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

Virne: A Comprehensive Benchmark for RL-based Network Resource Allocation in NFV

Virne：一种针对基于强化学习的网络资源分配的综合基准测试

Tianfu Wang, Liwei Deng, Xi Chen, Junyang Wang, Huiguo He, Zhengyu Hu, Wei Wu, Leilei Ding, Qilin Fan, Hui Xiong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Aalborg University（奥胡斯大学） ； University of Science and Technology of China（中国科学技术大学） ； Sun Yat-sen University（中山大学） ； Chongqing University（重庆大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 Virne是一个针对NFV资源分配问题的综合基准测试框架，支持深度强化学习方法，提供多样化模拟和全面评估，推动相关算法的发展。

Comments Accepted by ICLR 2026

Simulating the Real World: A Unified Survey of Multimodal Generative Models

模拟现实世界：多模态生成模型的统一综述

Yuqi Hu, Longguang Wang, Xian Liu, Ling-Hao Chen, Yuwei Guo, Yukai Shi, Ce Liu, Anyi Rao, Zeyu Wang, Hui Xiong

机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（人工智能前沿技术研究所，香港科学与技术大学（广州）） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology Hong Kong SAR（计算机科学与工程系，香港科学与技术大学香港特别行政区） ； MMLab, The Hong Kong University of Science and Technology（多模态实验室，香港科学与技术大学） ； School of Electronics and Communication Engineering, Shenzhen Campus of Sun Yat-sen University（电子与通信工程学院，中山大学深圳校区） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学，香港，中国） ； Tsinghua University, Guangdong, China（清华大学，广东，中国） ； Bosch (China) Investment Co., Ltd., Shanghai, China（博世（中国）投资有限公司，上海，中国） 纠错

AI总结 本文首次系统性地统一研究了2D、视频、3D和4D生成，为多模态生成模型和现实世界模拟提供了统一框架的综述。

Comments Repository for the related papers at https://github.com/ALEEEHU/World-Simulator

Governing AI Forgetting: Auditing for Machine Unlearning Compliance

治理AI遗忘：审计机器无学习合规性

Qinqi Lin, Ningning Ding, Lingjie Duan, Jianwei Huang

机构 * School of Science and Engineering, Shenzhen Institute of Artificial Intelligence and Robotics for Society, The Chinese University of Hong Kong, Shenzhen, China（科学与工程学院，深圳人工智能与机器人社会研究所，香港中文大学（深圳）） ； Data Science and Analytics Thrust, Information Hub, Hong Kong University of Science and Technology (Guangzhou), China（数据科学与分析方向，信息中心，香港科学与技术大学（广州）） ； Internet of Things Thrust, Information Hub, Hong Kong University of Science and Technology (Guangzhou), China（物联网方向，信息中心，香港科学与技术大学（广州）） 纠错

AI总结 本文提出首个经济框架用于审计机器无学习的合规性，通过博弈论模型分析审计员与运营商的战略互动，并揭示审计强度随删除请求增加而减少的反直觉结论。

Comments Under review in IEEE Transactions on Mobile Computing

AutoWebWorld: Synthesizing Infinite Verifiable Web Environments via Finite State Machines

AutoWebWorld: 通过有限状态机合成无限可验证的网页环境

Yifan Wu, Yiran Peng, Yiyu Chen, Jianhao Ruan, Zijie Zhuang, Cheng Yang, Jiayi Zhang, Man Chen, Yenchi Tseng, Zhaoyang Yu, Liang Chen, Yuyao Zhai, Bang Liu, Chenglin Wu, Yuyu Luo

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Peking University（北京大学） 纠错

AI总结 AutoWebWorld通过有限状态机合成可验证的网页环境，实现自动化搜索与验证流程，提升WebGUI代理性能。

Decentralized Federated Learning With Energy Harvesting Devices

去中心化联邦学习与能量收集设备

Kai Zhang, Xuanyu Cao, Khaled B. Letaief

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； School of Electrical Engineering and Computer Science, Washington State University（华盛顿州立大学电气与计算机科学学院） 纠错

AI总结 本文提出了一种去中心化的联邦学习算法，结合能量收集技术以提高边缘设备的可持续性和学习性能。

S2SServiceBench: A Multimodal Benchmark for Last-Mile S2S Climate Services

S2SServiceBench：一个多模态基准用于最后一公里S2S气候服务

Chenyue Li, Wen Deng, Zhuotao Sun, Mengxi Jin, Hanzhe Cui, Han Li, Shentong Li, Man Kit Yu, Ming Long Lai, Yuhao Yang, Mengqian Lu, Binhang Yuan

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Nanjing University of Information Science and Technology（南京信息工程大学） ； Beijing Normal University（北京师范大学） 纠错

AI总结 S2SServiceBench是一个多模态基准，用于评估S2S气候服务中最后一公里的可靠性，通过10种服务产品和1000多个评估项目，揭示了多模态大语言模型在不确定性下的决策推理挑战。

Comments 18 pages, 3 figures, 6 tables

Model-based Large Language Model Customization as Service

基于模型的大型语言模型定制服务

Zhaomin Wu, Jizhou Guo, Junyi Hou, Bingsheng He, Lixin Fan, Qiang Yang

机构 * National University of Singapore（新加坡国立大学） ； WeBank ； The Hong Kong University of Science and Technology（香港理工大学） 纠错

AI总结 Llamdex 提出了一种基于模型的 LLM 定制服务框架，通过客户端上传预训练的领域模型并结合差分隐私保护，提升领域特定任务的准确率并保持推理效率。

Comments Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025)

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (2025)

Anthropomorphism on Risk Perception: The Role of Trust and Domain Knowledge in Decision-Support AI

风险感知中的拟人化：信任与领域知识的作用

Manuele Reani, Xiangyang He, Zuolan Bao

机构 * School of Management and Economics, The Chinese University of Hong Kong, Shenzhen（管理学院和经济学系，香港中文大学（深圳）） ； Computational Media and Arts, The Hong Kong University of Science and Technology (Guangzhou)（计算媒体与艺术，香港科学与技术大学（广州）） 纠错

AI总结 研究探讨拟人化设计如何通过信任和领域知识影响用户风险感知，发现拟人化通过增强信任降低风险感知，且领域知识调节这一效果。

From What to How: Bridging User Requirements with Software Development Using Large Language Models

从‘是什么’到‘如何做’：利用大型语言模型弥合用户需求与软件开发之间的鸿沟

Xiao He, Ru Chen, Jialun Cao

机构 * University of Science and Technology Beijing（北京科技大学） ； Hong Kong University of Science and Technology（香港科学大学） ； University of Science（科学大学） 纠错

AI总结 本文提出DesBench基准测试，评估LLMs在软件设计相关任务中的表现，揭示LLMs在代码生成、面向对象建模及测试用例设计方面的局限性。

PeroMAS: A Multi-agent System of Perovskite Material Discovery

PeroMAS：钙钛矿材料发现的多智能体系统

Yishu Wang, Wei Liu, Yifan Li, Shengxiang Xu, Xujie Yuan, Ran Li, Yuyu Luo, Jia Zhu, Shimin Di, Min-Ling Zhang, Guixiang Li

机构 * School of Computer Science and Engineering, Southeast University, Nanjing, China（东南大学计算机科学与工程学院） ； School of Materials Science and Engineering, Southeast University, Nanjing, China（东南大学材料科学与工程学院） ； School of Artificial Intelligence, Sun Yat-Sen University, Zhuhai, China（中山大学人工智能学院） ； Information Hub, Hong Kong University of Science and Technology (Guangzhou), Guangzhou, China（香港科技大学（广州）信息中心） ； School of Computer Science and Engineering, Zhejiang Normal University, Jinhua, China（浙江师范大学计算机科学与工程学院） 纠错

AI总结 PeroMAS通过多智能体系统实现钙钛矿材料的多目标优化发现，提升材料发现效率并验证其在现实中的有效性。

Resource-Efficient Personal Large Language Models Fine-Tuning with Collaborative Edge Computing

基于协作边缘计算的资源高效个性化大语言模型微调

Shengyuan Ye, Bei Ouyang, Tianyi Qian, Liekang Zeng, Jingyi Li, Jiangsu Du, Xiaowen Chu, Guoliang Xing, Xu Chen

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系） ； The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Shenzhen Institute of Artificial Intelligence and Robotics for Society（社会人工智能与机器人研究所（深圳）） 纠错

AI总结 本文提出PAC框架，通过算法与系统协同设计，实现高效资源利用的个性化大语言模型微调，提升边缘计算性能。