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

MediSkill-Evo: Process-Constrained Self-Evolution for Evidence-Grounded Clinical Interaction

MediSkill-Evo：面向证据依据的临床交互的过程约束自进化

Ruoyu Wu, Shenfu Xie, Yinqian Sun, Haibo Tong, Feifei Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Institute of AI Safety and Governance（北京人工智能安全与治理研究院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 MediSkill-Evo是无需主干微调的临床智能体，通过四类经验存储库与过程约束偏好工具优化，在多维度评估中提升了诊断准确率等指标，验证了其临床交互性能。

RIBOSPAN: A Long-Context RNA Foundation Model for Versatile RNA Modeling

RIBOSPAN：用于多功能RNA建模的长上下文RNA基础模型

Ziyuan Wang, Bohao Tang, Fei Zhang, Shuo Han, Pengfei Liu

机构 * Shanghai Innovation Institute（上海创新研究院） ； Center for Excellence in Molecular Cell Science, CAS（中国科学院分子细胞科学卓越创新中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本研究提出支持10240nt上下文的长RNA基础模型RIBOSPAN，结合多种技术实现高分辨率长RNA建模，在多任务评估中达最优性能，并开发基于其主干的mRNA生成与优化框架。

Comments 21 pages, 5 figures

VeCAS: Vessel-Focused Contrast-Free Angiogram Synthesis for Vascular Interventions

VeCAS：面向血管介入的聚焦血管的无造影剂血管造影合成

De-Xing Huang, Chen-Yu Wang, Hao Liang, Xiao-Hu Zhou, Mei-Jiang Gui, Tian-Yu Xiang, Qin-Yi Zhang, Chen Wang, Xiao-Liang Xie, Shi-Qi Liu, Ming-Yuan Liu, Zhen-Chang Wang, Zeng-Guang Hou

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出VeCAS框架，通过两阶段合成实现无造影剂血管造影，在下肢数据集实验中优于对比方法，还可缩短机器人导丝导航的时间与步骤，具临床应用潜力。

Comments 10 pages, 8 figures, 5 tabels, supplementary material: this https URL (https://dxhuang-casia.github.io/data/vecas_supplementary_material.pdf)

Object-Uni: A Unified Model for Object-Centric Spatial Understanding and Controllable Generation

Object-Uni：面向以物体为中心的空间理解与可控生成的统一模型

Mining Tan, Yinuo Wang, Ziqi Zhou, Weize Quan, Sifei Li, Jingdong Chen, DanDan Zheng, Libin Wang, Weiming Dong

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） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 mobility学院） ； Ant Group（蚂蚁集团） 纠错

AI总结 提出Object-Uni统一模型，通过视角方向抽象与UniSpatial-80K基准，实现以物体为中心的空间理解与可控生成，提升位姿理解及可控生成能力。

Beyond Factual Knowledge: Benchmarking and Learning Step-Level Procedural Rule Reasoning in Large Language Models

超越事实知识：大型语言模型中步骤级过程规则推理的基准测试与学习

Bohan Yu, Pengfei Cao, Chen Han, Chenxi Zhou, Zhiheng Zhang, Zhiyang Xie, Wenhao Teng, Xiangwen Liao, Jun Zhao, Kang Liu

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） 纠错

AI总结 本研究针对大型语言模型的过程规则推理不足，构建RuleWorld基准，提出DynaRule框架，在10K规则下将平均QA准确率提19个点，Recall@1超85%，大幅优于基线。

Comments Accepted by EMNLP 2026 Findings

Seeing the Unseen: Semantic-in-Gaussian for Sparse-View 3D Generalization

看见不可见：用于稀疏视图三维泛化的高斯语义嵌入方法

Zeyang Bai, Yunpeng Wang, Yunbiao Wang, Jun Xiao

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） ； Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学全球未来技术研究院） 纠错

AI总结 本文提出新型通用三维高斯溅射框架SeeU，通过跨视图熵感知模块与条件高斯变换器优化高斯估计，在稀疏视图场景下提升新视图合成的渲染质量与结构完整性，外推设置下PSNR较SOTA方法提升2.44 dB。

Comments Accepted at the ECCV 2026 Workshop on 3DWM

When Not to Imitate: Boundary-Aware Skill Memory for Reliable Tool-Use LLM Agents

何时不应模仿：面向可靠工具使用大语言模型智能体的边界感知技能记忆

Zihan Lin, Zhenyu Chen, Jiawen Wei, Xiaohan Wang, Jie Cao, Jiajun Chai, Wei Lin, Guojun Yin, Ran He

机构 * Meituan（美团） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉科学学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 针对LLM智能体仅从成功轨迹提取技能会陷入「技能模仿陷阱」的问题，提出边界感知技能记忆（BASM），通过补充边界字段提升工具使用可靠性，在多基准测试中显著优于基线方法。

Comments Accepted by EMNLP2026 Findings

Grounded Normative Rule Generation with Structured Search

基于结构化搜索的接地规范规则生成

Fanqi Kong, Huaxiao Yin, Ruijie Zhang, Xiaoyuan Zhang, Yizhe Huang, Jian Gao, Shuo Chen, Song-Chun Zhu

机构 * Peking University（北京大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室、北京智源人工智能研究院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本研究提出GNRS-Search框架，将规范规则生成为接地规范规则合成问题，通过MCMC采样优化AOG，在两个基准上提升规则质量，为受监管环境的合规智能体提供基础范式。

EDGE: Experience-Distillation for Guided Exploration in Agentic Reinforcement Learning

EDGE：智能体强化学习中引导探索的经验蒸馏方法

Can Xie, Yuyi Zhou, Wen Yang, Ziyi zhang, Siyao Song, Yingzhuo Deng, Shuo Ren, Jiajun Zhang

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） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉科学学院） ； Wuhan AI Research（武汉人工智能研究院） 纠错

AI总结 本文提出EDGE框架，将检索的经验内化到策略中，在ALFWorld和WebShop数据集7B规模下较GRPO提升8.3、12.5个成功率百分点，移除外部经验后仍保留96.0%支架性能。

Comments Accepted to EMNLP 2026 (Main Conference)

HiDiffTIR: Hierarchical Difficulty-Aware Policy Optimization for Multi-Turn Tool-Integrated Reasoning

HiDiffTIR：面向多轮工具集成推理的分层难度感知策略优化

Yucan Guo, Xiaohan Wang, Miao Su, Saiping Guan, Zhongni Hou, Jiajun Chai, Wei Lin, Guojun Yin, Xiaolong Jin, Jiafeng Guo, Xueqi Cheng

机构 * State Key Laboratory of AI Safety（人工智能安全国家重点实验室） ； 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） ； Meituan（美团） 纠错

AI总结 HiDiffTIR是面向多轮工具集成推理的分层难度感知策略优化框架，通过在轨迹和轮次两级执行难度感知信用分配，无需额外监督即可提升工具集成推理性能。

Comments Accepted by EMNLP 2026 (Findings)

Congruence Decomposition with Neural Block Solvers for Large-Scale PCI Assignment

基于神经块求解器的同余分解用于大规模物理小区标识分配

Yeqing Qiu, Chengpiao Huang, Ye Xue, Akang Wang, Fan Xu, Zhipeng Jiang, Dong Zhang, Ruoyu Sun, Qingjiang Shi, Zhi-Quan Luo

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； Columbia University（哥伦比亚大学） ； Sun Yat-sen University（中山大学） ； Tongji University（同济大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Huawei Technologies（华为技术有限公司） 纠错

AI总结 本研究针对大规模5G网络PCI分配难题，提出带神经块求解器的同余分解框架，将问题解耦为子问题并结合图神经网络优化，实验显示其性能优于现有基线方法。