高校专区
优化方法的演变：算法、场景与评估
机构 * Zhejiang University（浙江大学） ； APRIL Lab（APRIL实验室） ； Fudan University（复旦大学） ； Shanghai Jiaotong University（上海交通大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文回顾了深度学习优化算法的演变历程，通过广泛实验评估主流优化器在不同模型架构和训练场景中的表现，揭示了新兴趋势与核心设计权衡，为未来高效、可靠优化方法的设计提供指导。
E2E-Fly：一种端到端四旋翼自主性的集成训练到部署系统
机构 * School of Automation and Perception, Shanghai Jiao Tong University（自动化与感知学院，上海交通大学）
AI总结 本文提出E2E-Fly系统，整合了高效模拟器与强化学习，通过两阶段验证策略和仿真到现实对齐方法，实现四旋翼自主控制的端到端训练与部署。
对组合图像检索的检验
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University, China（上海交通大学人工智能学院, 上海交通大学, 中国） ； CMIC, Shanghai Jiao Tong University, China（上海交通大学计算机信息中心, 上海交通大学, 中国）
AI总结 本文提出FISD基准和多轮代理评估框架，通过精确控制图像变量和交互场景，提升组合图像检索方法的评估准确性与实用性。
信息论优化用于任务适应的压缩感知磁共振成像
机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
AI总结 本文提出基于信息论的任务适应压缩感知磁共振成像方法，通过最大化未采样k空间测量与临床任务间的互信息，实现不确定性预测和适应任意采样比率的灵活控制。
Comments 68 pages, 15 figures, accepted by IEEE TPAMI
ChemDFM-R: 一种增强原子化化学知识的化学推理大语言模型
机构 * X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（X-LANCE实验室、计算机科学学院、上海交通大学、上海、中国） ； Suzhou Laboratory, Suzhou, China（苏州实验室、苏州、中国） ； Shanghai Innovation Institution, Shanghai, China（上海创新研究院、上海、中国） ； Jiangsu Key Lab of Language Computing, Suzhou, China（江苏省语言计算重点实验室、苏州、中国） ； School of Chemistry and Chemical Engineering, Shanghai Jiao Tong University, Shanghai, China（化学与化工学院、上海交通大学、上海、中国）
AI总结 本文提出ChemDFM-R，通过构建原子化化学知识库ChemFG并采用混合源蒸馏方法，提升模型对化学原理和反应逻辑的理解，实现优于通用和领域大模型的化学推理能力。
Comments 20 figures, 5 tables
大规模安全：大型模型和智能体安全的全面综述
机构 * Fudan University（复旦大学） ； The University of Melbourne（墨尔本大学） ； Singapore Management University（新加坡国立大学） ； Deakin University（德肯大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； City University of Hong Kong（香港城市大学） ； University of Oxford（牛津大学） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； The University of Sydney（悉尼大学） ； Griffith University（格里菲斯大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Sea AI Lab（Sea AI实验室） ； Tsinghua University（清华大学） ； Virginia Tech（弗吉尼亚理工大学） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全部） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Purdue University（普渡大学） ； Duke University（杜克大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； RIKEN（理化学研究所） ； The University of Tokyo（东京大学）
AI总结 本文综述了大型模型和智能体的安全性，分析了各类攻击威胁及防御策略，指出安全评估、防御机制和数据实践的重要性，强调研究社区和国际合作的必要性。
Comments 706 papers, 60 pages, 3 figures, 14 tables; GitHub: https://github.com/xingjunm/Awesome-Large-Model-Safety
SEATrack: 简单、高效且自适应的多模态跟踪器
机构 * School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； School of Software, Beihang University（北航软件学院） ； Hebei Key Laboratory of Computer Virtual Technology and System Integration（河北省计算机虚拟技术与系统集成重点实验室） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), CASIA（多模态人工智能系统国家重点实验室（MAIS），CASIA） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） ； AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院自动化实验室）
AI总结 SEATrack通过跨模态对齐和层次混合专家机制，在RGB-T、RGB-D和RGB-E跟踪任务中实现性能与效率的平衡。
Comments Accepted as a CVPR 2026 Oral
在风切变流中学习步级动态滑翔
机构 * J.C.Wu Center for Aerodynamics, School of Aeronautics and Astronautics, Shanghai Jiao Tong University（J.C.Wu 动力学中心，航空与航天学院，上海交通大学）
AI总结 本文通过深度强化学习展示在无风切变流中无需显式轨迹规划，仅通过局部感知即可实现稳健的全方位导航，揭示了动态滑翔的反馈控制结构。
从短视选择到长周期意识：面向多轮对话的序列LLM路由
机构 * School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； WeChat, Tencent Inc, Beijing, China（腾讯北京研发中心） ； University at Buffalo, New York, United States（布法罗大学）
AI总结 本文提出DialRouter，通过MCTS探索对话分支并学习轻量路由策略，实现多轮对话的高效路由，提升任务成功率并优化性能成本比。
AlphaEval：生产环境中的代理评估
机构 * SII ； MiraclePlus ； SJTU（上海交通大学） ； GAIR ； HIT（哈尔滨工业大学） ； UCAS（中国科学技术大学） ； LangCore ； Jiqizhixin ； HunterAI ； CinoCore ； KuaFuAI ； POET
AI总结 AlphaEval 是一个基于生产环境的评估基准，包含 94 个任务，涵盖六个职业领域，通过多种评估方法评估完整代理产品，提供可复现的构建框架。
交互式语音识别：迈向人样交互和语义连贯性评估的代理语音识别
机构 * X-LANCE Lab, Shanghai Jiao Tong University（上海交通大学X-LANCE实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Xi'an Jiaotong University（西安交通大学） ； Fudan University（复旦大学） ； Tongyi Fun Team, Alibaba Group（阿里巴巴集团 Tongyi 团队）
AI总结 本文提出基于LLM的代理框架，通过语义反馈提升语音识别的语义准确性和交互修正能力，实验验证了其有效性。
MoDora：基于树的半结构化文档分析系统
机构 * Shanghai Jiao Tong University（上海交通大学） ； Microsoft Research（微软研究院） ； Beihang University（北航） ； Shanghai AI Lab（上海人工智能实验室） ； Tsinghua University（清华大学） ； Institute for Clarity in Documentation（文档清晰性研究所） ； Inria Paris-Rocquencourt（Inria巴黎-罗quentcourt研究中心） ； East China Normal University（华东师范大学） ； Scientific Writing Academy（科学写作学院）
AI总结 MoDora通过局部对齐聚合策略和组件相关树结构，提升半结构化文档的分析能力，实验表明其在准确性上优于基线方法。
Comments Extension of our SIGMOD 2026 paper. Please refer to source code available at https://github.com/weAIDB/MoDora
对大型推理模型进行红队测试
机构 * Shanghai Key Laboratory of Multidimensional Information Processing, East China Normal University（上海多维信息处理关键实验室，东华大学） ； Zhongguancun Academy（中关村学院） ； Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学） ； Dept. of Comp. Sci. and Tech., THBI Lab, Tsinghua University（计算机科学与技术系，清华THBI实验室） ； Beihang University（北京航空航天大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出RT-LRM基准，评估大型推理模型的可信度，揭示其在面对推理风险时的脆弱性，并发布工具箱支持未来研究。
Comments 30 pages, 9 figures
Stackelberg发言者：优化社会推断游戏中的说服性沟通
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Tencent（腾讯） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出基于Stackelberg竞争的强化学习框架，用于优化社会推断游戏中说服性沟通，通过实验展示其在三种不同游戏中的优越性。
Comments Accepted by ACL 2026
HiCoLoRA：通过分层协作LoRA解决上下文提示对齐问题
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学） ； University of Sydney（悉尼大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； Westlake University（西湖大学） ； SIAT, CAS（中国科学院软件研究所）
AI总结 本文提出HiCoLoRA框架，通过增强零样本槽位推理实现上下文提示对齐，采用分层LoRA架构、谱联合领域-槽位聚类和语义增强SVD初始化，在多领域数据集上取得最优性能。
Comments Accepted in ACL2026 findings
DyBBT：通过老虎机启发式目标实现对话策略的动态平衡
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学） ； Stanford University（斯坦福大学） ； University of Sydney（悉尼大学） ； SIAT, CAS（中国科学院上海硅酸盐研究所） ； Beijing Institute of Graphic Communication（北京印刷学院）
AI总结 本文提出DyBBT框架，通过结构化认知状态空间解决对话探索挑战，结合快速直觉推理与慢速 deliberative 推理，提升对话策略的成功率、效率和泛化能力。
Comments Accepted in ACL2026 main
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