习更好

Zixiang Di, Jinyi Han, Shuo Zhang, Ying Liao, Zhi Li, Xiaofeng Ji, Yongqi Wang, Zheming Yang, Ming Gao, Bingdong Li, Jie Wang

机构 * East China Normal University（华东师范大学） ； Fudan University（复旦大学） ； Independent Researcher（独立研究者） 纠错

AI总结 本文提出PNS方法，通过合成高质量负样本提升LLM推理能力，实验显示其在多个基准测试中优于其他方法。

Color Matters: Demosaicing-Guided Color Correlation Training for Generalizable AI-Generated Image Detection

颜色至关重要：基于去马赛克的色彩相关性训练用于通用的AI生成图像检测

Nan Zhong, Yiran Xu, Mian Zou

机构 * Department of Computer Science, City University of Hong Kong, Hong Kong（香港城市大学计算机科学系） ； Department of Computer Science, Fudan University, Shanghai, China（复旦大学计算机科学系） ； School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics, Nanchang, China（江西财经大学计算机与人工智能学院） 纠错

AI总结 本文提出DCCT框架，通过去马赛克引导的色彩相关性训练，提升AI生成图像检测的泛化和鲁棒性。