Fudan University（复旦大学）

NEX: Neuron Explore-Exploit Scoring for Label-Free Chain-of-Thought Selection and Model Ranking

NEX: 无标签的神经元探索-利用评分用于无标签的思维链选择和模型排名

Kang Chen, Zhuoka Feng, Sihan Zhao, Kai Xiong, Junjie Nian, Yaoning Wang, Changyi Xiao, Yixin Cao

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 NEX通过神经元活动信号实现无标签的思维链选择和模型排名，通过探索与利用的交替阶段提升预测准确性。

Comments 21 pages, 9 figures, 5 tables

Distributional Reinforcement Learning with Diffusion Bridge Critics

具有扩散桥批评者的分布强化学习

Shutong Ding, Yimiao Zhou, Ke Hu, Mokai Pan, Shan Zhong, Yanwei Fu, Jingya Wang, Ye Shi

机构 * ShanghaiTech University（上海科技大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Fudan University（复旦大学） 纠错

AI总结 本文提出了一种新的分布强化学习方法，通过使用扩散桥批评者（DBC）来准确建模Q值的逆累积分布函数，从而提高价值估计的准确性，并在MuJoCo基准上展示了其优越性。

Disco: Densely-overlapping Cell Instance Segmentation via Adjacency-aware Collaborative Coloring

Disco：通过邻接感知的协作着色实现密集重叠细胞实例分割

Rui Sun, Yiwen Yang, Kaiyu Guo, Chen Jiang, Dongli Xu, Zhaonan Liu, Tan Pan, Limei Han, Xue Jiang, Wu Wei, Yuan Cheng

机构 * Shanghai Academy of Artificial Intelligence for Science（上海人工智能科学研究院） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； School of Life Sciences and Biotechnology, Shanghai Jiao Tong University（上海交通大学生命科学与生物技术学院） ； Lingang Laboratory（临港实验室） ； Renji Hospital, School of Medicine, Shanghai Jiao Tong University（仁济医院，上海交通大学医学院） 纠错

AI总结 Disco通过邻接感知协作着色解决复杂细胞实例分割问题，结合拓扑标注与深度学习解决冲突。

Comments 17 pages, 10 figures; ICLR 2026

Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science

迈向集体人工智能的科学：基于LLM的多智能体系统需要从盲目试错转向严谨的科学

Jingru Fan, Dewen Liu, Yufan Dang, Huatao Li, Yuheng Wang, Wei Liu, Feiyu Duan, Xuanwen Ding, Shu Yao, Lin Wu, Ruijie Shi, Wai-Shing Leung, Yuan Cheng, Zhongyu Wei, Cheng Yang, Chen Qian, Zhiyuan Liu, Maosong Sun

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； King’s College London（伦敦大学国王学院） ； Peng Cheng Laboratory（鹏城实验室） 纠错

AI总结 本文提出通过建立协作收益度量（Γ）和因素归因范式，推动多智能体系统从盲目试错向严谨科学转变。

SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy

SIDeR：语义身份解耦用于无限制面部隐私保护

Zhuosen Bao, Xia Du, Zheng Lin, Jizhe Zhou, Zihan Fang, Jiening Wu, Yuxin Zhang, Zhe Chen, Chi-man Pun, Wei Ni, Jun Luo

机构 * School of Computer and Information Engineering, Xiamen University of Technology（厦门理工学院计算机与信息工程学院） ； Department of Electrical and Electronic Engineering, University of Hong Kong（香港大学电子与电气工程系） ； School of Computer Science, Engineering Research Center of Machine Learning and Industry Intelligence, Sichuan University（四川大学计算机科学学院，机器学习与工业智能工程研究中心） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； College of Artificial Intelligence, Southwest University（西南大学人工智能学院） ； School of Computer Science, Fudan University（复旦大学计算机科学学院） ； Department of Computer and Information Science, Faculty of Science and Technology, University of Macau（澳门大学科技学院计算机与信息科学系） ； Data61, CSIRO（CSIRO Data61） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

AI总结 SIDeR通过语义解耦驱动框架实现面部隐私保护，生成视觉匿名的对抗性样本并保持身份一致性，实验显示其在攻击成功率和恢复质量上均优于现有方法。

Comments 14 pages, 8 figures

VisMem: Latent Vision Memory Unlocks Potential of Vision-Language Models

VisMem: 通过潜在视觉记忆解锁视觉-语言模型的潜力

Xinlei Yu, Chengming Xu, Guibin Zhang, Zhangquan Chen, Yudong Zhang, Yongbo He, Peng-Tao Jiang, Jiangning Zhang, Xiaobin Hu, Shuicheng Yan

机构 * National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； vivo 纠错

AI总结 VisMem通过引入动态潜在视觉记忆模块，提升视觉-语言模型在复杂视觉任务中的性能，实现感知准确性和语义一致性之间的平衡。