University of Chinese Academy of Sciences（中国科学院大学）

Skrull: Towards Efficient Long Context Fine-tuning through Dynamic Data Scheduling

Skrull：通过动态数据调度实现高效的长上下文微调

Hongtao Xu, Wenting Shen, Yuanxin Wei, Ang Wang, Guo Runfan, Tianxing Wang, Yong Li, Mingzhen Li, Weile Jia

机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； State Key Lab of Processors, Institute of Computing Technology, CAS（中国科学院计算技术研究所 processors 国家重点实验室） ； Alibaba Group（阿里巴巴集团） ； Sun Yat-sen University（中山大学） 纠错

AI总结 Skrull通过动态数据调度提升长上下文微调效率，实现高效训练和性能优化。

Comments Accepted by NeurIPS 2025

Reassessing the Role of Supervised Fine-Tuning: An Empirical Study in VLM Reasoning

重新评估监督微调的作用：VLM推理中的实证研究

Yongcan Yu, Lingxiao He, Shuo Lu, Lijun Sheng, Yinuo Xu, Yanbo Wang, Kuangpu Guo, Jianjie Cheng, Meng Wang, Qianlong Xie, Xingxing Wang, Dapeng Hu, Jian Liang

机构 * NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（人工智能研究院 & 模式识别与人工智能研究所，中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Meituan（美团） 纠错

AI总结 本研究通过实证分析发现，监督微调在VLM推理中具有重要作用，挑战了强化学习优于监督微调的主流观点。

Scalable Quantum Error Mitigation with Neighbor-Informed Learning

可扩展的邻域感知学习量子误差缓解

Zhenyu Chen, Bin Cheng, Minbo Gao, Xiaodie Lin, Ruiqi Zhang, Zhaohui Wei, Zhengfeng Ji

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Centre for Quantum Technologies, National University of Singapore（新加坡国立大学量子技术中心） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系） ； College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学姚期 Banking 数学科学中心） ； Department of Mathematics, Tsinghua University（清华大学数学系） ； Yanqi Lake Beijing Institute of Mathematical Sciences and Applications（燕琦湖北京数学科学与应用研究院） 纠错

AI总结 本文提出邻域感知学习框架，通过灵活高效的训练方法提升量子误差缓解的性能，实现理论与实际的双重优势。

MetaTPT: Meta Test-time Prompt Tuning for Vision-Language Models

MetaTPT: 用于视觉-语言模型的元测试时间提示微调

Yuqing Lei, Yingjun Du, Yawen Huang, Xiantong Zhen, Ling Shao

机构 * UCAS-Terminus AI Lab, University of Chinese Academic of Sciences（中国科学院大学Terminus AI实验室，中国科学院大学） ； AIM Lab, University of Amsterdam（阿姆斯特丹大学AIM实验室） ； Jarvis Research Center, Tencent Youtu Lab（腾讯优图实验室 Jarvis 研究中心） ； Central Research Institue, United Imaging Healthcare Co., Ltd（联合影像医疗科技有限公司中央研究所） 纠错

AI总结 MetaTPT通过元学习框架结合自监督任务和提示微调，提升视觉-语言模型在领域偏移下的测试时间适应性，实现领域泛化和跨数据集的高性能表现。

Comments NeurIPS 2025 Workshop

Tracking large chemical reaction networks and rare events by neural networks

通过神经网络追踪大规模化学反应网络和罕见事件

Jiayu Weng, Xinyi Zhu, Jing Liu, Linyuan Lü, Pan Zhang, Ying Tang

机构 * Institute of Data Science, University of Hong Kong, Hong Kong（数据科学研究所，香港大学） ； Department of Systems Science, Faculty of Arts and Sciences, Beijing Normal University, Zhuhai 519087, China（艺术与科学学院系统科学系，北京师范大学） ； School of Physics, University of Electronic Science and Technology of China, Chengdu 611731, China（电子科学与技术大学物理学院） ； School of Physical Science and Technology, Beijing University of Posts and Telecommunications, Beijing 102206, China（邮电大学物理科学与技术学院） ； Institute of Theoretical Physics, Chinese Academy of Sciences, Beijing 100190, China（中国科学院理论物理研究所） ； School of Cyber Science and Technology, University of Science and Technology of China, Hefei 230027, China（科学技术大学网络科学与技术学院） ； School of Fundamental Physics and Mathematical Sciences, Hangzhou Institute for Advanced Study, UCAS, Hangzhou 310024, China（杭州高等研究院基础物理与数学科学学院） ； Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China, Chengdu 611731, China（电子科学与技术大学基础与前沿科学研究所） ； Non-classical Information Science Basic Discipline Research Center of Sichuan Province, University of Electronic Science and Technology of China, Chengdu 611731, China（四川省非经典信息科学基础学科研究中心，电子科学与技术大学） 纠错

AI总结 本文提出通过神经网络高效追踪大规模化学反应网络及罕见事件的方法，结合优化算法和增强采样策略，实现显著加速和高精度建模。

Unlocking the Potential of Difficulty Prior in RL-based Multimodal Reasoning

解锁基于强化学习的多模态推理中难度先验的潜力

Mingrui Chen, Haogeng Liu, Hao Liang, Huaibo Huang, Wentao Zhang, Ran He

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR&MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文通过建模问题难度先验信息，改进基于强化学习的多模态推理性能，通过数据筛选、优势分化和难度提示提升模型推理深度和准确性。