Peking University（北京大学）

Be Your Own Red Teamer: Safety Alignment via Self-Play and Reflective Experience Replay

做自己的红队：通过自play和反思经验回放实现安全对齐

Hao Wang, Yanting Wang, Hao Li, Rui Li, Lei Sha

机构 * Beihang University（北京航空航天大学） ； Peking University（北京大学） ； Zhongguancun Laboratory（中关村实验室） 纠错

AI总结 通过自play和反思经验回放机制，使模型自主进化防御能力，提升安全对齐效果。

QoSBERT: An Uncertainty-Aware Approach based on Pre-trained Language Models for Service Quality Prediction

QoSBERT：基于预训练语言模型的不确定性感知方法用于服务质量预测

Ziliang Wang, Xiaohong Zhang, Ze Shi Li, Meng Yan

机构 * Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education（高可信软件技术重点实验室（北京大学）） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China（网络物理社会可信服务计算重点实验室（重庆大学）） ； School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院） ； Department of Computer Science at the University of Victoria（维多利亚大学计算机科学系） 纠错

AI总结 QoSBERT基于预训练语言模型，通过不确定性估计提升服务质量预测的准确性和可靠性。

Journal ref IEEE Transactions on Services Computing ( Volume: 18, Issue: 6, Nov.-Dec. 2025)

ToolSafe: Enhancing Tool Invocation Safety of LLM-based agents via Proactive Step-level Guardrail and Feedback

ToolSafe: 通过主动的步骤级防护和反馈提升基于LLM的代理的工具调用安全性

Yutao Mou, Zhangchi Xue, Lijun Li, Peiyang Liu, Shikun Zhang, Wei Ye, Jing Shao

机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家工程研究中心，北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

AI总结 ToolSafe通过构建TS-Bench和TS-Guard模型，结合TS-Flow框架，有效减少LLM代理的有害工具调用并提升任务完成率。

Comments Work in Progress. Code available: https://github.com/MurrayTom/ToolSafe

Efficient Content-based Recommendation Model Training via Noise-aware Coreset Selection

通过噪声感知的聚类选择实现高效的内容基础推荐模型训练

Hung Vinh Tran, Tong Chen, Hechuan Wen, Quoc Viet Hung Nguyen, Bin Cui, Hongzhi Yin

机构 * The University of Queensland（昆士兰大学） ； Griffith University（格里菲斯大学） ； Peking University（北京大学） 纠错

AI总结 NaCS通过噪声感知的聚类选择方法，在仅使用1%训练数据的情况下，实现了93-95%的全数据集性能，提高了内容基础推荐系统的效率和质量。

Comments WebConf 2026

CoF-T2I: Video Models as Pure Visual Reasoners for Text-to-Image Generation

CoF-T2I: 视频模型作为纯视觉推理器用于文本到图像生成

Chengzhuo Tong, Mingkun Chang, Shenglong Zhang, Yuran Wang, Cheng Liang, Zhizheng Zhao, Ruichuan An, Bohan Zeng, Yang Shi, Yifan Dai, Ziming Zhao, Guanbin Li, Pengfei Wan, Yuanxing Zhang, Wentao Zhang

机构 * Peking University（北京大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Sun Yat-sen University（中山大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学） 纠错

AI总结 CoF-T2I通过引入链式帧推理提升文本到图像生成的质量，通过逐步视觉细化和显式推理步骤实现高质量图像生成。

Comments 16 pages, 8 figures

FilDeep: Learning Large Deformations of Elastic-Plastic Solids with Multi-Fidelity Data

FilDeep：利用多保真数据学习弹性-塑性固体的大变形

Jianheng Tang, Shilong Tao, Zhe Feng, Haonan Sun, Menglu Wang, Zhanxing Zhu, Yunhuai Liu

机构 * Peking University（北京大学） ； University of Southampton（南安普顿大学） 纠错

AI总结 FilDeep通过结合低保真度和高保真度数据，解决大变形问题中数据数量与精度的矛盾，实现高效且精确的弹性-塑性固体大变形模拟。

Comments Accepted in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD '26)