高校专区
像素空间文本到图像扩散模型训练的实证研究
机构 * Alibaba Token Hub（阿里巴巴令牌中心） ； Alibaba Group（阿里巴巴集团） ； Nanjing University（南京大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文通过实证研究提出潜空间到像素空间的训练策略，确定关键设计选择，使像素空间文本到图像扩散模型性能媲美或超越潜空间模型，且推理加速3.18至4.75倍，为相关研究提供实用指南。
Comments Z-Image-Pixel & Empirical Insight of Training Pixel-Space Diffusion Models
学习遗忘：通过学习遗忘行为实现机器遗忘
机构 * State Key Laboratory for Novel Software Technology Nanjing University（南京大学计算机软件新技术国家重点实验室） ； Centre for Cyber Resilience and Trust Deakin University（迪肯大学网络韧性与信任中心）
AI总结 该研究提出模型不可知的学习遗忘方法L2UL，通过从分布视角学习遗忘行为替代手动设计遗忘函数，在数据密集场景及ResNet等大模型上，实现与重新训练相当的准确率且效率更高。
面向预训练模型的持续学习的任务锚定表示塑造
机构 * Nanjing University（南京大学）
AI总结 该研究针对预训练模型持续学习中的跨任务歧义瓶颈，提出TAILS模块，通过任务锚点修正特征表示，以轻量开销提升分类与任务推理性能。
Comments 7pages, 4figures, 5tables
步骤级在线策略蒸馏：在线策略蒸馏与监督微调的插值方法
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学现代软件技术国家重点实验室） ； XingYun Lab, HUJING Digital Media & Entertainment Group（星云实验室，沪景数字媒体娱乐集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Data Science, Fudan University（复旦大学数据科学学院）
AI总结 该研究针对令牌级在线策略蒸馏的局限，提出步骤级在线策略蒸馏SOPD，结合监督微调与在线策略蒸馏的优势，在推理和智能体任务上显著优于传统方法，为蒸馏研究提供新视角。
通过数据缩放推动高分辨率天气预报的极限
机构 * State Key Laboratory of Severe Weather Meteorological Science and Technology, Nanjing University（南京大学灾害性天气气象科技国家重点实验室） ； School of Atmospheric Science, Nanjing University（南京大学大气科学学院） ； Ant Healthcare, Ant Group（蚂蚁集团蚂蚁医疗） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
AI总结 该研究针对高分辨率天气预报的 data bottleneck，提出BaguanHR框架，通过变量级超分辨率合成高分辨率数据，使预报性能超越现有方法，且数据量与预报误差呈幂律关系。
Comments Accepted by ECCV2026
迈向自由流类增量学习的现实性
机构 * National Key Laboratory for Novel Software Technology, Nanjing University, China（南京大学计算机软件新技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； Department of Computer Science and Technology, Nanjing University, China（南京大学计算机科学与技术系） ； School of Electronic Science and Engineering, Nanjing University, China（南京大学电子科学与工程学院）
AI总结 本文提出自由流类增量学习（FFCIL）框架，通过类均值目标和方法调整提升鲁棒性，解决现实场景中类增量学习的挑战。
Comments 7pages, 5figures, 2 tables
DECO：解耦多模态扩散变压器用于配备插件触觉适配器的双臂灵巧操作
机构 * Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院） ； School of Computation, Information and Technology, Technical University of Munich, Garching, Germany（慕尼黑技术大学计算与信息学院） ； Department of Shenyang Institute of Computing Technology, University of Chinese Academy of Sciences, Beijing, China（中国科学院沈阳计算技术研究所部门） ； State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家重点实验室） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系）
AI总结 DECO通过解耦多模态输入和触觉适配器，实现了双臂灵巧操作的高效整合与高成功率
Comments 25 pages, 8 figures. Project Page: https://baai-humanoid.github.io/DECO-webpage/
归因于光谱基础模型中的预处理不变性
机构 * ESCP Business School（ESCP商学院） ； OpluxCare Co., Ltd.（欧普乐康护理有限公司） ； The University of Hong Kong（香港大学） ； Nanjing University（南京大学）
AI总结 该研究以拉曼光谱基础模型为例，指出其声称的预处理不变性多源于归一化而非学习，多数系统的归一化已消除相关变换，训练编码器未带来显著增益。
EgoMonth：面向长期时空记忆的月级自我中心视频基准
机构 * Nanjing University（南京大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Tianjin University（天津大学）
AI总结 研究人员推出首个月级自我中心视频基准EgoMonth，评估发现当前主流MLLMs的长期时空记忆能力远逊于人类，仅为有损总结器而非忠实记忆器。
Comments 21 pages, 4 figures, 6 tables, including appendices
JailWAM: 在机器人控制中对World Action Models进行劫持
机构 * MoE key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部重点实验室） ； PR Lab, Nanjing University（南京大学PR实验室） ； Defense Innovation Institute, Chinese Academy of Military Science（军事科学院国防创新研究院）
AI总结 本文提出JailWAM框架，通过三级安全分类体系和三个核心组件，系统评估WAM的安全性，实验表明其能有效暴露物理漏洞，攻击成功率高达84.2%。
多视角视频扩散策略：一种3D空间-时间感知的视频动作模型
机构 * New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； FiveAges（五时代） ； Tsinghua University（清华大学） ； Xi’an Jiaotong University（西安交通大学） ； Wuhan University（武汉大学） ； Nanjing University（南京大学）
AI总结 本文提出MV-VDP，通过联合建模环境的3D空间-时间状态，解决机器人操控中对3D空间结构和时间演变理解不足的问题，实现高效、鲁棒且可解释的动作执行。
Comments Updated Version; Project Website: https://spatialvam.github.io/
TD-VAD：通过文本驱动学习打破视频异常检测中的视觉依赖
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； School of Artificial Intelligence Engineering, Hefei Institute of Technology（合肥工业大学人工智能工程学院） ； China Mobile Zijin Innovation Institute（中国移动紫金创新研究院） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）
AI总结 针对现有视频异常检测依赖视觉数据的问题，提出TD-VAD方法，利用LLM生成的文本描述训练模型，结合事件演化因果注意力模块与CLIP编码器，在XD-Violence和UCF-Crime上性能大幅优于现有方法。
Comments Accepted to ICML2026
具身融合智能体：以人为中心的智能体人工智能新范式
机构 * Université de Montréal（蒙特利尔大学） ； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所） ； Nanjing Medical University（南京医科大学） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； University of Glasgow（格拉斯哥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。
Comments 38 pages, 6 figures, 10 tables
像素空间扩散变换器
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学） ； Cornell University（康奈尔大学） ； University of Oulu（奥卢大学）
AI总结 本文探讨像素空间扩散变换器，针对潜在扩散模型的局限，研究直接对原始像素建模的像素空间扩散方法，介绍其在高维建模中的挑战与多模态建模优势，从多方面回顾pDiTs，总结方法、识别挑战并展望未来方向。
多模态代码切换：将视觉对象交织入语言以实现显式对象级对齐
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
AI总结 针对现有多模态大语言模型的图像级对齐存在指称歧义的问题，提出多模态代码切换（MMCS）范式，构建含77.3万样本的数据集，仅用5万样本即可匹配或超越60万图像-文本对训练的模型，提升了视觉基础与感知能力。
DSAR：用于生成逼真可动画化虚拟化身的布料时序动力学双流自回归建模
机构 * Nanjing University（南京大学）
AI总结 本文提出DSAR双流自回归框架，显式建模布料时序因果结构，解决现有方法布料动力学捕捉不足问题，在多方面性能获显著提升。
Comments Accepted to ECCV 2026. 25 pages, 7 figures, including supplementary material
连续交互扩散：面向异步工具增强推理的原生扩散运行时
机构 * Nanjing University（南京大学）
AI总结 针对扩散语言模型异步工具增强推理的局限，提出连续交互扩散架构，将工具交互整合至迭代去噪，可提升效率并减少冗余，首次聚焦只读工具。
Comments 15 pages, 5 figures, 1 table
SDDBMs：软去噪扩散桥模型
机构 * Nanjing University（南京大学） ； Renmin University of China（中国人民大学）
AI总结 本文提出SDDBMs，一种正则化扩散桥的通用框架，以非退化高斯终端边际替代硬端点约束，涵盖现有多种扩散桥模型，图像修复实验显示其数值稳定性与生成质量更优。
CuSearch：通过搜索深度进行课程展开采样以实现代理RAG
机构 * Nanjing University（南京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； University of Hong Kong（香港大学）
AI总结 本文提出CuSearch，通过搜索深度贪心分配策略改进代理RAG训练，提升检索监督密度，实验显示在ZeroSearch上性能提升达11.8个精确匹配点。
Comments The paper has been accepted by COLM 2026. Code: https://github.com/MrToser/CuSearch
视觉-语言表示学习中的动态分布感知不确定性跟踪
机构 * State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； ByteDance Inc（字节跳动公司）
AI总结 针对视觉-语言模型事后不确定性量化方法忽略测试分布动态性的问题，提出DDA-UQ框架，通过高斯混合模型建模嵌入空间，实现动态不确定性估计，性能优于现有最优方法。
SignLlama：通过优先考虑视觉特征增强无词素手语翻译的大语言模型
机构 * State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； University of Warwick（华威大学）
AI总结 该研究针对无词素手语翻译（GFSLT）中LLMs的视觉特征利用问题，提出SignLlama模型，通过过滤伪词素CTC预训练与视觉优先蒸馏策略，在多数据集上取得极具竞争力的性能。
SynVAR：在视觉自回归模型中协同空间与语义对齐
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； Western University（西安大略大学） ； JIUTIAN Research, CMCC, China（中国移动通信集团九天研究）
AI总结 本文提出首个专为视觉自回归模型（VAR）定制的无训练增强框架SynVAR，通过空间-语义协同控制策略及三个关键组件抑制误差，显著提升了VAR的复杂场景建模能力。
Comments Accepted by ECCV 2026
SegDem：分割任务助力去马赛克
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） ； Nanjing University (Suzhou)（南京大学（苏州））
AI总结 该研究提出SegDem框架，通过实例分割与跨任务解码器表示迁移，结合DINOv2共享表示空间，在单/四拜耳去马赛克任务上，于多类数据集实现不同架构下的性能稳定提升。
Comments 20 pagess
Argus：面向长程推理的通用智能体运行时
机构 * Microsoft（微软公司） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Donghua University（东华大学）
AI总结 Argus是面向长程推理的通用智能体运行时，通过多角色协作与自进化，在多个基准测试中表现优于同类方法，还完成了实际应用任务并产出结构化轨迹。
RoMeRL：通过降阶效用状态平衡自进化智能体记忆中的反馈覆盖与记忆-奖励陷阱
机构 * Nanjing University（南京大学） ； Xiamen University（厦门大学） ； Zhejiang University（浙江大学）
AI总结 RoMeRL通过降阶效用状态解决自进化LLM智能体记忆的反馈分散与记忆-奖励陷阱问题，在ALFWorld等基准上显著提升任务性能、降低记忆规模与LLM调用
Embodied.cpp：面向异构机器人的具身AI模型可移植推理运行时
机构 * Southeast University（东南大学） ； Nanjing University（南京大学） ； Microsoft Research（微软研究院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））
AI总结 提出Embodied.cpp，一个基于C++的可移植推理运行时，通过五层架构支持多速率执行、延迟优先融合推理和可扩展接口，在异构机器人上高效部署VLA和世界动作模型。
Comments 18 pages, 2 figures, Project website: https://github.com/SEU-PAISys/Embodied.cpp
Quokka：通过不变式合成加速程序验证
机构 * Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amherst College（阿默斯特学院） ； Nanjing University（南京大学）
AI总结 Quokka通过利用大语言模型生成有用的循环不变式，提升程序验证效率，其评价导向框架在多个模型家族中表现出色，优于现有基于LLM的验证器。
通过翻译-推理联合训练实现自我改进的多语言长推理
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； University of Tübingen（图宾根大学） ； China Mobile Communications Company Limited Research Institute（中国移动通信集团有限公司研究院）
AI总结 TRIT通过整合翻译训练提升多语言长推理能力，在MMATH上超越基线7个百分点，提升答案正确性和语言一致性。
Comments 16 pages, 11 figures
SuperCoder：基于大语言模型的汇编程序超优化
机构 * Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanjing University（南京大学）
AI总结 SuperCoder利用大语言模型实现汇编程序超优化，通过强化学习微调后，正确性达95%且平均速度提升1.46倍。
C2Dex：基于单目视频的接触一致性重建与灵巧操作重定向
机构 * Nanjing University（南京大学） ； China Mobile Research Institute（中国移动研究院）
AI总结 C2Dex是基于单目视频的灵巧操作框架，通过聚合物体侧稳定接触实现HOI重建与手物几何保留，在DexYCB、TACO上的轨迹成功率显著优于基线，且真实机器人复现可行。
Comments 9 pages, 5 figures. Submitted to IEEE Robotics and Automation Letters (RA-L). Project page: https://k-jie.github.io/C2Dex/
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈