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

S3C-LLM: Skill-Code Guided Agentic Language Models for Spectrum-to-Structure Elucidation

S3C-LLM：用于谱图到结构解析的技能-代码引导型智能体语言模型

Xuanle Zhao, Xinyuan Cai, Xiang Cheng, Bo Xu

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； 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 S3C-LLM是一种技能-代码引导型智能体LLM，通过检索光谱学技能、执行分析代码整合证据与约束来解析分子结构，性能优于同类模型且训练语料更少。

Comments Accepted by EMNLP 2026 Findings

PRACTICE: From Experience to Expertise in Self-Evolving Embodied Agents

PRACTICE：从经验到自进化具身智能体的专业能力

Ziyi Bai, Siqi Li, Tinglei Huang, Börje F. Karlsson

机构 * Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院（BAAI）） ； 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） 纠错

AI总结 PRACTICE通过训练技能学习者维护技能库，结合两阶段课程训练与在线编辑蒸馏，在EB-ALFRED等任务上实现优于基线的自进化具身智能体性能提升。

RailSyn: Diagnosis-Guided Image Generation for Traceable Data Completion in Railway Foreign Object Detection

RailSyn：面向铁路异物检测中可追溯数据补全的诊断引导图像生成方法

Quan Hao, Chenxi Zhang, Ziyang Tao, Yuyuan Zhou, Yudong Wang, Rui Shi, Lechuan Xu, Changhao Liu, Liguo Zhang

机构 * School of Information Science and Technology, Beijing University of Technology（北京工业大学信息科学与技术学院） ； Pratt School of Engineering, Duke University（杜克大学普拉特工程学院） ； 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） ； School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院） ； Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理系） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

AI总结 RailSyn是诊断引导的图像生成框架，通过检查器定位补全区域并明确需求，生成器满足需求，可提升RFOD检测性能，在9种主流检测器上AP50--95最高增益4.9点，具跨架构实用性。

SwarmBench: Can Large Language Models Act as Agent Swarm Orchestrators?

SwarmBench：大语言模型能否充当智能体群的编排者？

Jinshan Gao, Zhuoran Jin, Tianyi Men, Kang Liu, Jun Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； 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 该研究针对大语言模型作为智能体群编排者的评估需求，提出多维度基准SwarmBench，发现模型编排能力存在显著差异，并通过SwarmExp方法有效提升了编排性能。

Comments EMNLP 2026 Findings

Temporal Forcing: 4D Representation Alignment for Vision-Language-Action Models

时序强制：面向视觉-语言-动作模型的四维表示对齐

Xingyu Ding, Yuzhong Zhao, Chunhai Zhao, Yinghuan Shi, Chaoyang Zhao, Yifan Zhang

机构 * Nanjing University（南京大学） ； 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 该研究针对视觉-语言-动作模型缺乏时序信息的问题，提出 Temporal Forcing 方法，通过历史通路与时序一致的四维几何特征对齐，在 LIBERO 等任务上取得性能提升。

DiffPDE: Masked Diffusion Language Models as PDE Solver

DiffPDE：作为偏微分方程求解器的掩码扩散语言模型

Wenxuan Guo, Yuyang Hong, Lubin Fan, Zhaojin Fu, Lin Chen, Kun Ding, Shiming Xiang

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） 纠错

AI总结 本研究针对现有PDE求解器合成方法中自回归模型解码冗余的问题，提出基于离散扩散语言模型的DiffPDE框架，结合局部重掩码填充策略与ID-GRPO强化学习方案，在PDEBench上实现了更优准确率与更快修复速度。

Beyond Polarization: The Generative Constraint of Chain-of-Thought in Pointwise Reranking

超越极化：点式重排序中思维链的生成约束

Xiaoyang Chen, Jie Liu, Haijin Liang, Haibo Shi, Jin Ma, Ben He, Yingfei Sun, Dezhi Ye

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent（腾讯） 纠错

AI总结 本研究针对点式重排序中思维链模型性能弱于直接评分模型的问题，通过实证研究及多种干预措施，发现排序差距源于离散文本传递连续相关性语义的瓶颈，而非易解决的训练偏差。

Comments Accepted at EMNLP 2026 Findings

MCSeg: Pre-training and Fine-tuning Volumetric Pyramid Transformer for Multi-modal Cardiac Image Segmentation

MCSeg：用于多模态心脏图像分割的体积金字塔Transformer的预训练与微调

Zhiyu Ye, Hairong Zheng, Tong Zhang

机构 * Shenzhen Institute of Advanced Technology（深圳先进技术研究院） ； Pengcheng Laboratory（鹏城实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本研究提出MCSeg网络，通过新型SFP连接ViT编码器与CNN解码器，结合自监督预训练与RMI损失，在多模态心脏图像分割任务中优于11种SOTA方法，小样本场景也表现出色

Sequential Trajectories and Simultaneous Blending: Multi-Emotion Modeling for Instruction-Following TTS

序列轨迹与同时融合：用于指令跟随式语音合成的多情感建模

Yan Zhou, Yun Hong, Yang Feng

机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences (ICT/CAS)（中国科学院计算技术研究所智能信息处理重点实验室） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文针对指令跟随式TTS的多情感控制问题，提出HybridEmo后训练框架，结合分组相对策略优化与混合奖励，在MultiEmo-Test上提升了轨迹正确性与融合强度，表现优于多数对比模型。

Comments Code is available at https://github.com/ictnlp/HybridEmo. Demo page: https://zhouyan19.github.io/HybridEmo-demo/

Knowing Beyond the Known: Reinforced Knowledge Specification for Multi-Label Class-Incremental Learning

超越已知的认知：面向多标签类增量学习的强化知识规范

Aoting Zhang, Dongbao Yang, Chang Liu, Xiaopeng Hong, Can Ma, Yu Zhou

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Nankai University（南开大学） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 针对多标签类增量学习中已知与未知知识边界模糊的问题，提出KBK框架，通过分层特征纯化等模块缓解遗忘，在MS-COCO基准上超越最优方法2.7%。

SimCRAFT: Distilling Remote Sensing Agents via Synthetic Trajectories and Contextual Retrieval-Augmented Fine-Tuning

SimCRAFT：通过合成轨迹和上下文检索增强微调蒸馏遥感智能体

Haoran Wang, Jing Yao, Xu Yang, Zeqing Wang, Yang Zhang, Pedram Ghamisi, Zhengchao Chen

机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院） ； University of Chinese Academy of Sciences（中国科学院大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Helmholtz-Zentrum Dresden-Rossendorf（德累斯顿-罗森多夫亥姆霍兹中心） 纠错

AI总结 本研究提出SimCRAFT框架，通过合成轨迹与上下文检索增强微调，将复杂遥感编排能力蒸馏到7B模型，性能优于开源LLM，为轻量遥感智能提供开源基线。

DICS: Exploring Data Intrinsic Consistency for Visual Instruction Selection

DICS：探索数据内在一致性用于视觉指令选择

Yuyang Hong, Jinhui Guo, Jiaqi Gu, Lubin Fan, Ruixiang Wang, Kun Ding, Yue Wu, Shiming Xiang, Jieping Ye

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） ； Alibaba Token Hub, Alibaba Group（阿里巴巴集团） 纠错

AI总结 提出基于数据内在一致性（DIC）的自适应视觉指令选择方法DICS，仅用25%数据就超越现有最优方法，还构建600万样本语料库，用不足25%训练数据达到InternVL3-8B-Instruct的94.52%性能

Comments Accepted by EMNLP2026

Discrete Diffusion Bridges for Spatiotemporally Aligned Image Translation and Generation

用于时空对齐图像翻译与生成的离散扩散桥

Xing Xie, Jiawei Liu, Shijun Zhou, Huijie Fan, Zhi Han, Yandong Tang, Liangqiong Qu

机构 * Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Hong Kong（香港大学） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） 纠错

AI总结 该研究提出离散扩散桥（DDB）框架，解决离散扩散在图像翻译与生成中的时空错位问题，通过混合吸收机制和信息引导噪声调度实现平衡，在多生成任务中表现优异且适配低采样步数场景。

Comments Accepted to ECCV 2026

PruneShift: A Framework for Evaluating Decision Reliability in Structured Pruning

PruneShift：结构化剪枝中决策可靠性的评估框架

Hao Ye, Gaopeng Zhang

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

AI总结 该研究提出PruneShift框架，将结构化剪枝的预测保真度、局部保真度与决策质量分离，经多数据集实验验证，证明需分别评估剪枝的预测拟合、决策可靠性及方法质量。

Hindsight Memory-PRM: Supervising Memory Management with Auditable Hindsight Credit

事后记忆-PRM：通过可审计的事后信用监督记忆管理

Haoxuan Jia, Yang Liu, Yingguang Yang, Yancheng Chen, Chongyang Zhang, Hao Zheng, Qian Li, Yulin Huang, Jianshen Zhang, Yongzhi Qi, Shang Luo, Kefu Xu, Hao Peng, Junyu Lu, Du Cheng, Philip S. Yu, Bin Chong

机构 * Peking University（北京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Fullive-AI ； Nanyang Technological University（南洋理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Beihang University（北京航空航天大学） ； Beijing Institute of Technology, Zhuhai（北京理工大学珠海学院） ； Northeastern University（东北大学） ； University of Illinois Chicago（芝加哥大学伊利诺伊分校） 纠错

AI总结 该研究提出Hindsight Memory-PRM，利用轨迹审计轨迹训练记忆效用评判器并确定代理奖励，在LoCoMo、LongMemEval数据集上的性能优于基线系统，实现高效的长视野LLM智能体记忆管理监督。

Quantifying Error Tolerance in Synthetic Data: An Atomic-level Operand vs. Operator Perturbation Study

量化合成数据的误差容忍度：原子级操作数与算子扰动研究

Jiaxiang Liu, Chenhao Yuan, Shuwen Xu, Boxuan Xing, Xiusheng Huang, Yinhao Xu, Hao Liu, Wenhao Teng, Xiangwen Liao, Pengfei Cao, Jun Zhao, Kang Liu

机构 * CDL, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所CDL） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Fujian Provincial Cancer Hospital（福建省肿瘤医院） ； College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院） 纠错

AI总结 针对合成数据误差容忍度定量分析缺失的问题，提出ATOM框架区分操作数与算子扰动，发现模型对操作数扰动鲁棒但受算子扰动影响，合成数据较LIMA提升3.1%，凸显算子多样性的重要性。

Efficient Language-to-Vision Feature Injection for Referring Single-Object Tracking

用于指称单目标跟踪的高效语言到视觉特征注入

Han Wang, Yuxuan Liu, Yuhan Sun, Jian Yang, Xiaotong Xu, Yixuan Lv, Zhuang Zhou, Shengyang Li

机构 * Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间应用工程与技术中心） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出LVTrack纯Transformer框架，通过模式条件门控特征注入器等设计缓解语义漂移，利用冻结的视觉-语言预训练模型降低训练成本，在指称单目标跟踪任务的标准基准上取得优异性能。