高校专区
SymboLLM-FE：用于表格数据自动特征工程的大语言模型加速符号回归
机构 * Nanjing University（南京大学） ； 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, Nanjing University（南京大学人工智能学院）
AI总结 SymboLLM-FE将符号回归与LLM结合，通过符号回归提取强相关公式并经LLM优化，在6个真实数据集和4个Kaggle竞赛上性能优于现有AutoFE，解决了可解释性差和迭代多的问题。
STEGNav：面向多模态终身目标导航的时空事件图推理
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） ； 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, Nanjing University（南京大学人工智能学院）
AI总结 针对现有多模态终身导航方法的局限，本文提出无训练框架STEGNav，通过时空事件图的双轴设计优化导航性能，在多个基准数据集上取得显著效果。
CoCoBench：用于具身多智能体任务规划的协作协调基准
机构 * Nanjing University（南京大学） ； AgiBot ； Tsinghua University（清华大学）
AI总结 研究人员提出CoCoBench这一家庭任务多智能体具身协调基准，评估11种MLLM后发现协调能力具构造特异性，为相关模型设计提供新方向。
WilLaGS：用于野外鲁棒高斯溅射的隐条件三维外观场
机构 * Nanjing University（南京大学） ； Nanjing Agricultural University（南京农业大学）
AI总结 针对野外场景下三维高斯溅射的多视图一致性问题，提出WilLaGS框架，通过β-VAE与三维神经外观场建模外观，结合自监督感知掩码抑制伪影，实现鲁棒三维重建与实时渲染，性能达SOTA。
Comments Accepted by ECCV2026
基于离线模型强化学习的激励式广告激励分配学习
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（字节跳动） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本研究针对激励式广告的序列激励分配问题，提出离线模型强化学习框架，实验显示MB-IQL可显著提升人均净利润，验证了该框架的有效性。
从困难提示中学习：动态采样中的难度感知优势放大
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） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 该研究针对DAPO中动态采样的训练效率问题，提出DAA方法整合得到DA3PO，大幅优于GRPO及其他GRPO变体
当教师指导产生误导：奖励对齐的在线策略蒸馏
机构 * State Key Laboratory of Novel Software Technology, Nanjing University（南京大学现代软件技术国家重点实验室） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 针对在线策略蒸馏中教师指导与结果奖励不一致的问题，提出RA-OPD方法，通过过滤不一致轨迹提升学生模型性能，在7个数学基准和3个代码基准上优于标准OPD及其他变体。
当μ子遇见任务干扰：持续学习与模型融合的谱视角
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学现代国家重点实验室（注：此处按原文直译，实际常见译名为“南京大学计算机软件新技术国家重点实验室”）） ； University of Wollongong（卧龙岗大学）
AI总结 本研究将持续学习与模型融合的共同挑战归为任务干扰，发现Muon优化器可通过调控谱范数收紧干扰界，在多任务基准上替换AdamW能显著提升性能。
TempJail：针对图像到视频生成模型的时序越狱攻击
机构 * School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络空间科学与工程学院） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； School of Software and engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； School of Computer Science, Nanjing University（南京大学计算机学院）
AI总结 本文提出TempJail时序越狱框架，针对图像到视频生成模型的时序漏洞，通过分解恶意提示、受控潜在扰动等方式提升攻击成功率，在Kling等模型上获显著效果。
Comments Accepted by ACM Multimedia 2026 (ACM MM '26)
AgentFold：用于蛋白质折叠模型设计的闭环智能体搜索
机构 * Hunan University（湖南大学） ； Nanjing University（南京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； Wuhan University of Science and Technology（武汉科技大学） ； Southeast University（东南大学） ； Stanford University（斯坦福大学）
AI总结 AgentFold是将蛋白质折叠模型开发转化为闭环搜索的多智能体框架，以ESMFold为起点，通过MCTS策略分配计算资源，在匹配预算下较Codex提案提升lDDT 7.5%，优于随机搜索。
Mind-VLA：面向视觉-语言-动作模型的指令感知空间表示对齐方法
机构 * Nanjing University（南京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文针对现有VLA方法忽略指令指定目标物体3D几何的问题，提出Mind-VLA方法，通过对齐目标物体相关特征实现指令感知3D理解，在LIBERO、CALVIN及真实机器人遮挡任务上性能显著优于基线。
Comments 9 pages, 4 figures
CRAM：面向多模态持续指令调优的质心路由与自适应MoE
机构 * School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； State Key Laboratory of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室）
AI总结 提出CRAM方法，通过将任务特定模式隔离到独立模块、自适应秩实例化动态分配参数、质心路由激活现有专家以及正交惩罚约束更新方向，解决了多模态持续指令调优中任务竞争导致遗忘和参数效率低下的问题。
Comments Accepted to EMNLP 2026 (Main Conference). Code is available at this https URL (https://github.com/LAMDA-CL/EMNLP2026-CRAM)
理解并强制任务算术中的权重解耦
机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； University of Wollongong, Australia（沃林根大学，澳大利亚） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
AI总结 本文提出Task-Feature Specialization（TFS）作为权重解耦的根本原理，通过促进权重向量的正交性，提出OrthoReg正则化方法以提升任务算术方法的性能。
Comments CVPR 2026 Oral
DeferredSeg: 一种多专家延迟框架用于可信的医学图像分割
机构 * School of Software, Shandong University（山东大学软件学院） ； Department of Clinical Laboratory, Shandong Provincial Hospital Affiliated to Shandong First Medical University（山东第一医科大学附属山东省人民医院临床检验科） ； School of Computer Science and Technology, Nanjing University（南京大学计算机科学与技术学院）
AI总结 DeferredSeg通过引入延迟感知分割框架，在医学图像分割中实现人机协作，通过动态路由和损失函数提升分割可靠性，优于基线方法。
Comments Accepted by Pattern Recognition
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