Tsinghua University（清华大学）

When AI Writes, Whose Voice Remains? Quantifying Cultural Marker Erasure Across World English Varieties in Large Language Models

当AI写作时，谁的声音仍保留？量化世界英语变体中大型语言模型的文化标记消失

Satyam Kumar Navneet, Joydeep Chandra, Yong Zhang

机构 * Independent Researcher（独立研究者） ； BNRIST, Dept. of CST, Tsinghua University（BNRIST计算机科学与技术系，清华大学） 纠错

AI总结 研究揭示大型语言模型在处理不同英语变体时对文化标记的系统性消除现象，并提出量化指标与改进方法。

DualWeaver: Synergistic Feature Weaving Surrogates for Multivariate Forecasting with Univariate Time Series Foundation Models

DualWeaver: 用于基于单变量时间序列基础模型的多变量预测的协同特征编织替代方案

Jinpeng Li, Zhongyi Pei, Huaze Xue, Bojian Zheng, Chen Wang, Jianmin Wang

机构 * School of Software, BNRist, Tsinghua University（软件学院，北京理工大学，清华大学） ； Tencent（腾讯） 纠错

AI总结 DualWeaver通过结构对称的替代序列提升多变量预测的准确性和稳定性，利用共享特征融合模块和无参数解码实现高效预测。

Comments 16 pages. Preprint

Directed Ordinal Diffusion Regularization for Progression-Aware Diabetic Retinopathy Grading

定向序扩散正则化用于进展感知的糖尿病视网膜病变分级

Huangwei Chen, Junhao Jia, Ruocheng Li, Cunyuan Yang, Wu Li, Xiaotao Pang, Yifei Chen, Haishuai Wang, Jiajun Bu, Lei Wu

机构 * Zhejiang Key Laboratory of Accessible Perception and Intelligent Systems（浙江可感知系统重点实验室） ； College of Computer Science and Technology（计算机科学与技术学院） ； Hangzhou Pujian Medical Technology Co., Ltd（杭州普健医疗科技有限公司） ； Hangzhou Dianzi University（杭州电子科技大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出D-ODR方法，通过构建有向图和多尺度扩散正则化，解决糖尿病视网膜病变分级中疾病进展方向性建模问题，提升分级性能和临床可靠性。

Comments 3 figures

XStreamVGGT: Extremely Memory-Efficient Streaming Vision Geometry Grounded Transformer with KV Cache Compression

XStreamVGGT: 极端内存高效的流式视觉几何 grounded Transformer 与 KV 缓存压缩

Zunhai Su, Weihao Ye, Hansen Feng, Keyu Fan, Jing Zhang, Dahai Yu, Zhengwu Liu, Ngai Wong

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Institute of Artificial Intelligence, Xiamen University（厦门大学人工智能学院） ； China Star Optoelectronics Technology（中国星电科技） ； TCL Corporate Research (HK) Co., Ltd.（TCL香港企业研究有限公司） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） 纠错

AI总结 XStreamVGGT通过剪枝和量化技术，实现极内存高效的流式3D重建，显著降低内存消耗并加速推理。

Comments Submission to the Journal of the Society for Information Display

Explore-on-Graph: Incentivizing Autonomous Exploration of Large Language Models on Knowledge Graphs with Path-refined Reward Modeling

在知识图谱上探索：通过路径细化奖励建模激励大语言模型自主探索

Shiqi Yan, Yubo Chen, Ruiqi Zhou, Zhengxi Yao, Shuai Chen, Tianyi Zhang, Shijie Zhang, Wei Qiang Zhang, Yongfeng Huang, Haixin Duan, Yunqi Zhang

机构 * Zhongguancun Laboratory, Beijing, China（中关村实验室，北京，中国） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（电子工程系，清华大学，北京，中国） ； Institute for Network Sciences and Cyberspace, Tsinghua University, Beijing, China（网络科学与网络空间研究院，清华大学，北京，中国） ； Ant International, Ant Group, Hangzhou, Zhejiang, China（蚂蚁集团，杭州，浙江，中国） 纠错

AI总结 本文提出Explore-on-Graph框架，通过强化学习和路径细化奖励建模，使大语言模型在知识图谱上自主探索更广泛的推理空间，实现对分布外推理问题的高效泛化。

Comments Published as a conference paper at ICLR 2026

V-Retrver: Evidence-Driven Agentic Reasoning for Universal Multimodal Retrieval

V-Retrver: 以证据驱动的代理推理用于通用多模态检索

Dongyang Chen, Chaoyang Wang, Dezhao Su, Xi Xiao, Zeyu Zhang, Jing Xiong, Qing Li, Yuzhang Shang, Shichao Kan

机构 * Tsinghua University（清华大学） ； University of Central Florida（中央佛罗里达大学） ； Fudan University（复旦大学） ； The Australian National University（澳大利亚国立大学） ； The University of Hong Kong（香港大学） ； Pengcheng Laboratory（鹏城实验室） ； Central South University（中南大学） 纠错

AI总结 V-Retrver通过引入证据驱动的代理推理机制，提升多模态检索的准确率和推理可靠性。

Comments Project page: https://github.com/chendy25/V-Retrver

One Brain, Omni Modalities: Towards Unified Non-Invasive Brain Decoding with Large Language Models

一个大脑，多模态：迈向统一非侵入式脑解码的大型语言模型

Changli Tang, Shurui Li, Junliang Wang, Qinfan Xiao, Zhonghao Zhai, Lei Bai, Yu Qiao, Bowen Zhou, Wen Wu, Yuanning Li, Chao Zhang

机构 * Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 NOBEL通过统一EEG/MEG与fMRI信号，利用大型语言模型实现多模态非侵入式脑解码，提升解码准确性和对视觉语义的解读能力。

WaterVIB: Learning Minimal Sufficient Watermark Representations via Variational Information Bottleneck

WaterVIB: 通过变分信息瓶颈学习最小充分水印表示

Haoyuan He, Yu Zheng, Jie Zhou, Jiwen Lu

机构 * Department of Automation, Tsinghua University（自动化系，清华大学） 纠错

AI总结 WaterVIB通过变分信息瓶颈学习最小充分水印表示，提升对抗生成变化攻击的鲁棒性。

Comments 22 pages, 7 figures. Preprint

FML-bench: Benchmarking Machine Learning Agents for Scientific Research

FML-bench: 用于科学研究的机器学习代理基准测试

Qiran Zou, Hou Hei Lam, Wenhao Zhao, Yiming Tang, Tingting Chen, Samson Yu, Tianyi Zhang, Chang Liu, Xiangyang Ji, Dianbo Liu

机构 * National University of Singapore, Singapore（新加坡国立大学） ； Tsinghua University, Beijing, China（清华大学） ； University of Minnesota, Minneapolis, MN, USA（明尼苏达大学） 纠错

AI总结 FML-bench 是一个用于评估机器学习代理在科学研究中能力的基准测试，包含8个基础任务并引入探索多样性指标，揭示探索策略对性能的影响。

Comments Our benchmark is available at: https://github.com/qrzou/FML-bench

SciTS: Scientific Time Series Understanding and Generation with LLMs

SciTS: 基于大语言模型的科学时间序列理解与生成

Wen Wu, Ziyang Zhang, Liwei Liu, Xuenan Xu, Jimin Zhuang, Ke Fan, Qitan Lv, Junlin Liu, Chen Zhang, Zheqi Yuan, Siyuan Hou, Tianyi Lin, Kai Chen, Bowen Zhou, Chao Zhang

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 SciTS提出了一种基于LLM的科学时间序列理解与生成框架，通过基准测试发现通用LLM在泛化能力上优于专门模型，并引入TimeOmni框架提升性能。

Comments Accepted to ICLR 2026

BARREL: Boundary-Aware Reasoning for Factual and Reliable LRMs

BARREL：面向事实性和可靠性的边界感知推理

Junxiao Yang, Jinzhe Tu, Haoran Liu, Xiaoce Wang, Chujie Zheng, Zhexin Zhang, Shiyao Cui, Caishun Chen, Tiantian He, Hongning Wang, Yew-Soon Ong, Minlie Huang

机构 * The Conversational AI (CoAI) group, DCST, Tsinghua University（清华大学智能对话AI小组，清华大学数据科学与技术研究院） ； Centre for Frontier AI Research, Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（前沿人工智能研究中心，高性能计算研究所，新加坡科技研究局） ； The College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

AI总结 BARREL通过促进简洁且边界感知的事实推理，提升了大型推理模型的事实可靠性，实验显示其在可靠性方面有显著提升，同时保持了与传统微调模型相当的准确性。

Twin Co-Adaptive Dialogue for Progressive Image Generation

双适应对话用于渐进式图像生成

Jianhui Wang, Yangfan He, Yan Zhong, Xinyuan Song, Jiayi Su, Yuheng Feng, Ruoyu Wang, Hongyang He, Wenyu Zhu, Xinhang Yuan, Miao Zhang, Keqin Li, Jiaqi Chen, Tianyu Shi, Xueqian Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； Peking University（北京大学） ； Emory University（埃默里大学） ； Xiamen University Malaysia（马来西亚厦门大学） ； Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； University of Warwick（沃里克大学） ； Washington University, Saint Louis（圣路易斯华盛顿大学） ； University of Toronto（多伦多大学） ； Google（谷歌） 纠错

AI总结 Twin-Co通过同步对话优化图像生成，提升生成质量和用户体验。