UniMo: Unifying 2D Video and 3D Human Motion with an Autoregressive Framework
UniMo：基于自回归框架统一2D视频与3D人体运动
机构 * Tsinghua University（清华大学） ； Meituan（美团）
AI总结 UniMo通过自回归框架统一2D视频与3D人体运动，实现同时生成与理解，提升多模态联合建模能力。
Comments https://carlyx.github.io/UniMo/
高校专区
Tsinghua University（清华大学）
Principled RL for Diffusion LLMs Emerges from a Sequence-Level Perspective
从序列层面视角出发的扩散大语言模型原理化强化学习
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理研究重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心） ； Stanford University（斯坦福大学） ； Lambda, Inc（Lambda公司） ； Tsinghua University（清华大学）
AI总结 本文提出ESPO，一种基于序列级优化的原理化强化学习框架，用于提升扩散大语言模型的生成能力，通过ELBO作为似然代理，显著优于token级方法。
Origin-Conditional Trajectory Encoding: Measuring Urban Configurational Asymmetries through Neural Decomposition
轨迹编码的起源条件：通过神经分解测量城市配置的不对称性
机构 * University College London（伦敦大学学院） ； Tsinghua University（清华大学） ； University of Sydney（悉尼大学）
AI总结 本文提出一种条件轨迹编码器，通过神经分解测量城市配置的不对称性，解决轨迹学习与空间嵌入方法的碎片化问题，揭示城市形态对认知不平等的影响。
AR-Med: Automated Relevance Enhancement in Medical Search via LLM-Driven Information Augmentation
AR-Med: 通过LLM驱动的信息增强实现医疗搜索的自动化相关性增强
机构 * Meituan Inc.（美团公司） ； Tsinghua University（清华大学） ； Independent Researcher（独立研究者）
AI总结 AR-Med通过LLM驱动的信息增强，实现医疗搜索的自动化相关性提升，提高了准确性和用户满意度。
ConvRot: Rotation-Based Plug-and-Play 4-bit Quantization for Diffusion Transformers
ConvRot：基于旋转的插拔式4位量化用于扩散变换器
机构 * SIGS, Tsinghua University（清华大学信号与信息系） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究所）
AI总结 ConvRot提出基于旋转的4位量化方法，通过正则Hadamard变换抑制异常值，实现扩散变换器的插拔式W4A4推理，提升速度和内存效率同时保持图像质量。
Can VLMs Detect and Localize Fine-Grained AI-Edited Images?
视觉语言模型能否检测并定位细粒度的人工智能编辑图像？
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Ant Group（蚂蚁集团） ； Tsinghua University（清华大学） ； Shandong University（山东大学） ； Wuhan University（武汉大学）
AI总结 本文提出FragFake基准，首次系统研究VLMs在编辑图像分类和定位中的应用，发现微调模型在准确性上表现优异，同时探索了基于GRPO的RLVR训练方法。
Comments 14pages,19 figures
Cross-Stain Contrastive Learning for Paired Immunohistochemistry and Histopathology Slide Representation Learning
跨染色对比学习用于配对免疫组化和病理切片的表示学习
机构 * Communication University of China（通信大学） ； Tsinghua University（清华大学） ； Macquarie University（麦考瑞大学）
AI总结 本文提出CSCL方法，通过跨染色对比学习提升H&E与IHC特征的兼容性，实现高质量的切片级表示学习。
Comments 6 pages, 2 figures. Camera-ready version accepted for IEEE BIBM 2025
RoboScape-R: Unified Reward-Observation World Models for Generalizable Robotics Training via RL
RoboScape-R: 通用机器人训练的统一奖励-观测世界模型
机构 * Tsinghua University（清华大学） ； Manifold AI
AI总结 RoboScape-R通过统一奖励-观测世界模型提升机器人训练的泛化能力，实现37.5%的性能提升。
GaussDetect-LiNGAM:Causal Direction Identification without Gaussianity test
GaussDetect-LiNGAM：无需高斯性检验的因果方向识别
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国）
AI总结 GaussDetect-LiNGAM通过利用噪声高斯性与残差独立性的等价性，无需高斯性检验即可实现因果方向识别，提升因果推断的效率和实用性。
YOLOA: Real-Time Affordance Detection via LLM Adapter
YOLOA：通过LLM适配器实现实时的可及性检测
机构 * School of Electronic Engineering, Xidian University（电子工程学院，西安电子科技大学） ； School of Software, Tsinghua University（软件学院，清华大学） ； School of Computer Science and Informatics, Cardiff University（计算机科学与信息学院，卡迪夫大学）
AI总结 YOLOA通过LLM适配器实现实时可及性检测，结合对象检测与可及性学习，取得高精度与高效率的平衡。
Comments 13 pages, 9 figures, conference
FireSentry: A Multi-Modal Spatio-temporal Benchmark Dataset for Fine-Grained Wildfire Spread Forecasting
FireSentry: 一种多模态时空基准数据集用于细粒度野火蔓延预测
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； College of Soil and Water Conservation, Southwest Forestry University（西南林业大学水土保持学院） ； College of Civil Engineering, Southwest Forestry University（西南林业大学土木工程学院）
AI总结 FireSentry提出了一种多模态野火数据集和FiReDiff双模态范式，用于细粒度野火预测和动态灾害模拟，显著提升了视频和火斑掩膜的预测精度。
LoVoRA: Text-guided and Mask-free Video Object Removal and Addition with Learnable Object-aware Localization
LoVoRA: 基于文本引导和无掩码的视频对象移除与添加方法
机构 * Tsinghua University（清华大学） ； Huawei Inc.（华为公司） ； University of Science and Technology of China（中国科学技术大学）
AI总结 LoVoRA通过可学习的对象感知定位机制实现无掩码的视频对象移除与添加，结合图像到视频转换和光流传播，实现端到端视频编辑。
STCTS: Generative Semantic Compression for Ultra-Low Bitrate Speech via Explicit Text-Prosody-Timbre Decomposition
STCTS: 通过显式文本-语调-音色分解实现超低比特率语音的生成语义压缩
机构 * Fudan University（复旦大学） ； Tsinghua University（清华大学）
AI总结 STCTS通过显式分解语音为语言内容、语调和音色，实现80bps下的高质量超低比特率语音压缩，兼顾效率与质量。
Comments The complete source code and online speech reconstruction demo is publicly available at https://github.com/dywsy21/STCTS
ConfRover: Simultaneous Modeling of Protein Conformation and Dynamics via Autoregression
ConfRover：通过自回归方法同时建模蛋白质构象与动力学
机构 * ByteDance Seed（字节跳动种子基金） ； School of Mathematical Sciences, Tongji University（同济大学数学科学学院） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 ConfRover通过自回归方法同时建模蛋白质构象与动力学，支持时间依赖和时间无关的采样，首次在单一框架内实现蛋白质构象和轨迹的生成。
Comments 35 pages, 17 figures; Camera ready for NeurIPS 2025; Website: https://bytedance-seed.github.io/ConfRover
IW-Bench: Evaluating Large Multimodal Models for Converting Image-to-Web
IW-Bench: 评估大规模多模态模型的图像到网页转换能力
机构 * Beihang University（北京航空航天大学） ； Alibaba Group（阿里巴巴集团） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 IW-Bench提出了一种新的基准，用于评估大规模多模态模型在图像到网页转换中的性能，通过元素准确率和布局准确率以及五跳提示方法来提升评估效果。
