高校专区
Splatwizard：3D高斯散射压缩的基准工具包
机构 * Tsinghua University（清华大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） ； Huawei Technologies Ltd（华为技术有限公司）
AI总结 Splatwizard是一个专门用于评估3D高斯散射压缩模型的基准工具包，提供统一框架和自动化性能指标计算，用于评估渲染速度、率失真权衡、内存效率和几何准确性等关键指标。
BatteryAgent: 将物理信息解释与LLM推理相结合用于智能电池故障诊断
机构 * Department of Automation Tsinghua University Beijing, China（自动化系 清华大学 北京）
AI总结 BatteryAgent结合物理知识与LLM推理，实现智能电池故障诊断的可解释性与高准确性。
协同低秩适应用于预训练视觉变换器
机构 * School of Automation and Electrical Engineering, University of Science and Technology Beijing（北京科技大学自动化与电气工程学院） ； Beijing Engineering Research Center of Industrial Spectrum Imaging（工业光谱成像工程研究中心） ； College of Software, Nankai University（南开大学软件学院） ； Department of Automation, BNRist, Tsinghua University（清华大学自动化系）
AI总结 本文提出协同低秩适应方法，通过基础空间共享和样本无关多样性增强，提升预训练视觉变换器在点云分析中的性能与参数效率。
Comments 13 tables, 3 figures
MaRCA：大规模推荐系统中动态计算分配的多智能体强化学习
机构 * Tsinghua University（清华大学）
AI总结 MaRCA通过多智能体强化学习实现大规模推荐系统的端到端计算资源分配，提升计算效率并实现16.67%的收入增长。
Comments 12 pages, 5 figures
驯服幻觉：通过反事实视频生成提升MLLMs的视频理解
机构 * Tsinghua University（清华大学） ； Beihang University（北航） ； AMAP, Alibaba Group（阿里妈妈实验室，阿里巴巴集团）
AI总结 通过反事实视频生成和对比训练，提升MLLMs对视频的理解能力并减少幻觉。
Comments 18 pages
ACE-RL：自适应约束增强的长形式生成强化学习
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； Tsinghua University（清华大学） ； Wuhan AI Research（武汉人工智能研究所）
AI总结 ACE-RL通过自适应约束增强的强化学习方法，提升长形式生成任务的训练效果，实验显示在WritingBench上优于现有基线模型。
Comments Under review
大推理模型高效推理的综述：语言、多模态与更远的探索
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Soochow University（苏州大学） ； Westlake University（西湖大学） ； Peking University（北京大学） ； Tongji University（同济大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文综述了大推理模型在提升推理效率方面的最新研究，聚焦于语言、多模态及未来方向，旨在推动该领域的发展。
Comments Update recent RL papers. Project page: https://github.com/XiaoYee/Awesome_Efficient_LRM_Reasoning
在大语言模型、多模态大语言模型及更广泛的领域中进行模型融合：方法、理论、应用与机遇
机构 * Shenzhen Campus of Sun Yat-sen University, China（中山大学深圳校区） ； Northeastern University China（东北大学） ； Shenzhen Campus of Sun Yat-sen University China（中山大学深圳校区） ； Nanyang Technological University Singapore（南洋理工大学） ； Northeastern University（东北大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Nanyang Technological University（南洋理工大学） ； Institute for Clarity in Documentation Dublin Ohio USA（文档清晰研究所） ； Inria Paris-Rocquencourt Rocquencourt France（巴黎-罗quentourt研究所） ； Rajiv Gandhi University Doimukh Arunachal Pradesh India（拉贾·甘地大学） ； Tsinghua University Haidian Qu Beijing Shi China（清华大学） ； Palmer Research Laboratories San Antonio Texas USA（帕勒研究中心） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-罗quentourt研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒研究中心）
AI总结 本文综述了模型融合的方法、理论、应用及未来方向，提出新的分类方法并探讨其在多个机器学习领域的应用及挑战。
利用生成时间序列填补的先验
机构 * Imperial College London, Department of Electronic and Electrical Engineering（帝国理工学院伦敦校区电子与电气工程系） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University, Department of CST（清华大学计算机科学与技术系） ； Shengshu AI（盛数人工智能）
AI总结 Bridge-TS通过引入专家先验和组合先验，提升生成时间序列填补的准确性与效率。
基于潜在桥模型的音频超分辨率
机构 * Department of CST, Tsinghua University, Beijing, China（计算机科学与技术系，清华大学，北京，中国） ； Shengshu AI, Beijing, China（盛舒人工智能，北京，中国） ； USTC, Hefei, China（中国科学技术大学，合肥，中国）
AI总结 本文提出基于潜在桥模型的音频超分辨率方法，通过压缩音频到潜在空间并设计桥模型，实现高质量的任意到48kHz和192kHz音频上采样。
Comments Accepted at NeurIPS 2025
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