The University of Hong Kong（香港大学）

LIVE: Long-horizon Interactive Video World Modeling

LIVE: 长时距交互视频世界建模

Junchao Huang, Ziyang Ye, Xinting Hu, Tianyu He, Guiyu Zhang, Shaoshuai Shi, Jiang Bian, Li Jiang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； Microsoft Research（微软研究院） ； The University of Hong Kong（香港大学） ； Voyager Research, Didi Chuxing Project（Voyager研究，滴滴出行项目） 纠错

AI总结 LIVE通过循环一致性目标限制误差累积，无需教师蒸馏，实现长时距交互视频世界建模，取得最优性能。

Comments 18 pages, 22 figures

Simple Denoising Diffusion Language Models

简单去噪扩散语言模型

Huaisheng Zhu, Zhengyu Chen, Shijie Zhou, Zhihui Xie, Yige Yuan, Shiqi Chen, Zhimeng Guo, Siyuan Xu, Hangfan Zhang, Vasant Honavar, Teng Xiao

机构 * Penn State University（宾夕法尼亚州立大学） ； University at Buffalo（布法罗大学） ； University of Washington（华盛顿大学） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（城市大学） ； Alibaba Group（阿里巴巴集团） ； Allen Institute for AI (AI2)（人工智能研究所（AI2）） 纠错

AI总结 本文提出了一种简化且改进的去噪损失公式，用于均匀状态扩散模型，以提高训练稳定性与效率，并在大规模模型上展示了良好的扩展性。

ME-IGM: Individual-Global-Max in Maximum Entropy Multi-Agent Reinforcement Learning

ME-IGM：最大熵多智能体强化学习中的个体-全局-最大

Wen-Tse Chen, Yuxuan Li, Shiyu Huang, Jiayu Chen, Jeff Schneider

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） ； XPeng Inc.（XPeng公司） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Tech. Co., Ltd.（INFIFORCE智能科技有限公司） 纠错

AI总结 ME-IGM是一种结合最大熵探索与IGM条件的新型多智能体强化学习算法，通过解决局部策略与联合策略不一致问题，提升探索效率和性能。

Comments Published in the Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)

Journal ref Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026), Paphos, Cyprus, May 25 - 29, 2026, IFAAMAS, 19 pages

Merging Beyond: Streaming LLM Updates via Activation-Guided Rotations

超越合并：通过激活引导的旋转进行流式LLM更新

Yuxuan Yao, Haonan Sheng, Qingsong Lv, Han Wu, Shuqi Liu, Zehua Liu, Zengyan Liu, Jiahui Gao, Haochen Tan, Xiaojin Fu, Haoli Bai, Hing Cheung So, Zhijiang Guo, Linqi Song

机构 * City University of Hong Kong, Hong Kong SAR（香港城市大学） ； Tsinghua University（清华大学） ； Huawei Noah’s Ark Lab, Hong Kong SAR（华为诺亚实验室（香港）） ； University of Hong Kong（香港大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） 纠错

AI总结 本文提出ARM策略，通过激活引导的旋转实现流式LLM更新，有效超越收敛模型，提供高效适应框架。

Large Language Models Can Take False First Steps at Inference-time Planning

大语言模型在推理时间规划中可能采取错误的初始步骤

Haijiang Yan, Jian-Qiao Zhu, Adam Sanborn

机构 * Department of Psychology, The University of Warwick（沃里克大学心理学系） ； Department of Psychology, The University of Hong Kong（香港大学心理学系） 纠错

AI总结 研究揭示了大语言模型在推理过程中因自我生成上下文积累导致的规划行为偏差，并通过实验验证了规划能力随上下文变化而变化的机制。

NSC-SL: A Bandwidth-Aware Neural Subspace Compression for Communication-Efficient Split Learning

NSC-SL：一种带宽感知的神经子空间压缩用于通信高效的分裂学习

Zhen Fang, Miao Yang, Zehang Lin, Zheng Lin, Zihan Fang, Zongyuan Zhang, Tianyang Duan, Dong Huang, Shunzhi Zhu

机构 * School of Computer and Information Engineering, Xiamen University of Technology, Xiamen, China（厦门理工学院计算机与信息工程学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong, Hong Kong, China（香港大学电子与电气工程系） ； Department of Computer Science, City University of Hong Kong, Hong Kong, China（香港城市大学计算机科学系） ； Department of Computer Science, The University of Hong Kong, Hong Kong, China（香港大学计算机科学系） ； School of Computing, National University of Singapore, Singapore（新加坡国立大学计算机学院） 纠错

AI总结 NSC-SL通过带宽感知的自适应压缩算法，实现通信高效的分裂学习，有效减少通信开销并保持模型收敛所需的语义信息。

Comments 5 pages, 3 figures

TIDE: Trajectory-based Diagnostic Evaluation of Test-Time Improvement in LLM Agents

基于轨迹的测试时改进诊断评估：LLM代理中的测试时改进

Hang Yan, Xinyu Che, Fangzhi Xu, Qiushi Sun, Zichen Ding, Kanzhi Cheng, Jian Zhang, Tao Qin, Jun Liu, Qika Lin

机构 * Xi’an Jiaotong University（西安交通大学） ； The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 TIDE提出了一种评估框架，用于诊断LLM代理在测试时改进中的性能瓶颈，通过分析任务完成的时间动态、递归循环行为和记忆负担，优化代理与环境的交互。

Comments 29pages, 10 figures

DSKC: Domain Style Modeling with Adaptive Knowledge Consolidation for Exemplar-free Lifelong Person Re-Identification

DSKC: 域风格建模与自适应知识整合用于无示例的终身人物重识别

Shiben Liu, Mingyue Xu, Huijie Fan, Qiang Wang, Liangqiong Qu, Zhi Han

机构 * State Key Laboratory of Robotics and Intelligent Systems, Shenyang Institute of Automation, Chinese Academy of Sciences（机器人与智能系统国家重点实验室，沈阳自动化研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of Manufacturing Industrial Integrated Automation, Shenyang University（制造工业集成自动化重点实验室，沈阳大学） ； Department of Statistics and Actuarial Science and the Institute of Data Science, The University of Hong Kong（统计与精算系及数据科学研究所，香港大学） 纠错

AI总结 DSKC通过域风格编码器和统一知识整合机制，提升终身人物重识别的抗遗忘和泛化能力。

Comments 11 papges, 6 figures

Diff4MMLiTS: Advanced Multimodal Liver Tumor Segmentation via Diffusion-Based Image Synthesis and Alignment

Diff4MMLiTS: 通过基于扩散的图像合成与对齐的先进多模态肝肿瘤分割

Shiyun Chen, Li Lin, Pujin Cheng, ZhiCheng Jin, JianJian Chen, HaiDong Zhu, Kenneth K. Y. Wong, Xiaoying Tang

机构 * Department of Electronic and Electrical Engineering, Southern University of Science and Technology, Shenzhen, China（电子与电气工程系，南方科技大学，深圳，中国） ； Department of Electrical and Electronic Engineering, The University of Hong Kong, Hong Kong SAR, China（电气与电子工程系，香港大学，香港特别行政区，中国） ； Department of Radiology, Zhongda Hospital, Medical School, Southeast University, Nanjing, China（放射科，中大医院，医学院，东南大学，南京，中国） ； Jiaxing Research Institute, Southern University of Science and Technology, Jiaxing, China（嘉兴研究所，南方科技大学，嘉兴，中国） 纠错

AI总结 Diff4MMLiTS通过基于扩散的图像合成与对齐技术，实现肝肿瘤的多模态分割，无需严格对齐的多模态数据，提升了分割性能。

Comments International Workshop on Machine Learning in Medical Imaging, 668-678