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

Group-Shared Low-Rank Approximation for Mobile-Efficient Pointwise Convolutions in Large-Kernel CNNs

用于大核卷积神经网络中移动高效逐点卷积的组共享低秩近似

Hao Luo, Yiting Yang, Wenyi Zhao, Man Jiang, Zhijun Lin, Ghulam Mohiuddin, Ting Jiang, Kunming Luo, Zihao Zhang, Qingsen Yan, Guoqing Wang, Wei Dong, Peng Wang

机构 * Northwestern Polytechnical University（西北工业大学） ； Nanchang University（南昌大学） ； China Mobile Chengdu Institute of Research and Development（中国移动成都研究院） ； Hong Kong University of Science and Technology（香港科技大学） ； Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

AI总结 针对大核CNN中逐点卷积占比过高导致边缘部署瓶颈的问题，提出通道组共享低秩近似方法，在保持性能的同时降低存储成本，实现大核CNN的边缘高效部署。

Comments 17 pages, 10 figures, accepted by MobiCom2026

CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition

CEDAR：基于残差分解的可控事件驱动需求预测

Junjie Meng, Ranxu Zhang, Zi-an Zhang, Shujun Liu, Xiaoning Qi, Xiaozhou Xu, Yanyong Zhang, Hui Xiong, Chao Wang

机构 * School of Artificial Intelligence and Data Science, University of Science and Technology of China（中国科学技术大学人工智能与数据科学学院） ； Alibaba Group（阿里巴巴集团） ； Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能学域） 纠错

AI总结 该研究针对现有时间序列预测方法对策略不敏感、反事实分析不可靠的问题，提出基于残差分解的两阶段框架CEDAR，在阿里1688数据集上验证其可提升模拟精度并助力预算规划。

Comments 12 pages, 4 figures, 5 tables. Published in KDD 2026

GaussianDream++: Efficient 3D Gaussian World Modeling for Robotic Manipulation

Yuqing Jiang, Zijian Zhang, Weitao Zhou, Jiawei Wang, Junjie He, Lei Yang, Haifang Qing, Si Liu, Ding Zhao, Ping Luo, Haibao Yu

机构 * Tuojing Intelligence（拓境智能） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanyang Technological University（南洋理工大学） ； Beihang University（北京航空航天大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） 纠错

Comments 17 pages, 4 figures

AWM: Answerable Working Memory for Long-Document VQA Agents

AWM：面向长文档VLM智能体的可回答工作记忆

Dongzhuoran Zhou, Yuqicheng Zhu, Yule Liu, Zhen Yang, Rui Lu, Yuxiao Dong, Jie Tang, Evgeny Kharlamov

机构 * University of Oslo（奥斯陆大学） ； Bosch Center for AI（博世人工智能中心） ； University of Stuttgart（斯图加特大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tsinghua University（清华大学） 纠错

AI总结 针对长文档VQA智能体的记忆质量盲区，提出AWM方法，通过融入仅记忆可回答性的GRPO奖励机制，提升了最终答案准确率并降低记忆缺失正确的比例。

Comments EMNLP 2026 Findings. 16 pages, 4 figures, 9 tables

Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling World Models

智能体游戏开发：用于扩展世界模型的可验证轨迹数据引擎

Pengfei Zhou, Hexin Wang, Zhengfeiyang Zhang, Yixing Ma, Zhenglin Wan, Kaipeng Zhang, Wangbo Zhao, Yang You

机构 * Cardinal AI Lab（卡迪纳尔人工智能实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Hong Kong University of Science and Technology（香港科技大学） ； National University of Singapore（新加坡国立大学） ； HPC-AI Lab（高性能计算与人工智能实验室） 纠错

AI总结 本文指出扩展世界模型的传统策略效率低，提出将游戏开发作为可验证轨迹数据引擎，构建RLHEV后训练范式，为空间世界模型提供高质量奖励信号与长程轨迹数据。

Not All Attention Heads Contribute to Critical Visual Token Selection: Head-Aware Pruning Matters More

并非所有注意力头都有助于关键视觉标记选择：头感知剪枝更重要

Chaofang Ma, Lin Jiang, Carol Jingyi Li, Xingyu Liu, Zeyu Li, Jiang Xu, Wei Zhang

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Northeastern University（东北大学） 纠错

AI总结 本文针对视觉-语言模型推理效率问题，提出无需训练的渐进式视觉标记剪枝框架ProViP，利用关键注意力头提升剪枝效果，在LLaVA-1.5-7B上实现高剪枝率下的性能保留与推理加速。

V-Link: Recovering Lost Visual Representations in Action DiT for Vision-Language-Action Models

V-Link：为视觉-语言-动作模型恢复动作DiT中丢失的视觉表征

Yehao Lu, Jiarui Yang, Yuning Su, Yufeng Xie, Yu Zhong, Yazhou Zhang, Haiyu Lan, Kaixiang Lu, Peiwen Lin, Chuang Wang, Zequn Qin, Enyu Li, Xi Li

机构 * Zhejiang University（浙江大学） ； AGIBOT ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Simon Fraser University（西蒙菲莎大学） 纠错

AI总结 本研究针对VLA模型中动作专家访问视觉信息不足的问题，提出V-Link方法，通过注入空间与语义查询提升动作DiT性能，在多个机器人操作基准及现实任务中均取得显著成功率提升。

LifePlanner: Evaluating LLM Agents for Geo-spatial Planning with Social Media Data

LifePlanner：利用社交媒体数据评估LLM智能体的地理空间规划能力

Zhen Dong, Yuning Peng, Yutao Shi, Lei Zhong, Yongsen Mao, Yuan Liu, Haiping Wang

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

AI总结 该研究推出LifePlanner基准测试，结合社交媒体数据评估LLM智能体的地理空间规划能力，发现前沿LLM在简单检索中表现好但复杂规划通过率仅40.2%，失败源于证据获取、工具使用及约束整合问题，需改进实际规划能力而非单纯扩大模型规模。

Comments 25 pages, 7 figures, 11 tables

Unsupervised Post-Training of Foundation Models: A Survey

基础模型的无监督后训练：一项综述

Yijie Xu, Qianyi Cai, Huizai Yao, Yili Wang, Tianfu Wang, Cehao Yang, Xingbo Yao, Zhiyu Guo, Aiwei Liu, Xuming Hu, Weiyu Guo, Hui Xiong

机构 * HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； Xiaohongshu Inc.（小红书公司） ； WeChat, Tencent（腾讯微信） ； CUHK（香港中文大学） ； AI Robotics（人工智能机器人） 纠错

AI总结 该综述梳理80种无监督后训练（UPT）方法，按更新信号来源分类，揭示内部信号与任务结构对UPT效果的影响，构建统一框架用于UPT的选择与评估。

Comments Accepted to Findings of EMNLP 2026. 20 pages, 3 figures, 8 tables

VLM-based automatic multi-granularity graph representation of building layouts for design informatics

基于视觉语言模型的建筑布局多粒度图自动表示方法，用于设计信息学

Song Guo, Zhuoshi Chen, Maosu Li, Weimin Zhuang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tsinghua University（清华大学） 纠错

AI总结 本研究提出基于VLM的多粒度图自动构建方法，以147份高校图书馆平面图为案例，验证其生成的图与人工标注图一致性良好，可用于设计信息学相关任务，提升建筑全生命周期设计信息利用率。