The Hong Kong University of Science and Technology（香港科技大学）

Ask, Answer, and Detect: Role-Playing LLMs for Personality Detection with Question-Conditioned Mixture-of-Experts

提问、回答与检测：基于角色扮演的LLM用于带有问题条件的专家混合模型的人格检测

Yifan Lyu, Liang Zhang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of International Business and Economics（国际经济贸易大学） 纠错

AI总结 ROME通过角色扮演LLM模拟用户回答心理测量问卷，生成可解释的证据链接语言线索与人格标签，提升人格检测性能。

TrackingWorld: World-centric Monocular 3D Tracking of Almost All Pixels

TrackingWorld: 以世界为中心的单目3D像素跟踪

Jiahao Lu, Weitao Xiong, Jiacheng Deng, Peng Li, Tianyu Huang, Zhiyang Dou, Cheng Lin, Sai-Kit Yeung, Yuan Liu

机构 * HKUST（香港科技大学） ； USTC（中国科学技术大学） ； CUHK（香港中文大学） ； HKU（香港大学） ； XMU（厦门大学） ； MUST（澳门科技大学） 纠错

AI总结 TrackingWorld提出了一种以世界为中心的单目3D像素跟踪方法，通过上采样器和优化框架实现对视频中几乎所有像素的密集3D跟踪。

Comments Accepted by NeurIPS 2025. Project Page: https://igl-hkust.github.io/TrackingWorld.github.io/

rSIM: Incentivizing Reasoning Capabilities of LLMs via Reinforced Strategy Injection

rSIM: 通过强化策略注入激励大语言模型的推理能力

Sijia Chen, Baochun Li, Di Niu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of Toronto（多伦多大学） ； University of Alberta（阿尔伯塔大学） 纠错

AI总结 rSIM通过强化策略注入机制，使LLM具备推理能力，并在实验中显著提升模型性能。

Comments 14 pages, 6 figures. Accepted to the ACL ARR July

HuPrior3R: Incorporating Human Priors for Better 3D Dynamic Reconstruction from Monocular Videos

HuPrior3R: 融合人类先验以实现从单目视频中更好的3D动态重建

Weitao Xiong, Zhiyuan Yuan, Jiahao Lu, Chengfeng Zhao, Peng Li, Yuan Liu

机构 * HKUST（香港科技大学） ； XMU（厦门大学） ； SYSU（南方科技大学） 纠错

AI总结 HuPrior3R通过融合SMPL人体模型与单目深度估计，提出混合几何先验方法，提升单目视频中动态人类3D重建的几何一致性和细节精度。

Mathematical Proof as a Litmus Test: Revealing Failure Modes of Advanced Large Reasoning Models

数学证明作为检验标准：揭示先进大推理模型的失败模式

Dadi Guo, Jiayu Liu, Zhiyuan Fan, Zhitao He, Haoran Li, Yuxin Li, Yumeng Wang, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文通过引入RFMDataset揭示大推理模型在数学证明中的失败模式，发现其在严谨性和正确性上的不足，需进一步提升逻辑训练。

Domain-RAG: Retrieval-Guided Compositional Image Generation for Cross-Domain Few-Shot Object Detection

领域-RAG：跨领域少样本目标检测的检索引导组合图像生成

Yu Li, Xingyu Qiu, Yuqian Fu, Jie Chen, Tianwen Qian, Xu Zheng, Danda Pani Paudel, Yanwei Fu, Xuanjing Huang, Luc Van Gool, Yu-Gang Jiang

机构 * Fudan University（复旦大学） ； Fuzhou University（福州大学） ； East China Normal University（华东师范大学） ； HKUST(GZ)（香港科技大学（广州）） 纠错

AI总结 Domain-RAG通过检索引导的组合图像生成方法，解决跨领域少样本目标检测中的领域对齐与背景生成问题，实现高质量样本生成。

Deep generative modelling of canonical ensemble with differentiable thermal properties

基于可微热性质的 canonical 集合深度生成建模

Shuo-Hui Li, Yao-Wen Zhang, Ding Pan

机构 * Department of Physics, The Hong Kong University of Science and Technology（香港科技大学物理系） ； Department of Chemistry, The Hong Kong University of Science and Technology（香港科技大学化学系） 纠错

AI总结 本文提出了一种基于可微温度的变分方法，用于计算 canonical 集合的热力学量，实现了高效准确的直接采样模拟。

Comments Main text: 11.5 pages, 4 figures. Supplement: 20 pages. Github link: https://github.com/li012589/vatd

Journal ref Phys. Rev. Lett. 135, 027301 (2025)