高校专区
SFTok: 缩小离散分词器在性能上的差距
机构 * Department of Automation, Tsinghua University（自动化系，清华大学）
AI总结 SFTok通过多步骤迭代机制和自引导视觉重建策略，提升图像重建质量，实现高压缩率下的高性能表现。
Comments Under review. Code is available at https://github.com/Neur-IO/SFTok
JustRL: 通过简单强化学习方法扩展1.5B语言模型
机构 * Tsinghua University（清华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 JustRL通过简单强化学习方法在1.5B语言模型上实现高性能，省去复杂训练流程，展现稳定训练效果。
Comments 12 pages, 3 figures
网络中的针：评估在真实世界中检索和推理网页的基准测试
机构 * Tsinghua University（清华大学） ； The University of Hong Kong（香港大学）
AI总结 Needle in the Web 是一个评估现代搜索代理和LLM在模糊探索性查询中检索和推理真实网页能力的基准测试，揭示了当前搜索系统在处理模糊性和复杂性时的挑战。
Comments Data and code are available at https://github.com/Tango-Whiskyman/Needle_in_the_Web
GeoVista: 基于网络增强的代理视觉推理用于地理定位
机构 * Fudan University（复旦大学） ； Tencent Hunyuan（腾讯文元） ； Tsinghua University（清华大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 GeoVista通过整合图像缩放和网络搜索工具，提升地理定位任务的代理模型性能，实现优于开源模型的性能。
迈向实用的阿尔茨海默病诊断：一种轻量且可解释的脉冲神经网络模型
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Tsinghua University（清华大学） ； Shenzhen Research Institute of Big Data（深圳大数据研究院）
AI总结 本文提出FasterSNN，结合LIF神经元、区域自适应卷积和多尺度脉冲注意力机制，用于高效、可解释的阿尔茨海默病诊断。
Comments 35 pages, 8 figures
VAEER：基于视觉注意力的情感激发推理
机构 * Tsinghua 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） ； Peng Cheng Labotory（鹏城实验室）
AI总结 VAEER通过结合注意力启发的提示提取与知识引导推理，实现了多标签情绪激发，展示了在社交媒体和灾难图像上的高精度情绪预测能力。
Comments Currently under review as conference paper
通过现实-ready技能空间释放人形机器人的抓取潜力
机构 * IIIS, Tsinghua University（清华大学人工智能研究院） ； Peking University（北京大学） ； Galbot ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Qi Zhi Institute（上海智院） ； Nanjing University（南京大学） ； Tongji University（同济大学）
AI总结 本研究提出R2S2方法，通过现实-ready技能空间提升人形机器人在现实环境中的抓取能力，实现高效且鲁棒的仿真到现实转移。
NDRL：基于嵌套双智能体强化学习的棉花灌溉与氮肥施用
机构 * School of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院） ； Xinjiang Multimodal Information Technology Engineering Research Center（新疆多模态信息处理工程技术研究中心） ； Xinjiang Key Laboratory of Signal Detection and Processing（新疆信号检测与处理重点实验室） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
AI总结 NDRL通过嵌套双智能体强化学习优化棉花灌溉与氮肥施用，提升产量和资源利用效率。
Comments Accepted by ICONIP 2025
QUIDS：面向移动 crowdsensing 的质量感知激励驱动多智能体调度系统
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Civil and System Engineering, Johns Hopkins University（约翰霍普金斯大学土木与系统工程系） ； School of Software and BNRist, Tsinghua University（清华大学软件学院）
AI总结 QUIDS通过质量感知激励驱动的多智能体调度系统，优化车辆移动 crowdsensing 的传感覆盖和可靠性，提升信息质量并减少地图重建误差。
学习等待：与物理世界同步智能体
机构 * Infrawaves ； Shanghai Qiji Zhifeng Co., Ltd.（上海启智风有限公司） ； Tsinghua University（清华大学）
AI总结 本文提出了一种智能体侧方法，使大语言模型通过预测等待时间实现与物理世界的同步，解决了异步环境中动作延迟的问题。
通过程序化数据合成提升大规模语言模型的空间推理能力
机构 * Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； Tsinghua University（清华大学） ； Institute of Microelectronics of the Chinese Academy of Sciences（中国科学院电子学研究所） ； Renmin University of China（中国人民大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Central South University（中南大学）
AI总结 SPRITE通过程序化数据合成生成高质量空间推理数据，提升大规模语言模型的空间推理能力，并在多个基准测试中取得显著性能提升。
TurboDiffusion：通过100-200倍加速视频扩散模型
机构 * Tsinghua University（清华大学） ； Shengshu Technology（盛舒科技） ； UC Berkeley（加州大学伯克利分校）
AI总结 TurboDiffusion通过低比特注意力、步骤蒸馏和W8A8量化等技术，实现视频扩散模型100-200倍加速并保持视频质量。
TS-DP：基于时间适应的扩散策略强化推测解码
机构 * Tsinghua University（清华大学）
AI总结 TS-DP通过强化学习和时间适应性方法，提升扩散策略在具身任务中的推理效率和准确性。
卡尔曼滤波辅助的联邦柯普曼学习
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； State Key Laboratory of Space Network and Communications（空间网络与通信国家重点实验室） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
AI总结 本文提出卡尔曼滤波辅助的联邦柯普曼学习方法，通过结合卡尔曼过滤与联邦学习，实现对非线性系统的隐私保护协作线性化。
Journal ref IEEE Trans. Signal Process., vol. 73, pp. 2879-2895, 2025
对抗攻击的缩放定律
机构 * Dept. of Comp. Sci. and Tech.（计算机科学与技术系） ； Institute for AI（人工智能研究院） ； Tsinghua-Bosch Joint ML Center（清华大学-博世联合机器学习中心） ； THBI Lab（THBI实验室） ； BNRist Center（BNRist中心） ； Tsinghua University（清华大学） ； IIIS ； RealAI
AI总结 本文提出对抗攻击的缩放定律，通过大规模实证研究发现攻击成功率与代理模型数量的对数呈线性关系，并揭示了攻击的破坏力和鲁棒性层级。
稀疏微调：通过高效微调和推理适应视觉变换器
机构 * College of Systems Engineering and State Key Laboratory of Digital Intelligent Modeling and Simulation, National University of Defense Technology（系统工程学院和数字智能建模与仿真国家重点实验室，国防科技大学） ； College of Electronics and Information Engineering, Sichuan University（电子信息工程学院，四川大学） ； Key Laboratory of Knowledge Engineering with Big Data, Hefei University of Technology（大数据知识工程重点实验室，合肥工业大学） ； College of Computer Science and Technology, Zhejiang University（计算机科学与技术学院，浙江大学） ； School of Engineering, Westlake University（工程学院，西湖大学） ； Tsinghua University（清华大学） ； State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； Key Laboratory of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育区块链与智能技术重点实验室，教育部，广西师范大学）
AI总结 稀疏微调通过结合标记稀疏化和密集适配器技术，在保持性能的同时显著提升计算和内存效率。
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