Zhejiang University（浙江大学）

CTkvr: KV Cache Retrieval for Long-Context LLMs via Centroid then Token Indexing

CTkvr: 通过聚类然后标记索引实现长上下文LLM的KV缓存检索

Kuan Lu, Shuhang Lin, Sai Wu, Yichen Yao, Junhan Yang, Huan Li, Wei Chu, Xu Yinghui, Yuan Qi, Gang Chen

机构 * Zhejiang University（浙江大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 CTKVR通过聚类和标记索引方法提升长上下文LLM的KV缓存检索效率与准确性，实现性能优化和吞吐量提升。

Towards Proactive Personalization through Profile Customization for Individual Users in Dialogues

通过用户个性化配置实现对话中的前瞻性个性化

Xiaotian Zhang, Yuan Wang, Ruizhe Chen, Zeya Wang, Runchen Hou, Zuozhu Liu

机构 * Zhejiang University（浙江大学） ； Zhejiang Key Laboratory of Medical Imaging Artificial Intelligence（浙江省医学影像人工智能重点实验室） 纠错

AI总结 本文提出PersonalAgent，通过构建和动态完善用户档案，实现对话中的长期个性化和用户偏好推断，提升对话代理的适应性和连贯性。

The Meta-Prompting Protocol: Orchestrating LLMs via Adversarial Feedback Loops

元提示协议：通过对抗反馈循环 orchestrate LLMs

Fanzhe Fu

机构 * Zhejiang University（浙江大学） 纠错

AI总结 元提示协议通过对抗反馈循环构建可编程自优化系统，解决LLM在关键任务中的确定性保证问题。

Comments 6 pages, 2 figures

The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks

阴影中的卓越：利用特征边界模糊性实现稳健的后门攻击

Zhou Feng, Jiahao Chen, Chunyi Zhou, Yuwen Pu, Tianyu Du, Jinbao Li, Jianhai Chen, Shouling Ji

机构 * Zhejiang University（浙江大学） ； Chongqing University（重庆大学） ； Qilu University of Technology (Shandong Academy of Science)（青岛科技大学（山东科学院）） 纠错

AI总结 Eminence通过利用特征边界模糊性，实现稳健且隐蔽的后门攻击，以极低的毒化率有效提升攻击效果。

Comments Accepted by KDD2026 Cycle 1 Research Track

Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset

通过高质量合成数据集扩展基于指令的视频编辑

Qingyan Bai, Qiuyu Wang, Hao Ouyang, Yue Yu, Hanlin Wang, Wen Wang, Ka Leong Cheng, Shuailei Ma, Yanhong Zeng, Zichen Liu, Yinghao Xu, Yujun Shen, Qifeng Chen

机构 * HKUST（香港科技大学） ； Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） ； Northeastern University（东北大学） 纠错

AI总结 Ditto通过高效数据生成管道和智能代理，构建大规模高质量数据集，提升基于指令的视频编辑性能。

Comments Project page: https://ezioby.github.io/Ditto_page Code: https://github.com/EzioBy/Ditto

Cascaded Dual Vision Transformer for Accurate Facial Landmark Detection

级联双视觉变换器用于精确面部 landmark 检测

Ziqiang Dang, Jianfang Li, Lin Liu

机构 * Zhejiang University（浙江大学） ； Institute for Intelligent Computing（智能计算研究院） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出级联双视觉变换器，通过通道分割和长跳连接提升面部 landmark 检测精度，优于现有最佳方法。

Comments Accepted by WACV 2025. The code can be found at https://github.com/Human3DAIGC/AccurateFacialLandmarkDetection . Supplementary material is included at the end of the main paper (3 pages, 5 figures, 2 tables)