高校专区
GUIDE：基于语音与视觉共享ID编码的生成式无监督中文查询纠错方法
机构 * Kuaishou Technology（快手科技） ； School of Data Science, Fudan University（复旦大学数据科学学院）
AI总结 本文针对中文查询纠错中监督方法维护成本高、无监督方法易意图偏移的问题，提出基于语音与视觉共享ID编码的生成式无监督框架GUIDE，在公开与真实数据集上均优于基线，线上测试也验证了其有效性。
Comments Accepted to EMNLP 2026 Industry Track; 7 pages, 3 figures, 8 tables
超越轨迹：将可解释推理状态读出与原生MoE路由耦合
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本研究提出将可解释推理状态读出J64与原生MoE路由耦合的两级机制，提升推理过程可解释性与性能，R64作为低开销代理可保留其核心增益，还能优化分支选择与投票策略、调整推理行为。
EvoSQL：用于文本到SQL的内存增强型评论家-生成器协同进化
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of New South Wales（新南威尔士大学） ； Fudan University（复旦大学） ； Wuhan University of Technology（武汉理工大学）
AI总结 研究文本到SQL问题，提出EvoSQL协同进化框架，通过生成器与评论家迭代交互、维护内存、验证候选及自蒸馏策略优化微调等，在Spider和BIRD实验中持续改进开源模型，证明该方法是有效途径。
Comments Accepted as EMNLP Findings (2026)
当校准排名反转：面向LLM公平比较的精度控制评估框架
机构 * Fudan University（复旦大学） ； University of Cambridge（剑桥大学）
AI总结 针对全局校准指标因模型精度差异导致比较不公平的问题，提出ACE精度控制评估框架，通过实例对齐、分布对齐和候选对齐三种视角实现公平比较，发现原始指标下的优势在控制精度后大幅减弱，排名反转频繁。
Comments EMNLP main 2026
修正语境，转变模拟立场：审计基于LLM的在线讨论立场模拟
机构 * Fudan University（复旦大学） ； University of Rochester（罗切斯特大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本研究通过反事实语境修正框架审计LLM立场模拟，对比纯文本与多模态策略，评估平均方向性立场转变和立场转换率，揭示语境敏感性的有效性与鲁棒性。
Comments Accepted for publication in the Findings of EMNLP 2026
RoboTrustBench：机器人操作视频世界模型的可信度基准测试
机构 * Singapore Management University（新加坡国立管理学院） ； Fudan University（复旦大学） ； Princeton University（普林斯顿大学）
AI总结 针对视频世界模型在机器人操作中的可信度问题，提出RoboTrustBench基准，包含正常、约束敏感、反事实和对抗四种场景，通过专家验证的指令-图像对和六维评估协议，发现当前模型在约束推理、反事实基础、物理交互和不安全指令抑制方面存在不足。
Comments EMNLP 2026 Findings, Project: https://huiqiongli.github.io/RoboTrustBench/
技能还是跳过？通过双粒度偏好学习在智能体任务中学习选择性技能调用
机构 * Meituan（美团） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； Nanjing University（南京大学） ； Peking University（北京大学）
AI总结 提出SelSkill框架，通过双粒度偏好学习实现选择性技能调用，在ALFWorld和BFCL上显著提升任务成功率和执行精度。
Comments 17 pages, 4 figures
技能条件门控自蒸馏用于大语言模型推理
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； City University of Hong Kong（香港城市大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出技能条件门控自蒸馏（SGSD），通过从经验技能库中检索技能-错误对构建多教师池，并利用验证器验证教师极性，以鲁棒门控目标蒸馏信息性师生差异，在弱先验信息假设下提升数学推理性能。
Comments Accepted by EMNLP 2026 Findings. Code is available at https://github.com/walawalagoose/SGSD
技能即伪代码：将技能库重构为面向LLM智能体的伪代码
机构 * Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 提出Skill-as-Pseudocode (SaP)方法，自动将Markdown技能库转换为带类型伪代码，通过确定性质量检查解决LLM智能体在检索技能时产生的混淆循环问题，在ALFWorld任务上显著优于基线。
Comments EMNLP Findings 2026
VLA-Trace: 通过表示与行为追踪诊断视觉-语言-动作模型
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Manchester（曼彻斯特大学） ； Beihang University（北航） ； Fudan University（复旦大学） ； University of New South Wales（新南威尔士大学）
AI总结 提出VLA-Trace诊断框架，通过表示演化、因果控制归因和行为表现分析，揭示VLA模型在多模态知识向具身控制转化中的机制，发现不同模型在微调适应、多模态路由和语义遵循上的差异与局限。
前缀自适应块扩散用于高效的文档识别
机构 * Computation and Artificial Intelligence Innovative College, Fudan University, Shanghai, China（复旦大学计算与人工智能创新学院，上海，中国） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院，上海，中国） ； ByteDance, Shanghai, China（字节跳动，上海，中国）
AI总结 本文提出前缀自适应块扩散模型（PA-BDM），通过改进块内去噪和缓存机制，提升文档识别的效率和准确性。
Comments 16pages,6 figures
释放Mamba的潜力：通过跨模型知识蒸馏提升LiDAR 3D稀疏检测器
机构 * East China University of Science and Technology（华东理工大学） ； University of Sydney（悉尼大学） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学技术学院）
AI总结 本文提出FASD框架，通过跨模型知识蒸馏将Transformer的全局上下文理解能力转移到Mamba模型，提升检测精度与效率，实现在Waymo和nuScenes数据集上的性能提升和资源消耗降低。
JFTA-Bench：评估LLM在跟踪和分析故障中的能力
机构 * Fudan University（复旦大学）
AI总结 本文提出JFTA-Bench基准，用于评估LLM在复杂环境中的故障跟踪与分析能力，包含3130条记录，每条记录平均40.75轮对话，通过模拟用户错误场景评估模型任务跟踪与错误恢复能力。
PhyGile: 面向敏捷通用人形运动跟踪的物理前缀引导运动生成
机构 * Northwestern Polytechnical University（西北工业大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； ByteDance（字节跳动） ； Northeastern University（东北大学）
AI总结 提出PhyGile框架，通过物理前缀引导的机器人原生运动生成，结合课程混合专家训练和后训练，解决文本生成运动在机器人上物理不可行的问题，实现敏捷全身运动跟踪。
TxSum: 基于微粒语义锚定的用户导向以太坊交易理解
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Wuhan University（武汉大学） ； University of North Texas（北卡罗来纳州立大学） ； Fudan University（复旦大学）
AI总结 本文提出TxSum任务，通过构建187个复杂以太坊交易数据集，引入MATEX框架提升交易解释质量，使用户对复杂交易的理解率从52.9%提升至76.5%，恶意交易拒绝率提升至88%。
Comments EMNLP 2026
评估一种证据引导的强化学习框架在对齐光参数大语言模型与精神科临床推理决策认知中的作用
机构 * The Chinese University of Hong Kong, Shatin, N.T., Hong Kong SAR, China（香港中文大学） ； Shandong University, Jinan, China（山东大学） ； Peking University Sixth Hospital, Beijing, China（北京大学第六医院） ； Inspur Cloud Information Technology Co., Ltd., Jinan, China（Inspur 云技术有限公司） ； Fudan University, Shanghai, China（复旦大学） ； Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jinan, China（山东第一医科大学附属山东省人民医院） ； Jilin University, Changchun, China（吉林大学） ； Hong Kong ICI Cloud Service Limited, Hong Kong SAR, China（香港ICI云服务有限公司） ； Shandong First Medical University, Jinan, China（山东第一医科大学）
AI总结 本研究提出ClinMPO框架，通过证据引导的强化学习使轻量LLM在复杂精神病学推理任务中达到超越人类的准确率。
Comments 28 pages, 4 figures
大语言模型对顺序敏感性如何？OrderProbe用于确定性结构重建
机构 * Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Marquette University（马凯特大学） ； Juniata College（朱尼阿特学院）
AI总结 研究通过OrderProbe基准评估大语言模型对输入顺序的敏感性，发现即使在前沿模型上，结构重建仍面临挑战，且语义能力与结构鲁棒性存在脱节。
Comments EMNLP 2026 Findings
可控的记忆使用：在长期人机交互中平衡锚定与创新
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）
AI总结 SteeM通过动态调节记忆依赖程度，在长期人机交互中平衡锚定与创新，提升个性化协作效果。
FoundDiff：用于通用低剂量CT去噪的基础扩散模型
机构 * Institute of Science and Technology for Brain-inspired Intelligence and MOE Frontiers Center for Brain Science, Fudan University（脑启发智能科学技术研究所和脑科学前沿中心，复旦大学） ； Shanghai Key Lab of Intelligent Information Processing, School of Computer Science, Fudan University（智能信息处理上海市重点实验室，复旦大学计算机科学学院） ； School of Cyber Science and Engineering, Sichuan University（四川大学网络科学与工程学院） ； School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院）
AI总结 该研究针对现有低剂量CT去噪方法泛化性差的问题，提出基础扩散模型FoundDiff，采用DA-CLIP与DA-Diff的两阶段策略，在多数据集上验证了其优异去噪性能与泛化能力。
Comments 14 pages, 8 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈