祝贺实验室团队博士生宋子帆一篇论文Z-AXIS: From Deterministic Ground to Agentic Depth for Enterprise Evaluation被国际顶级人工智能与机器学习会议 NeurIPS 2026 录用。

针对现有深度研究智能体在复杂企业评估任务中存在的事实核验不足、研究过程缺乏针对性及分析可靠性难以保障等问题，本文提出了确定性—智能体分离原则（Deterministic-Agentic Separation），将可通过结构化数据、规则与程序接口可靠获取的确定性信息，与需要智能体动态探索的未知信息分离，并构建“确定性信息奠基—多层智能体深度研究—结构化综合分析”的三级级联架构，引导智能体围绕高价值信息缺口开展研究。实验证明Z-AXIS在事实可靠性、信息覆盖与研究质量等方面展现出显著优势。

祝贺实验室团队博士生高俊尧一篇论文 MegaStyle: Constructing Diverse and Scalable Style Dataset via Consistent Text-to-Image Style Mapping 被 NeurIPS 2026 录用，并入选 Spotlight 论文（前 0.8%）。

针对现有风格迁移数据集在风格内一致性、风格间多样性及数据质量方面的不足，本文提出了一种基于一致性文生图风格映射的大规模风格数据集构建方法（MegaStyle）。该方法利用大规模生成模型稳定的文本到图像风格映射能力，结合视觉语言模型与均衡采样策略，构建了包含140万张图像、17万种细粒度风格的 MegaStyle-1.4M 数据集。在此基础上，进一步提出风格监督对比学习方法，训练风格编码器（MegaStyle-Encoder）与基于 FLUX 的风格迁移模型（MegaStyle-FLUX），实现精准的风格表征与泛化风格迁移。实验表明，MegaStyle 在风格检索与风格迁移任务上均取得了优于现有方法的性能，显著提升了风格相似度评估的可靠性与风格迁移的生成质量和泛化能力。

祝贺实验室团队博士生李艳丽一篇论文 CMI-Trans: Cross Modal Inconsistency-aware Transport for HSI-LiDAR Classification 被国际顶级人工智能与机器学习会议 NeurIPS 2026 录用。

针对现有高光谱（HSI）与激光雷达（LiDAR）多模态融合方法通常默认同一空间位置的跨模态信息具有一致可靠性，而在阴影、类别边界、局部形变、残余配准误差及模态特定退化等复杂场景下容易产生局部可靠性不对称的问题，本文将这一现象系统凝练为跨模态局部不一致性（Cross-Modal Local Inconsistency, CMI），并提出跨模态不一致性感知传输框架 CMI-Trans。该方法通过不确定性塑形传输对齐（USTA），将局部特征差异与可靠性差异共同融入最优传输过程，减少不可靠跨模态对应；进一步结合能量校准可靠性（ECR）对预测可靠性进行建模，并利用三元协同优化（TCO）统一协调分类学习、可靠性约束与传输对齐，形成“局部可靠性建模—跨模态软传输对齐—协同融合优化”的整体框架。实验在 Houston2013、Trento 和 MUUFL 三个典型 HSI–LiDAR 基准数据集上验证了该方法的有效性，CMI-Trans 在全场景分类和 CMI 重点区域上均表现出优异性能，同时在局部可靠性建模、跨模态对齐和预测可信度等方面展现出明显优势。