Shanghai Jiao Tong University（上海交通大学）

FineLAP: Taming Heterogeneous Supervision for Fine-grained Language-Audio Pretraining

FineLAP: 通过异质监督驯化细粒度语言-音频预训练

Xiquan Li, Xuenan Xu, Ziyang Ma, Wenxi Chen, Haolin He, Qiuqiang Kong, Xie Chen

机构 * X-LANCE Lab, Shanghai Jiao Tong University（上海交通大学X-LANCE实验室） ； SJTU Paris Elite Institute of Technology, Shanghai Jiao Tong University（上海交通大学巴黎卓越工程师学院） ； Shanghai Innovation Institute（上海创新研究院） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出FineLAP，一种新型预训练范式，通过异质数据提升CLAP在clip和frame级对齐能力，引入双流sigmoid损失和聚类采样策略，结合大规模合成SED数据集，实现多任务SOTA性能。

Towards Reliable Truth-Aligned Uncertainty Estimation in Large Language Models

迈向大语言模型中可靠的真实性对齐不确定性估计

Ponhvoan Srey, Quang Minh Nguyen, Xiaobao Wu, Anh Tuan Luu

机构 * Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出Truth AnChoring方法，通过将原始分数映射到事实对齐分数，解决不确定性估计指标在低信息区域的非判别性问题，提升大语言模型的可靠性。

RoboClaw: An Agentic Framework for Scalable Long-Horizon Robotic Tasks

RoboClaw：一个用于可扩展长周期机器人任务的代理框架

Ruiying Li, Yunlang Zhou, YuYao Zhu, Kylin Chen, Jingyuan Wang, Sukai Wang, Kongtao Hu, Minhui Yu, Bowen Jiang, Zhan Su, Jiayao Ma, Xin He, Yongjian Shen, Yang Yang, Guanghui Ren, Maoqing Yao, Wenhao Wang, Yao Mu

机构 * AgiBot ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； MoE Key Lab of Artificial Intelligence, AI Institute, SJTU（上海交通大学人工智能研究院教育部人工智能重点实验室） 纠错

AI总结 RoboClaw通过统一数据收集、策略学习和任务执行，提高长周期机器人任务的稳定性和可扩展性，减少人工干预，提升多策略鲁棒性。

Comments Code available at: https://github.com/RoboClaw-Robotics/RoboClaw

Mousse: Rectifying the Geometry of Muon with Curvature-Aware Preconditioning

Mousse：通过曲率感知预条件化校正μon的几何

Yechen Zhang, Shuhao Xing, Junhao Huang, Kai Lv, Yunhua Zhou, Xipeng Qiu, Qipeng Guo, Kai Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） 纠错

AI总结 本文提出Mousse优化器，通过曲率感知预条件化改进谱方法的结构稳定性，实验证明其在大规模语言模型训练中显著提升效率。

Comments 17 pages, 10 figures

Q-REAL: Towards Realism and Plausibility Evaluation for AI-Generated Content

Q-REAL：迈向AI生成内容真实性和可信度评估

Shushi Wang, Zicheng Zhang, Chunyi Li, Wei Wang, Liya Ma, Fengjiao Chen, Xiaoyu Li, Xuezhi Cao, Guangtao Zhai, Xiaohong Liu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Meituan（美团） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出Q-REAL数据集，用于细粒度评估AI生成图像的真实性和可信度，通过标注实体位置和设计判断问题，提升生成模型性能。

Genesis: Evolving Attack Strategies for LLM Web Agent Red-Teaming

Genesis：为LLM网络代理红队测试演变攻击策略

Zheng Zhang, Jiarui He, Yuchen Cai, Deheng Ye, Peilin Zhao, Ruili Feng, Hao Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； Tencent（腾讯） ； Nvidia（英伟达） 纠错

AI总结 本文提出Genesis框架，通过遗传算法与混合策略表示生成对抗注入，动态发现有效策略并持续优化，提升网络代理攻击效果。

Comments Accepted by ICME 2026

Auto-Formulating Dynamic Programming Problems with Large Language Models

利用大语言模型自动生成动态规划问题

Chenyu Zhou, Jingyuan Yang, Linwei Xin, Yitian Chen, Ziyan He, Dongdong Ge

机构 * Antai College of Economics and Management, Shanghai Jiao Tong University（上海交通大学安泰经济与管理学院） ； Booth School of Business, University of Chicago（芝加哥大学布斯商学院） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院） ； Cardinal Operations（杉数科技） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 本文提出DP-Bench基准和DPLM模型，通过DualReflect生成合成数据，实现动态规划问题的自动化建模，展现了在低数据环境下后向生成的优势及大规模下前向生成的价值。

Analysis of On-policy Policy Gradient Methods under the Distribution Mismatch

对在分布不匹配下策略梯度方法的分析

Weizhen Wang, Jianping He, Xiaoming Duan

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Key Laboratory of System Control and Information Processing, Ministry of Education of China（教育部系统控制与信息处理重点实验室） 纠错

AI总结 本文分析了分布不匹配对策略梯度方法的影响，证明了在表格参数化下，不匹配引起的偏导数仍能有效描述全局最优性，并推导了更一般参数化下的显式界限，展示了在折扣因子接近1时的收敛性。

Phase Diagram of Initial Condensation for Two-layer Neural Networks

两层神经网络初始凝聚的相图

Zhengan Chen, Yuqing Li, Tao Luo, Zhangchen Zhou, Zhi-Qin John Xu

机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） ； CMA-Shanghai, Shanghai Jiao Tong University（上海交通大学上海数学中心） ； Institute of Natural Sciences, MOE-LSC, Shanghai Jiao Tong University（上海交通大学自然科学研究院，教育部-上海市联合重点实验室） ； Qing Yuan Research Institute, Shanghai Jiao Tong University（上海交通大学清源研究院） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学致远学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

AI总结 本文研究了初始化尺度变化下神经网络行为差异的相图，揭示了初始凝聚现象及其与超参数选择的关系，阐明了小初始化在训练初期导致凝聚的机制。

Journal ref CSIAM Transactions on Applied Mathematics 2024