高校专区
DiffusionNFT: 在线扩散强化学习与正向过程
机构 * Tsinghua University（清华大学） ； NVIDIA ； Stanford University（斯坦福大学）
AI总结 DiffusionNFT通过正向过程优化扩散模型，结合正负生成对比提升强化学习效率，无需CFG且比FlowGRPO更高效。
Comments ICLR 2026 Oral
模拟现实世界：多模态生成模型的统一综述
机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（人工智能前沿技术研究所，香港科学与技术大学（广州）） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology Hong Kong SAR（计算机科学与工程系，香港科学与技术大学香港特别行政区） ； MMLab, The Hong Kong University of Science and Technology（多模态实验室，香港科学与技术大学） ； School of Electronics and Communication Engineering, Shenzhen Campus of Sun Yat-sen University（电子与通信工程学院，中山大学深圳校区） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学，香港，中国） ； Tsinghua University, Guangdong, China（清华大学，广东，中国） ； Bosch (China) Investment Co., Ltd., Shanghai, China（博世（中国）投资有限公司，上海，中国）
AI总结 本文首次系统性地统一研究了2D、视频、3D和4D生成，为多模态生成模型和现实世界模拟提供了统一框架的综述。
Comments Repository for the related papers at https://github.com/ALEEEHU/World-Simulator
DriveFine: 通过细化增强的掩码扩散VLA实现精确且鲁棒的驾驶
机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米电动车） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学）
AI总结 DriveFine提出一种结合灵活解码与自我纠正能力的掩码扩散VLA模型，通过插件式块MoE和混合强化学习策略提升自动驾驶规划的精度与鲁棒性。
HyperRAG：基于超图的n元事实推理用于检索增强生成
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； National Kaohsiung Normal University（国立高雄师范大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-勒克努尔研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室）
AI总结 HyperRAG通过n元超图推理提升检索增强生成的准确性与效率
Comments Accepted by The ACM Web Conference 2026 (WWW '26)
WiSparse: 通过权重感知混合激活稀疏性提升大语言模型推理效率
机构 * Tsinghua University（清华大学）
AI总结 WiSparse通过结合激活和权重信息，实现高效的大语言模型推理，以50%稀疏率保持97%性能并提升21.4%推理速度。
文本优先于视觉：针对超高清遥感理解的代理强化学习在超高清遥感理解中的知识注入至关重要
机构 * National University of Defense Technology, China（国防科技大学） ； Beijing University of Posts and Telecommunications, China（北京邮电大学） ； University of the Chinese Academy of Sciences, China（中国科学院大学） ； Sichuan University, China（四川大学） ； Wuhan University, China（武汉大学） ； Chinese Academy of Science, China（中国科学院） ； Tsinghua University, China（清华大学） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室） ； Renmin University of China, China（中国人民大学）
AI总结 本文提出分阶段知识注入方法，利用文本引导提升超高清遥感理解的视觉推理能力，实现XLRS-Bench上的高准确率。
HiVid: 基于大语言模型的视频显著性识别用于内容感知点播与直播
机构 * Tsinghua University（清华大学） ； The Australian National University（澳大利亚国立大学） ； Key Laboratory of Pervasive Computing, Ministry of Education（教育部普适计算重点实验室）
AI总结 HiVid利用大语言模型生成内容感知的视频显著性权重，提升点播和直播的QoE性能。
Comments ICLR 2026
UniRef-Image-Edit: 向可扩展和一致的多参考图像编辑迈进
机构 * Tsinghua University（清华大学） ； Kuaishou Technology（快手科技） ； Hong Kong Polytechnic University（香港理工大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； CUHK MMLab（香港中文大学MMLab）
AI总结 UniRef-Image-Edit通过统一的输入表示和两阶段训练框架，提升多参考图像编辑的一致性和保真度。
弹性扩散变换器
机构 * Tsinghua University（清华大学） ； MMLab, CUHK（CUHK实验室） ； Tencent Hunyuan（腾讯文言）
AI总结 E-DiT通过自适应加速框架提升扩散变换器效率，保持生成质量，实现约2倍加速。
sleep2vec：用于异构夜间生物信号的统一跨模态对齐
机构 * Five Seasons Medical（五 Seasons 医疗） ； Tsinghua University（清华大学） ； Beijing Key Laboratory for Sleep Breathing Disorder（北京睡眠呼吸障碍重点实验室） ； Peking University（北京大学） ； Fudan University（复旦大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 sleep2vec通过统一跨模态对齐和原理化缩放，实现了对异构夜间生物信号的高效、通用建模。
超越词语：通过心灵理论评估和弥合用户代理交互中的认知分歧
机构 * Dept. of Comp. Sci. \& Tech., Institute for AI, Tsinghua University, Beijing, China ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China
AI总结 本文提出通过心灵理论评估和弥合用户代理交互中的认知分歧，通过强化学习提升模型对用户心理状态的推理能力，从而增强下游任务性能。
OneLatent：视觉潜在推理中的单令牌压缩
机构 * Tsinghua University（清华大学） ； Institute of Science Tokyo（东京科学研究所） ； Waseda University（早稻田大学）
AI总结 OneLatent通过将中间推理压缩为单个潜在令牌，提升了视觉推理效率，同时保持较高的准确性。
R-Diverse: 缓解自博弈LLM训练中的多样性幻觉
机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Wuhan AI Research（武汉人工智能研究所） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学）
AI总结 R-Diverse通过引入记忆增强惩罚和技能感知测量，缓解自博弈LLM训练中的多样性幻觉问题，提升模型推理能力。
VLAW: 视觉-语言-动作策略与世界模型的迭代共改进
机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学）
AI总结 本文提出通过迭代改进视觉-语言-动作策略与世界模型，提升真实机器人任务的性能和可靠性。
Comments Project Page: https://sites.google.com/view/vlaw-arxiv
GRIP：通过几何路由约束实现混合专家的算法无关机器反学习
机构 * School of Computer Science（计算机科学学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Department of Electrical Engineering（电气工程系） ； Tsinghua University（清华大学） ； School of Electrical and Computer Engineering（电气与计算机工程学院）
AI总结 GRIP通过几何路由约束实现混合专家的算法无关机器反学习，有效消除专家选择偏移并保持模型效用。
通过基于SVD的量化误差最小化增强LLM中的delta压缩
机构 * Shanghai University of Finance（上海财经大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Southern University of Science（南方科技大学）
AI总结 PrinMix通过基于SVD的量化误差最小化方法，提升LLM中delta压缩的效率与性能。
MoESD: 解开投机解码在加速稀疏MoE中的潜力
机构 * Tsinghua University（清华大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室）
AI总结 MoESD研究揭示了投机解码在加速稀疏MoE模型中的潜力，提出目标效率指标以更全面理解SD加速效果。
Comments Accepted as spotlight at NeurIPS 2025
HIPPO：通过混合模态偏好优化增强大语言模型的表格理解能力
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 HIPPO 通过混合模态偏好优化提升大语言模型的表格理解能力，实现 4% 的性能提升。
MAS-on-the-Fly: 在测试时动态适应基于大语言模型的多智能体系统
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Ant Group（蚂蚁集团）
AI总结 MASFly通过动态适应机制在测试时优化多智能体系统，利用检索增强和经验引导机制提升任务适应性和性能。
SPLIT: 基于误差动态的稀疏增量学习用于自动驾驶车辆的控制导向建模
机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学）
AI总结 SPLIT通过稀疏增量学习框架提升自动驾驶车辆的控制导向建模精度与适应性。
Comments 21 pages, 21 figures
SpargeAttention2: 通过混合Top-k+Top-p掩码和蒸馏微调实现可训练稀疏注意力
机构 * Tsinghua University（清华大学）
AI总结 SpargeAttention2通过混合Top-k+Top-p掩码和蒸馏微调，实现高稀疏性且不降低生成质量。
MedScope：通过粗到细的工具调用激励“通过视频思考”以进行临床推理
机构 * College of Health Science and Technology, Shanghai Jiao Tong University School of Medicine, Shanghai, China（上海交通大学医学院健康科学与技术学院） ； Fudan University, Shanghai, China（复旦大学） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Tsinghua University, Beijing, China（清华大学） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学） ； Ruijin Hospital, Shanghai Jiaotong University, Shanghai, China（上海交通大学瑞金医院）
AI总结 MedScope通过粗到细的工具调用机制，提升临床视频推理的准确性与可信度，实现基于时间局部化视觉证据的医疗AI代理。
IDPruner: 在视觉令牌修剪中协调重要性与多样性
机构 * School of Software, Tsinghua University（清华大学软件学院） ； Tencent（腾讯）
AI总结 IDPruner通过协调重要性与多样性，提出了一种高效的视觉令牌修剪方法，实现最优平衡并提升多模态大语言模型的性能。
通过克隆实现通用学习委托
机构 * Qiuzhen College, Tsinghua University（清华大学齐振学院） ； Pattern Recognition Center, WeChat AI, Tencent Inc（微信AI模式识别中心，腾讯公司）
AI总结 SELFCEST通过代理强化学习实现通用学习委托，利用克隆技术在不同并行上下文中分配资源，提升数学推理和长上下文问答任务的准确性与效率。
Comments Code available at https://github.com/SuffixAutomata/SELFCEST
VLA-JEPA: 通过潜在世界模型增强视觉-语言-动作模型
机构 * University of Science and Technology of China（中国科学技术大学） ； Zhongguancun Academy, Beijing, China（中关村学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Eastern Institute of Technology, Ningbo（宁波东部科技研究院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nankai University（南开大学）
AI总结 VLA-JEPA通过潜在世界模型提升视觉-语言-动作模型的泛化与鲁棒性，采用无泄露状态预测和两阶段训练策略。
面向视图自适应的人体视频生成的3D感知隐式运动控制
机构 * Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Tsinghua University（清华大学） ； CASIA
AI总结 3DiMo通过隐式运动表示和视图丰富监督，提升视频生成中的人体运动保真度和视觉质量。
Comments Project Page: https://hjrphoebus.github.io/3DiMo/
ShotFinder: 通过网络搜索驱动的开放域视频镜头检索
机构 * CASIA（中国科学院自动化研究所） ； UCAS（中国科学院大学） ； Lenovo（联想集团） ； Peking University（北京大学） ； Tsinghua University（清华大学）
AI总结 ShotFinder通过网络搜索驱动开放域视频镜头检索，提出三阶段检索流程并揭示多模态大模型在开放域视频检索中的性能差距。
Comments 28 pages, 7 figures, Project website: https://github.com/yutao1024/ShotFinder
基于CLIP引导的多模态扩散模型的图像到脑信号生成用于视觉假体
机构 * Jinan University, Guangzhou, China ； Department of Rehabilitation Medicine, The First Affiliated Hospital of Jinan University, Guangzhou, China ； Western University, Ontario, Canada ； Guangdong University of Technology, Guangzhou, China ； Tsinghua University, Beijing, China
AI总结 本文提出基于CLIP引导的多模态扩散模型，实现图像到脑信号的转换，通过交叉注意力机制和空间-时间位置编码生成生物合理的脑信号。
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