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

MultiVis-Agent: A Multi-Agent Framework with Logic Rules for Reliable and Comprehensive Cross-Modal Data Visualization

MultiVis-Agent：一种带有逻辑规则的多智能体框架，用于可靠且全面的跨模态数据可视化

Jinwei Lu, Yuanfeng Song, Chen Zhang, Raymond Chi-Wing Wong

机构 * The Hong Kong Polytechnic University（香港理工大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science（香港科学大学） 纠错

AI总结 MultiVis-Agent通过引入逻辑规则的多智能体框架，提升多模态数据可视化的可靠性与全面性，实现高评分和高完成率。

Comments Accepted to SIGMOD 2026

Beyond Single-Granularity Prompts: A Multi-Scale Chain-of-Thought Prompt Learning for Graph

超越单一粒度提示：用于图的多尺度链式思考提示学习

Ziyu Zheng, Yaming Yang, Ziyu Guan, Wei Zhao, Xinyan Huang, Weigang Lu

机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Xidian University（西安电子科技大学） ； School of Artificial Intelligence（人工智能学院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本文提出多尺度图链式思考提示框架，通过多尺度信息增强图提示学习，提升少样本场景下的性能。

Comments Accepted by WWW2026

Unified Multimodal Understanding and Generation Models: Advances, Challenges, and Opportunities

统一的多模态理解和生成模型：进展、挑战与机遇

Shanshan Zhao, Xinjie Zhang, Jintao Guo, Jiakui Hu, Lunhao Duan, Minghao Fu, Yong Xien Chng, Guo-Hua Wang, Qing-Guo Chen, Zhao Xu, Weihua Luo, Kaifu Zhang

机构 * Alibaba Group（阿里巴巴集团） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Nanjing University（南京大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文探讨了多模态理解和生成模型的统一进展、挑战与机遇，分析了不同架构范式及未来研究方向。

Comments In this version, we incorporate new papers (after Aug. 2025), datasets, and benchmarks. This work is still in progress; Github project: https://github.com/AIDC-AI/Awesome-Unified-Multimodal-Models

Uni-RS: A Spatially Faithful Unified Understanding and Generation Model for Remote Sensing

Uni-RS: 一种用于遥感的具有空间忠实性的统一理解和生成模型

Weiyu Zhang, Yuan Hu, Yong Li, Yu Liu

机构 * Institute of Remote Sensing and Geographic Information System, School of Earth and Space Sciences, Peking University（遥感与地理信息系统研究所，地球与空间科学学院，北京大学） ； Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（土木与环境工程系，香港科学与技术大学） 纠错

AI总结 Uni-RS通过空间布局规划、空间感知查询监督和图像描述空间布局变化，提升遥感文本到图像生成的空间忠实性，同时保持多模态理解任务的性能。

CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction

CoT-Seg：重新思考基于链式推理的分割

Shiu-hong Kao, Chak Ho Huang, Huaiqian Liu, Yu-Wing Tai, Chi-Keung Tang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Dartmouth College（达特茅斯学院） 纠错

AI总结 CoT-Seg通过结合链式推理和自我纠正，提升复杂分割任务的可靠性与鲁棒性，适用于模糊或错误多发的场景。

Comments Project page: https://danielshkao.github.io/cot-seg.html

ReLE: A Scalable System and Structured Benchmark for Diagnosing Capability Anisotropy in Chinese LLMs

ReLE：一种可扩展的系统和结构化基准，用于诊断中文大语言模型的能力异质性

Rui Fang, Jian Li, Wei Chen, Bin Hu, Ying-Cong Chen, Xin Tang, Liang Diao

机构 * Sun Yat-sen University（中山大学） ； ReLE Benchmark Team（ReLE基准团队） ； NSFOCUS Technologies Co., Ltd.（NSFOCUS技术有限公司） ； HKUST-GZ（香港科技大学-广州） ； Huawei（华为） ； Ping An Property & Casualty Insurance Company of China, Ltd（平安财产保险股份有限公司） 纠错

AI总结 ReLE通过可扩展系统和结构化基准诊断中文大语言模型的能力异质性，提升评估效率和准确性。

Momentum-integrated Multi-task Stock Recommendation with Converge-based Optimization

动量整合多任务股票推荐与基于收敛的优化

Hao Wang, Jingshu Peng, Yanyan Shen, Xujia Li, Quanqing Xu, Chuanhui Yang, Lei Chen

机构 * HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； OceanBase, Ant Group（蚂蚁集团OceanBase） 纠错

AI总结 本文提出动量整合多任务股票推荐框架MiM-StocR，通过引入动量指标和自适应-k近似NDCG损失函数，提升股票推荐的短期趋势捕捉能力，并采用收敛四边平衡方法缓解过拟合问题，实验证明其在排名和盈利能力上优于现有基线。

Comments 10 pages, 5 figures

MetaCLBench: Meta Continual Learning Benchmark on Resource-Constrained Edge Devices

MetaCLBench: 用于资源受限边缘设备的元持续学习基准测试

Sijia Li, Young D. Kwon, Lik-Hang Lee, Pan Hui

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Samsung AI Center-Cambridge（三星AI中心-剑桥） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 MetaCLBench研究了资源受限边缘设备上元持续学习方法的准确性与部署性能，通过真实物联网设备评估六个方法，发现复杂架构未必更优，提供部署指南和框架发布。

A Mechanistic View on Video Generation as World Models: State and Dynamics

视频生成作为世界模型的机制视角：状态与动态

Luozhou Wang, Zhifei Chen, Yihua Du, Dongyu Yan, Wenhang Ge, Guibao Shen, Xinli Xu, Leyi Wu, Man Chen, Tianshuo Xu, Peiran Ren, Xin Tao, Pengfei Wan, Ying-Cong Chen

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Tongji University（同济大学） ； Kuaishou Technology（快手科技） 纠错

AI总结 本文提出基于状态构建和动态建模的视频生成新分类法，旨在提升视频生成模型的物理持续性和因果推理能力。

Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs

大模型能帮你清理数据吗？基于大模型的应用级数据准备综述

Wei Zhou, Jun Zhou, Haoyu Wang, Zhenghao Li, Qikang He, Shaokun Han, Guoliang Li, Xuanhe Zhou, Yeye He, Chunwei Liu, Zirui Tang, Bin Wang, Shen Tang, Kai Zuo, Yuyu Luo, Zhenzhe Zheng, Conghui He, Jingren Zhou, Fan Wu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； Xiaohongshu Inc.（小红书公司） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文综述了基于大语言模型的应用级数据准备方法，探讨了数据清洗、整合与丰富三大任务的技术、优势与局限，并提出了可扩展的大语言模型-数据系统和稳健评估协议的未来研究方向。

Comments Please refer to our repository for more details: https://github.com/weAIDB/awesome-data-llm