Tsinghua University（清华大学）

LiveVVT: High-Fidelity Video Virtual Try-On in Real Time

LiveVVT：高保真实时视频虚拟试穿

Yushe Cao, Shikun Feng, Ruxiang Duan, Liyong Wang, Dianxi Shi, Chun Yu, Junliang Xing

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） 纠错

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,

On-policy Distillation with Verifiable Reward

结合可验证奖励的在线蒸馏

Wenze Lin, Jiale Zhao, Xitai Jiang, Songde Rao, Yining Li, Shenzhi Wang, Bingxiang He, Gao Huang

机构 * LeapLab, Tsinghua University（清华大学LeapLab） ； Beihang University（北京航空航天大学） ； SMS, Peking University（北京大学SMS） ； NLPLab, Tsinghua University（清华大学NLPLab） 纠错

AI总结 本研究提出OPDVR方法，无缝结合OPD与RLVR且不增加超参数，经六个推理基准实验验证其性能优于标准OPD。

Beyond Confidence: Test-Time Scaling for Multi-Turn Search Agents via Retrieval Grounding

超越置信度：基于检索 grounding 的多轮搜索智能体测试时缩放

Hyunho Kook, Junhyuk So, Tianyu Fu, Haizhong Zheng, Beidi Chen

机构 * University of Southern California（南加州大学） ； Pohang University of Science and Technology (POSTECH)（浦项科技大学） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 针对多轮搜索智能体中基于置信度投票因复制膨胀失效的问题，提出检索接地投票（RGV）方法，在四个基准和五个 LLM 上性能优于基线，准确率最高提升 5.4%

Comments Accepted to EMNLP 2026 Findings

How Far Should Tokenization Go? Predictive Effectiveness and Relational Losslessness

为何GPT风格模型无法直接迁移到符号音乐：错误坐标系中的压缩

Yi Wang

机构 * Tsinghua University（清华大学） 纠错

AI总结 该研究针对GPT风格模型无法直接迁移到符号音乐的问题，提出有效性-无损性框架，通过构建预测有效且关系无损的坐标系优化标记化，实验验证了相关边界，揭示了跨模态迁移的关键在于标记化接口而非架构。

Where Steering Signals Come From: Activation Source Selection in Activation Steering

转向信号来自何处：激活转向中的激活源选择

Jiaran Ye, Lingxu Ran, Zijun Yao, Chenpeng Wang, Yong Jiang, Lei Hou, Juanzi Li, Liangming Pan

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Beijing Academy of Artificial Intelligence（北京智源人工智能研究院） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； YiXin-AILab（易信人工智能实验室） 纠错

AI总结 研究激活转向中转向信号的来源选择，通过实验表明改变源激活会影响转向成功率，有效转向信号来自执行边界状态，基于此提出尾部减法，揭示转向取决于模型即将做的事而非已出现的内容。

Comments Accepted to Findings of EMNLP 2026

MemoryCard: Topic-Aware Multi-Modal Clue Compression for Long-Video Question Answering

MemoryCard: 面向长视频问答的主题感知多模态线索压缩

Qing Yang, Pengcheng Huang, Xinze Li, Zhenghao Liu, Yukun Yan, Yu Gu, Ge Yu, Gang Li, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Digital China Group（数字中国集团） 纠错

AI总结 提出MemoryCard框架，通过将长视频分割为主题事件单元并生成事件级摘要和代表性视觉时刻，以记忆卡形式增强VLMs的长视频问答能力，在相同视觉令牌预算下准确率提升高达21.8%。

Comments 23 pages, 8 figures

Benchmarking LLM-as-a-Judge for Long-Form Output Evaluation

基准测试LLM作为裁判在长文本输出评估中的应用

Junjie Chen, Yuxi Dong, Haitao Li, Weihang Su, Yujia Zhou, Min Zhang, Yiqun Liu, Qingyao Ai

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； University of Science and Technology Beijing（北京科技大学） 纠错

AI总结 提出LongJudgeBench基准，系统评估LLM裁判在长文本输出评估中的可靠性，发现当前模型存在显著可靠性差距。

Comments EMNLP 2026 main

Think-at-Hard: Dynamic Looped Transformers for Improved Reasoning

Think-at-Hard: 选择性潜在迭代以改进推理语言模型

Tianyu Fu, Yichen You, Zekai Chen, Guohao Dai, Huazhong Yang, Yu Wang

机构 * Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 针对循环变压器中潜在过思考问题，提出Think-at-Hard方法，通过轻量级决策器选择性地在困难令牌上触发潜在迭代，并采用深度感知LoRA和双因果注意力机制，在数学、问答和编码任务上一致提升性能。

Comments Accepted by ICML'26

Hierarchical Feature-level Reverse Propagation for Post-Training Neural Networks

用于训练后神经网络的分层特征级反向传播

Ni Ding, Shuchang Wang, Lei He, Shengbo Eben Li, Keqiang Li

机构 * School of Vehicle and Mobility, Tsinghua University, Beijing 100084, China（清华大学车辆与移动系统学院） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University, Beijing 100084, China（清华大学智能绿色车辆与移动系统国家重点实验室） ； School of Mathematics and Statistics, Beijing Institute of Technology, Beijing 100081, China（北京理工大学数学与统计学院） 纠错

AI总结 提出FR-PT分层框架，基于CCP和MDP及相关算法处理逆问题，在85种训练后设置中63项优于基准，实现神经网络训练后可控适应与透明度提升。