Korea Advanced Institute of Science and Technology（韩国科学技术院）

MLLMCLIP: Feature-Level Distillation of MLLM for Robust Vision-Language Representations

MLLMCLIP：面向鲁棒视觉-语言表征的多模态大语言模型（MLLM）特征级蒸馏

Jongsuk Kim, Qiyu Wu, Zhuoyuan Mao, Hiromi Wakaki, Junmo Kim, Yuki Mitsufuji

机构 * KAIST（韩国科学技术院） ； Sony Group Corporation（索尼集团公司） 纠错

AI总结 MLLMCLIP是一种异构特征级蒸馏框架，直接将MLLM的多模态知识迁移至CLIP，在组合性任务和通用视觉-语言任务上均实现最优性能。

Comments EMNLP 2026 Main Conference

Distance Is Not Enough: Forget-Retain Alignment Gap Predicts LLM Relearning Robustness

距离并不足够：遗忘-保留对齐间隙可预测大语言模型的再学习鲁棒性

Yi Chen, Hanna Hsieh, Shuhong Liu, Chuanbo Hua, Zihan Ma, Kun Wang, Joo-Young Kim

机构 * The University of Tokyo（东京大学） ； KAIST（韩国科学技术院） 纠错

AI总结 该研究提出FRAG预测器，基于权重选择性而非距离，结合FRP方法提升LLM再学习鲁棒性，揭示权重选择性对鲁棒性的解释力优于单独距离。

Comments Accepted to EMNLP 2026 Main Conference

Bootstrapping a 4D LiDAR Annotation Tool from Video Foundation Models

基于视频基础模型引导的4D激光雷达标注工具

Jihun Kim, Hyun-Kurl Jang, Hyemin Yang, Jinnyeong Yang, Hyeokjun Kweon, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） ； Chung-Ang University（中央大学） 纠错

AI总结 研究针对4D激光雷达标注成本高、难扩展的问题，提出LiDAR-SAM2框架，借助SAM2自动生成标注，大幅降低3D/4D场景理解的标注负担。

Comments ECCV 2026 Workshop

Rethinking the Transferable Adversarial Attacks and Robust Defense in Federated Learning

重新思考联邦学习中的可迁移对抗攻击与鲁棒防御

Zuobin Xiong, Deval Mukherjee, Homook Cho, Wei Li

机构 * University of Nevada Las Vegas（内华达大学拉斯维加斯分校） ； Cyber Security Research Center at KAIST（韩国科学技术院网络安全研究中心） ； Georgia State University（佐治亚州立大学） 纠错

AI总结 本文针对联邦学习场景，分析对抗样本的可迁移性，设计基于对抗训练的防御机制，经真实数据集验证其性能优于现有最先进方法。

Comments Accepted in the ICCCN 2026 conference

Smooth $\%$MinMax: A Differentiable Relaxation for Codon Harmonization

Smooth $\%$MinMax：一种用于密码子优化的可微松弛方法

Yoonho Jeong, Hyunwoo Choi, Ryan Fernandez Medina Hariri, Eok Kyun Lee, Seung Seo Lee, Insung S. Choi

机构 * Department of Chemistry, KAIST（韩国科学技术院化学系） ； School of Chemistry and Chemical Engineering, Highfield Campus, University of Southampton（南安普顿大学化学与化学工程学院） 纠错

AI总结 针对传统$\%$MinMax等密码子优化指标离散不可微、无法适配梯度驱动神经密码子设计的问题，提出Smooth $\%$MinMax可微松弛方法，实现两类密码子设计的衔接。

Comments 17 pages, 2 figures

Reward Score Matching: Unifying Reward-based Fine-tuning for Flow and Diffusion Models

奖励分数匹配：统一流模型和扩散模型的基于奖励的微调

Jeongjae Lee, Jinho Chang, Jeongsol Kim, Jong Chul Ye

机构 * Graduate School of AI, KAIST, Korea（人工智能研究生院，韩国科学技术院） 纠错

AI总结 提出奖励分数匹配（RSM）框架，统一了多种基于奖励的微调方法，通过分数匹配与值引导目标对齐，简化了设计空间并提高了效率。

Comments 50 pages, 15 figures. Best Paper Award at SPIGM workshop, ICML 2026

Memory-V2V: Memory-Augmented Video-to-Video Diffusion for Consistent Multi-Turn Editing

Memory-V2V: 通过记忆增强的视频到视频扩散模型实现一致的多轮编辑

Dohun Lee, Chun-Hao Paul Huang, Xuelin Chen, Jong Chul Ye, Duygu Ceylan, Hyeonho Jeong

机构 * Adobe Research（Adobe研究实验室） ； KAIST AI（韩国科学技术院人工智能研究所） ； Adobe Internship（Adobe实习） ； Project Lead（项目负责人） 纠错

AI总结 Memory-V2V通过引入外部记忆模块，解决多轮视频编辑中的跨轮一致性问题，提升编辑连贯性并保持视觉质量，优于现有基线模型。

Comments 38 pages, 22 figures, ECCV 2026, Project page: this https URL (https://dohunlee1.github.io/MemoryV2V)

SEMamba++: A General Speech Restoration Framework Leveraging Global, Local, and Periodic Spectral Patterns

SEMamba++：一种利用全局、局部和周期性频谱模式的通用语音修复框架

Yongjoon Lee, Jung-Woo Choi

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 本文提出SEMamba++框架，通过整合全局、局部和周期性频谱特征，提升语音修复性能，同时保持计算效率。

Comments Accepted to Interspeech 2026 Long paper track. Project page: this https URL (https://sites.google.com/view/semambapp)

From National Curricula to Cultural Awareness: Constructing Open-Ended Culture-Specific Question Answering Dataset

从国家课程到文化意识：构建开放性文化特定问答数据集

Haneul Yoo, Won Ik Cho, Geunhye Kim, Jiyoon Han

机构 * KAIST AI Center（韩国国立科学技术院人工智能中心） ； Samsung Electronics（三星电子） ； Hankuk University of Foreign Studies（韩国外语大学） 纠错

AI总结 本文提出CuCu框架，利用国家课程构建文化特定的开放性问答数据集KCaQA，以提升语言模型在文化对齐方面的表现。

Comments EMNLP 2026

Dynamically-Consistent Trajectory Optimization for Legged Robots via Contact Point Decomposition

基于接触点分解的腿式机器人动态一致性轨迹优化

Sangmin Kim, Hajun Kim, Gijeong Kim, Min-Gyu Kim, Hae-Won Park

机构 * Humanoid Robot Research Center, Korea Advanced Institute of Science and Technology（humanoid 机器人研究中心，韩国科学技术院） 纠错

AI总结 本文提出基于接触点分解的腿式机器人相位轨迹优化框架，通过解耦接触点动力学、利用贝塞尔多项式特性保证约束满足，经四足机器人验证可生成动态可靠运动。

Comments 8 pages, 4 figures, IEEE ROBOTICS AND AUTOMATION LETTERS. PREPRINT VERSION. ACCEPTED OCTOBER, 2025