Peking University（北京大学）

Just Noticeable Difference Modeling for Deep Visual Features

深度视觉特征的可察觉差异建模

Rui Zhao, Wenrui Li, Lin Zhu, Yajing Zheng, Weisi Lin

机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算与数据科学学院） ； Department of Computer Science and Technology, Harbin Institute of Technology, Harbin, China（哈尔滨工业大学计算机科学与技术学院） ； School of Artificial Intelligence, Beijing Normal University, Beijing, China（北京师范大学人工智能学院） ； School of Computer Science, Peking University, Beijing, China（北京大学计算机学院） 纠错

AI总结 本文提出FeatJND模型，用于深度视觉特征的可察觉差异建模，通过任务对齐的容忍边界提升特征质量控制和量化效率。

MMFineReason: Closing the Multimodal Reasoning Gap via Open Data-Centric Methods

MMFineReason: 通过以开放数据为中心的方法缩小多模态推理差距

Honglin Lin, Zheng Liu, Yun Zhu, Chonghan Qin, Juekai Lin, Xiaoran Shang, Conghui He, Wentao Zhang, Lijun Wu

机构 * Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室、OpenDataLab） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 MMFineReason通过大规模多模态推理数据集和基于难度的过滤策略，提升模型推理能力与参数效率。

$π_\texttt{RL}$: Online RL Fine-tuning for Flow-based Vision-Language-Action Models

$π_\ exttt{RL}$: 流基于视觉-语言-动作模型的在线强化学习微调

Kang Chen, Zhihao Liu, Tonghe Zhang, Zhen Guo, Si Xu, Hao Lin, Hongzhi Zang, Xiang Li, Quanlu Zhang, Zhaofei Yu, Guoliang Fan, Tiejun Huang, Yu Wang, Chao Yu

机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Infinigence AI ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文提出$π_\ exttt{RL}$方法，通过流噪声和流SDE技术，解决大规模流基于VLA模型中强化学习微调的挑战，提升模型在分布内和分布外任务中的性能。

Epistemic Context Learning: Building Trust the Right Way in LLM-Based Multi-Agent Systems

知识上下文学习：在基于大语言模型的多智能体系统中以正确方式建立信任

Ruiwen Zhou, Maojia Song, Xiaobao Wu, Sitao Cheng, Xunjian Yin, Yuxi Xie, Zhuoqun Hao, Wenyue Hua, Liangming Pan, Soujanya Poria, Min-Yen Kan

机构 * National University of Singapore（国立新加坡大学） ； Singapore University of Technology（新加坡科技学院） ； Nanyang Technological University（南洋理工大学） ； Duke University（杜克大学） ； University of Waterloo（滑铁卢大学） ； Microsoft（微软公司） ； Peking University（北京大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出Epistemic Context Learning（ECL），通过历史交互构建同伴资料以提升多智能体系统中信任建模的准确性，使小型模型在性能上超越大模型，并在多种配置中表现出良好的泛化能力。

Comments Codes and data are available at https://github.com/skyriver-2000/epistemic-context-learning

DataCross: A Unified Benchmark and Agent Framework for Cross-Modal Heterogeneous Data Analysis

DataCross: 一个统一的基准和代理框架，用于跨模态异构数据分析

Ruyi Qi, Zhou Liu, Wentao Zhang

机构 * Peking University（北京大学） 纠错

AI总结 DataCross提出一个统一的基准和代理框架，用于跨模态异构数据分析，通过多步骤联合推理提升事实性与鲁棒性。

TeachBench: A Syllabus-Grounded Framework for Evaluating Teaching Ability in Large Language Models

TeachBench: 一种基于课程的评估大语言模型教学能力的框架

Zheng Li, Siyao Song, Jingyuan Ma, Rui Li, Ying Zeng, Minghao Li, Zhifang Sui

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息处理国家重点实验室，计算机学院，北京大学） ； ByteDance BandAI（字节跳动BandAI） ； Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院） 纠错

AI总结 TeachBench通过多轮指导后学生表现提升评估大语言模型的教学能力，揭示不同模型和领域间教学效果的显著差异。

Disturbance-Aware Flight Control of Robotic Gliding Blimp via Moving Mass Actuation

基于移动质量作动的扰动感知机器人滑翔飞艇飞行控制

Hao Cheng, Feitian Zhang

机构 * Robotics and Control Laboratory, School of Advanced Manufacturing and Robotics, and the State Key Laboratory of Turbulence and Complex Systems, Peking University（机器人与控制实验室，先进制造与机器人学院，湍流与复杂系统国家重点实验室，北京大学） 纠错

AI总结 本文提出基于移动质量作动的扰动感知飞行控制方法，通过MHE-MPC框架提升飞艇在风扰动下的稳定性和控制性能。

Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning

基于框架的思考：视觉上下文和测试时扩展如何增强视频推理

Chengzu Li, Zanyi Wang, Jiaang Li, Yi Xu, Han Zhou, Huanyu Zhang, Ruichuan An, Dengyang Jiang, Zhaochong An, Ivan Vulić, Serge Belongie, Anna Korhonen

机构 * University of Cambridge（剑桥大学） ； Pioneer Center for AI, University of Copenhagen（人工智能先锋中心，哥本哈根大学） ； Hong Kong University of Science（香港科学大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） 纠错

AI总结 本文提出通过视频生成模型进行视觉推理，利用视觉上下文和测试时扩展提升视频推理能力，展示了模型在空间和时间复杂任务中的鲁棒零样本泛化能力。

Comments 8 pages, 3 figures, 3 tables (26 pages, 13 figures, 6 tables including references and appendices)

Fairy2i: Training Complex LLMs from Real LLMs with All Parameters in $\{\pm 1, \pm i\}$

Fairy2i: 从真实LLM中训练复杂LLM，所有参数在{±1, ±i}中

Feiyu Wang, Xinyu Tan, Bokai Huang, Yihao Zhang, Guoan Wang, Peizhuang Cong, Tong Yang

机构 * Peking University（北京大学） 纠错

AI总结 Fairy2i通过将预训练实值层转换为复形式，实现极低比特量化，显著提升LLM推理效率。

Comments 15 pages, 3 figures

Two Heads are Better than One: Distilling Large Language Model Features Into Small Models with Feature Decomposition and Mixture

双头胜于单头：通过特征分解和混合将大语言模型特征蒸馏到小模型中

Tianhao Fu, Xinxin Xu, Weichen Xu, Jue Chen, Ruilong Ren, Bowen Deng, Xinyu Zhao, Jian Cao, Xixin Cao

机构 * Peking university（北京大学） 纠错

AI总结 本文提出CMM框架，通过特征分解和混合将大语言模型特征蒸馏到小模型中，提升市场做市效率。

Comments accepted by AAAI2026

LLM$\times$MapReduce-V3: Enabling Interactive In-Depth Survey Generation through a MCP-Driven Hierarchically Modular Agent System

LLM×MapReduce-V3：通过MCP驱动的分层模块化代理系统实现交互式深入调研生成

Yu Chao, Siyu Lin, xiaorong wang, Zhu Zhang, Zihan Zhou, Haoyu Wang, Shuo Wang, Jie Zhou, Zhiyuan Liu, Maosong Sun

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, BNRist Center, Tsinghua University（计算机科学与技术系，人工智能研究院，BNRist中心，清华大学） ； Peking University（北京大学） ； Modelbest Inc.（Modelbest公司） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 LLM×MapReduce-V3通过MCP驱动的分层模块化代理系统实现交互式深入调研生成，提升调研内容深度与长度。

Comments Accepted by EMNLP2025 System Demonstration

MuSLR: Multimodal Symbolic Logical Reasoning

MuSLR：多模态符号逻辑推理

Jundong Xu, Hao Fei, Yuhui Zhang, Liangming Pan, Qijun Huang, Qian Liu, Preslav Nakov, Min-Yen Kan, William Yang Wang, Mong-Li Lee, Wynne Hsu

机构 * National University of Singapore（新加坡国立大学） ； Stanford University（斯坦福大学） ； Peking University（北京大学） ； UniMelb（墨尔本大学） ； University of Auckland（奥克兰大学） ； MBZUAI（穆斯林人工智能研究所） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） 纠错

AI总结 MuSLR提出了一种多模态符号逻辑推理基准，通过形式逻辑规则提升VLMs的推理能力，显著提升链式推理性能及复杂逻辑处理效果。

Comments Accepted by NeurIPS 2025

SEGA: A Transferable Signed Ensemble Gaussian Black-Box Attack against No-Reference Image Quality Assessment Models

SEGA：一种可转移的带符号集成高斯黑盒攻击，用于无参考图像质量评估模型

Yujia Liu, Dingquan Li, Zhixuan Li, Tiejun Huang

机构 * School of Computer Science, the National Key Laboratory for Multimedia Information Processing, National Engineering Research Center of Visual Technology, Peking University（计算机科学学院、多媒体信息处理国家级重点实验室、视觉技术工程研究中心、北京大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院、南洋理工大学） ； Department of Networked Intelligence, Pengcheng Laboratory（网络智能系、鹏城实验室） 纠错

AI总结 SEGA提出了一种可转移的黑盒攻击方法，通过高斯平滑和集成梯度来提升对无参考图像质量评估模型的攻击效果。

Word Embeddings Track Social Group Changes Across 70 Years in China

词嵌入追踪中国社会群体变化70年

Yuxi Ma, Yongqian Peng, Yixin Zhu

机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； Yuanpei College, Peking University（元培学院，北京大学） 纠错

AI总结 该研究通过分析中国媒体70年的词嵌入数据，揭示了社会群体在官方语言中的演变，强调了非西方视角在计算社会科学中的重要性。

Journal ref Proceedings of the Annual Meeting of the Cognitive Science Society, 47 (2025). Retrieved from https://escholarship.org/uc/item/57j9j7h6