用矢量图元与栅格地面混合表示， latent diffusion 生成可编辑城市场景，KITTI-360 上质量 SOTA 且更省显存、更快。
- 图元+地面混合表示，结构化 latent 便于物体级与地面级操控
- PrITTI latent diffusion 实现多样、可控、可编辑的语义城市场景生成
- 支持场景编辑、inpainting/outpainting 与逼真街景合成等下游应用
提出 Radial Attention，利用时空能量衰减做稀疏注意力，加速长视频扩散生成并支持更长序列。
- 发现视频扩散中注意力分数随时空距离衰减的 Spatiotemporal Energy Decay 现象
- 设计 O(n log n) 的 Radial Attention 静态掩码，时距越远注意力窗越小
- 配合 LoRA 微调在 Wan2.1、HunyuanVideo、Mochi 1 上保质并显著加速与延长生成
双层架构分离任务规划与工具执行，TWNM 建模工具关系以编排大规模工具链，在 API-Bank、ToolBench 与真实 API 上提升成功率并降步数与延迟。
- 显式双层：规划层决策直接回答/澄清/检索执行，执行层用图建模工具依赖
- Tool World Navigation Model 编码工具结构与行为关系，支持可扩展调用序列
- 工具交互反馈闭环对齐规划与执行，复杂任务上 TWNM 平均提升约 13.1 点
用12个SOTA模型生成6k歌曲、2.5k人参与1.5万次成对比较，首次按人类偏好对音乐模型与自动指标排序并开源数据。
- 大规模人类偏好实验，关联偏好与常用文本-音频及质量指标
- 首次基于人类偏好对当前SOTA音乐生成模型与评测指标进行排序
- 开放生成音乐与人类评价数据集，支撑主观指标研究
MATER 在词、句与嵌入层融合声学与文本特征，用于自然场景语音情感识别与属性预测。
- 提出 MATER 层次框架，词/句/嵌入多级融合声学 cues 与上下文语义表示
- 引入 uncertainty-aware 集成以缓解标注不一致、提升模糊情感鲁棒性
- 在 SERNC 挑战赛中两类任务均获第四名，效价预测 CCC 达 0.6941
刻画推理时对齐中的 reward hacking，提出 BoP 与 HedgeTune，在 BoN/SBoN 上通过对代理奖励 hedging 缓解黑客并改善奖励-失真权衡。
- 系统刻画推理时 reward hacking 及 BoN、SBoN 等机制下的不可避免模式
- 提出 Best-of-Poisson，高效近似最优 reward-KL 推理策略
- HedgeTune 自动寻优推理参数，在数学、推理与人偏好任务上验证 hedging 效果
双向循环注意力层在长/短语音 ASR 上匹配 MHA 精度，长时训练范式下优于 LCA 且吞吐高约 44%，并提出 Direction Dropout。
- 证明双向 RA 层在短长语音 ASR 上可达 MHA 级精度且序列长度线性复杂度
- 长时训练范式进一步提升 RA，相对 LCA 精度更好且吞吐提高 44%
- Direction Dropout 正则化与交替方向解码，精细控制精度-吞吐权衡
在 MT meta-evaluation 中加入人类基线，发现 SOTA 自动指标常与人类相当或更高，并讨论能否仍可靠衡量评测进步。
- 将人类标注者作为基线纳入 MT 指标 meta-evaluation
- 实证显示自动指标与人类一致性常达 parity 甚至优于部分人类基线
- 分析结论需谨慎的原因及对 MT 评测领域衡量进步能力的启示
开源语音工具包，聚焦增强、分离、超分与多模态目标说话人提取，集成 FRCRN、MossFormer 等预训练模型与 SpeechScore 评测。
- 面向增强、分离、超分与目标说话人提取的一体化开源工具链
- 提供 SOTA 预训练模型、优化工具、多格式音频与 SpeechScore 评测
- 详述架构、训练策略、基准与社区采用情况
将两种自校正系统用于新闻摘要幻觉修正，用三搜索引擎证据迭代验证与 refine，分析 snippet 与 few-shot 等实践发现。
- 在新闻摘要域系统评估自校正 LLM 与外部搜索证据的结合
- 对比三搜索引擎证据对修正效果的影响并给出实践洞察
- 报告 G-Eval 与人类评价在摘要修正任务上的高一致性