高校专区
Puro-2B：Poor Lab基于RTX 5090训练的Qwen2-1.5B模型，训练成本低于5090美元
机构 * Tsinghua University（清华大学） ； Pengcheng Laboratory（鹏城实验室）
AI总结 该研究提出开源预训练方案，在RTX 5090上低成本训练出Puro-2B模型，推导出成本缩放定律并开展数据课程影响下游性能的案例研究，完整方案已开源。
Comments 62 pages, 20 figures, 24 tables
KnockGS：基于交互的物理高斯表示校准
机构 * Tuojing Intelligence（拓境智能） ； Southeast University（东南大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Tsinghua University（清华大学） ； Simple AI ； Imperial College London（伦敦帝国学院） ； Shanghai Jiao Tong University（上海交通大学） ； GigaAI ； Sun Yat-sen University（中山大学） ； The University of Hong Kong（香港大学）
AI总结 KnockGS是基于交互-响应的PhysicalGS框架，可从三维高斯物体动力学中校准材料尺度，在参数恢复与响应保真度上优于对比方法，为交互式PhysicalGS系统奠定基础。
意图作为工具：轻松追踪智能体失配问题
机构 * Tsinghua University（清华大学） ； MatrixOrigin（矩阵起源） ； SiliconProspect AI（硅景人工智能） ； Nanyang Technological University（南洋理工大学）
AI总结 本研究针对智能体失配问题，提出INTENT-AS-A-TOOL方法，通过添加意图专用工具追踪智能体推理过程中的意图变化，补充CoT监控，为智能体安全追踪提供细粒度信号。
公共测地线无法保证结构化支持向量机的费希尔一致性：最小反例与树度量分类
机构 * Tsinghua University（清华大学）
AI总结 本文针对结构化SVM，通过构造最小反例，证明公共测地线条件无法保证其费希尔一致性，并对树度量分类得出argmax一致性仅当树为路径的结论。
Comments 14 pages, 1 figure
面向可扩展且可管理的智能体运行时的以契约为中心的架构
机构 * PwC China AI Center（普华永道中国AI中心） ； Tsinghua University（清华大学）
AI总结 针对企业AI部署的协调问题，本文提出以契约为中心的智能体运行时架构，含Skill等四个责任对象及P1假设，还提出可证伪的测量协议，目前无已完成的实现、实验等结果。
Comments 48 pages, 7 figures
Self-OPD：无需教师模型的流匹配模型的在线策略蒸馏
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出Self-OPD，一种无需教师模型的流匹配模型在线策略蒸馏框架，通过分支SDE候选与奖励比较优化速度场，在基准测试中优于现有无教师的RL和OPD方法。
Comments 19 pages, 10 figures
MeshPriorDiT：面向动作条件布料动力学的分层建模
机构 * Tsinghua University（清华大学） ； Dense-AI ； University of Michigan（密歇根大学）
AI总结 本文提出MeshPriorDiT分层动力学模型，结合网格GNN与残差DiT，在布料操作任务的15步自回归滚动预测中，显著降低了全局均方误差，同时保持了良好的边缘应变性能。
LiveVVT：高保真实时视频虚拟试穿
机构 * Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院） ； South China University of Technology（华南理工大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 LiveVVT是一种滚动式流式扩散框架，通过保留双向建模与互补内存维持一致性，结合渐进式蒸馏优化，实现了比同等规模模型延迟降26倍、吞吐量提11倍的高保真实时视频虚拟试穿。
Comments 16 pages, 13 figures,
SOLO：稳定全地形长视距感知类人机器人运动
机构 * Artificial General Intelligence Institute, University of Science and Technology of China（中国科学技术大学通用人工智能研究院） ； X-Humanoid（X-人形机器人） ； The University of Hong Kong（香港大学） ； The Australian National University（澳大利亚国立大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学）
AI总结 SOLO是解决长视距类人机器人运动脆弱性的统一框架，通过QR与TA-MSE蒸馏提升地形感知与策略学习，仿真及实际测试中通行成功率显著优于基线方法，可零样本完成长距离复杂地形任务。
SPT：将技能作为智能体语言模型的预训练数据
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学）
AI总结 本研究提出技能预训练（SPT）方法，将公开技能包作为训练数据，结合参考感知组装策略，可提升智能体语言模型的工具使用性能，同时保留通用性能，验证了技能包作为预训练数据源的价值。
HUG-VIS：面向视觉智能中以人为中心的理解与生成的多模态基准
机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； Shenzhen University（深圳大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Pengcheng Laboratory（鹏城实验室） ； Tongji University（同济大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Trento（特伦托大学） ； Huawei（华为）
AI总结 该研究构建了HUG-VIS多模态基准，包含30名演员的8400段同步多模态视频等数据，评估了四类任务的模型，揭示了情感识别、生成等任务的关键特性与现存问题。
AudioSpan：覆盖音频理解的时长与深度
机构 * Qwen Team, Alibaba Group（通义千问团队，阿里巴巴集团） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本研究提出覆盖10分钟至2小时音频的基准AudioSpan，含3240个分三认知层级的问题，评估12个大型音频-语言模型，发现从长音频提取相关事实是核心难点，该基准可公开获取。
九歌-推敲：一款面向古典诗词润色的可解释人机协作系统
机构 * Tsinghua University（清华大学） ； Beijing National Research Center For Information Science And Technology（北京信息科学与技术国家研究中心） ； Institute for Artificial Intelligence, Tsinghua University（清华大学人工智能国际研究院） ； Rixin College, Tsinghua University（清华大学日新书院） ； Department of Statistics and Data Science, Tsinghua University（清华大学统计与数据科学系） ； Jiangsu Normal University（江苏师范大学）
AI总结 针对现有AI诗词系统削弱用户创作能动性的问题，提出人机协作系统Jiuge-Tuiqiao，通过三元模型实现可控可解释的诗词润色，提升了创作相关性能。
Comments Accepted to the System Demonstrations Program at EMNLP 2026. Code and demo: this https URL (https://github.com/jiangli-va/Jiuge-Tuiqiao)
VIG：作为多模态思维链压缩奖励信号的视觉信息增益
机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Tsinghua University（清华大学）
AI总结 该研究提出VIG奖励机制，通过提升视觉信息密度优化多模态CoT的准确率与效率权衡，无需额外资源，在多类基准及不同规模模型上均有效。
Comments Accepted by EMNLP 2026 Findings
大型视觉语言模型（LVLMs）能否揭示视觉错觉背后的真相？感知与推理能力分析
机构 * Adelaide University（阿德莱德大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Amap, Alibaba Group（阿里巴巴集团高德地图） ； Beihang University（北京航空航天大学）
AI总结 本文利用IllusionReasoning基准，以视觉错觉为诊断工具评估LVLMs，发现多款LVLMs的推理能力不及宣称水平，为其优化提供了新方向。
Comments EMNLP2026 Findings
GAMMA：在任意预算下为混合精度模型进行全局位分配
机构 * Beihang University（北航） ； Tsinghua University（清华） ； ByteDance Inc（字节跳动）
AI总结 本文提出GAMMA框架，通过后训练流水线学习模块级精度偏好，优化教师强制隐藏状态重建目标并利用整数规划实现精确预算分配，从而在任意预算下提升大语言模型的精度，优于固定精度基线和搜索基混合精度方法。
从准确率到鲁棒性：数学推理中基于规则与基于模型的验证器研究
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学）
AI总结 本研究以数学推理为案例，分析了基于规则与基于模型的验证器在静态评估和RL训练中的表现，发现两类验证器分别存在误拒和奖励黑客问题，为开发更优RL奖励系统提供了参考。
Comments EMNLP 2026 Main Conference
面向归纳克里金法的无泄露评估与分布鲁棒时空图学习
机构 * Tsinghua University（清华大学） ； Communication University of China（通信大学）
AI总结 针对归纳克里金法评估存在的信息泄露问题，提出无泄露的3×3划分评估方式，引入含SCR、MFD、SDE机制的DRIK框架，在六个时空数据集上性能优于基线，MAE最多降低12.48%。
Comments 31 pages, 10 figures. Accepted for publication in Pattern Recognition
残差奖励模型：利用先验知识实现机器人领域高效的基于偏好的强化学习
机构 * University of Toronto（多伦多大学） ； Tsinghua University（清华大学）
AI总结 本文提出残差奖励模型（RRM），将环境真实奖励拆分为先验奖励与学习奖励之和，可提升机器人领域基于偏好的强化学习的样本效率，在仿真与物理机器人实验中均优于基准方法。
Comments 25 pages, 15 figures
法律规则归纳：从类似司法判例中发现可泛化的原则
机构 * Department of Computer Science and Engineering, HKUST, Hong Kong SAR, China（香港科技大学计算机科学与工程系） ； School of Law, Tsinghua University, Beijing, China（清华大学法学院）
AI总结 本研究定义法律规则归纳任务，构建首个相关基准数据集，发现先进LLMs存在过度泛化和幻觉问题，经该数据集训练可提升其捕捉类似案件细微规则模式的能力。
Comments Accepted by EMNLP2026 Main Conference
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