Nanjing University（南京大学）

SymboLLM-FE: LLM-Accelerated Symbolic Regression for Automated Feature Engineering on Tabular Data

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

Zi-Jian Cheng, Zi-Yi Jia, Zhi Zhou, Yu-Feng Li, Lan-Zhe Guo

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） 纠错

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: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation

STEGNav：面向多模态终身目标导航的时空事件图推理

Yang Chen, Zhenyu Huang, Wenbo Fu, Danyang Peng, Shi-Yu Tian, Kun-Yang Yu, Lan-Zhe Guo

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） 纠错

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: A Cooperative Coordination Benchmark for Embodied Multi-Agent Task Planning

CoCoBench：用于具身多智能体任务规划的协作协调基准

Yang Chen, Ye-Xin Xie, Lirong Che, Danyang Peng, Yuzhe Yang, Peiwen Lin, Xu Cao, Chuang Wang, Lei Yuan, Jian Su, Lan-Zhe Guo

机构 * Nanjing University（南京大学） ； AgiBot ； Tsinghua University（清华大学） 纠错

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: Latent-Conditional 3D Appearance Fields for Robust Gaussian Splatting In-the-Wild

WilLaGS：用于野外鲁棒高斯溅射的隐条件三维外观场

Yuhao Bai, Qianqiu Tan, Lilong Chen, Huanhuan Lv, Lijun Chen

机构 * Nanjing University（南京大学） ； Nanjing Agricultural University（南京农业大学） 纠错

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

Learning to Allocate Incentives for Incentivized Advertising via Offline Model-Based Reinforcement Learning

基于离线模型强化学习的激励式广告激励分配学习

Zilin Zhao, Han Yang, Tianpei Yang, Fangsheng Huang, Yanfei Cui, Kan Peng, Yi Li, Yiming Zong, Hao Zhang, Yinsong Xue

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） 纠错

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。

Learning from Hard Prompts: Difficulty-aware Advantage Amplification in Dynamic Sampling

从困难提示中学习：动态采样中的难度感知优势放大

Siyuan Gan, Yuhan Li, Xiran Wang, Linjian Meng, Boyan Wang, Zhen Zhao, Jing Huo, Lei Bai, Yang Gao

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） 纠错

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

When Teacher Guidance Misleads: Reward-Aligned On-Policy Distillation

当教师指导产生误导：奖励对齐的在线策略蒸馏

Siyuan Gan, Yuhan Li, Xiran Wang, Linjian Meng, Boyan Wang, Zhen Zhao, Jing Huo, Yang Gao

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） 纠错

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。

When Muon Meets Task Interference: A Spectral Perspective on Continual Learning and Model Merging

当μ子遇见任务干扰：持续学习与模型融合的谱视角

Shangge Liu, Yuehan Yin, Yinghuan Shi, Lei Wang, Wenbin Li

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） 纠错

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。