一部一品丨研究生智能计算党支部举办精品论文分享会

为深入学习贯彻习近平新时代中国特色社会主义思想和新时代党的建设总要求，夯实基层党支部建设基础，切实发挥堡垒作用，计算机学院持续开展“一部一品”创建活动，创新推进新时代高校党建工作与思政育人深度融合，着力打造具有学科特色的党建文化生态，以品牌化建设增强基层党支部“两个功能”，积极探索党建引领事业高质量发展的新路径。

党支部品牌介绍

红色根脉映科研，学术共融启新程

为积极响应并推动支部在人工智能（AI）领域建立深度研究与技术分享的前沿阵地，研究生智能计算党支部举办了一系列以“高水平论文研讨”和“前沿成果交流”为主题的系列特色支部活动。通过对顶尖学术成果的系统解读与深入讨论，本活动旨在激发全体党员的研究热情，促进学术思想的碰撞与融合，持续跟进人工智能领域最新理论与技术进展，营造求真务实、富有活力的学术氛围。

活动回顾

6月9日晚，研究生智能计算党支部在计算机楼B503顺利举办 “精品论文分享会”，聚焦计算机视觉、自然语言处理与科学计算交叉领域的最新成果。三场主题分享紧扣技术前沿，既有理论创新的深度剖析，也有实践应用的细致解读，为支部成员带来了一场丰富的学术盛宴。

活动现场，支部各研究所科研骨干轮番登场，围绕前沿科技与个人科研成果展开分享。部分党员聚焦算法模型，借助 PPT 演示，清晰拆解复杂流程，从面向检索增强生成的图基础模型（GFM-RAG）、利用大模型模拟真实交互以破解推荐系统冷启动难题（LLM Simulator），到依靠自动化数据提纯突破无监督视觉扩展瓶颈（DINOv2）等多个前沿方向。这些工作共同展示了基础模型在复杂图结构表征、工业级系统行为推断以及自监督视觉学习等方面的深度融合与创新应用，不仅拓宽了支部成员对大模型在不同模态与复杂业务场景中落地方式的认识，也激发了大家围绕“如何更好地激发基础模型泛化能力以解决真实数据稀疏与逻辑推理痛点”的深入交流与思考。通过本次活动，支部成员不仅在学术视野上实现了从文本推理到视觉理解、从推荐算法到图基础模型的多维度拓展，更在技术交流中碰撞出了创新火花，为后续进一步优化知识表征与生成模型的对齐机制奠定了坚实基础。

（一）：突破多跳推理瓶颈，零样本图检索的新范式

分享人：黄政磊

精读论文：《GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation》(ICLR 2026)

研究问题：在检索增强生成（RAG）任务中，传统方法通常难以捕捉各个知识片段之间复杂的关系，这极大限制了大型语言模型（LLM）在需要整合多源信息、进行复杂逻辑推理（如多跳推理）时的表现。虽然近年来涌现的图增强 RAG（GraphRAG）试图通过构建图结构来显式建模知识间的联系，但真实的图结构往往充满噪声且不够完整，这成为了阻碍其检索性能与准确性的核心瓶颈。

创新方法：该研究提出了 GFM-RAG，这是首个专为检索增强生成打造的图基础模型（Graph Foundation Model）。该方法的核心流程如下：首先从海量文档中构建结构化的图索引（如知识图谱）以捕获知识间的网络关系；随后，使用一种新颖的依赖查询的图神经网络（Query-dependent GNN）作为核心检索器。该模型在包含 60 个知识图谱、超过 1400 万个三元组和 70 万篇文档的大规模数据集上进行了两阶段的深度预训练（自监督的图谱补全预训练 + 有监督的文档检索微调）。在生成过程中，它能将用户 Query 和图索引共同输入模型，直接在图结构上进行联合推理，为 LLM 提取出最精准的上下文支撑。

技术亮点：

1. 强大的零样本泛化能力 (Strong Zero-shot Generalizability)： 得益于海量跨领域数据的预训练，GFM-RAG 具备极强的泛化本领。它是第一个可以“开箱即用”的图基础检索模型，面对完全未见过的全新数据集和垂直领域，无需进行任何微调（Zero-shot）即可直接实现高精度的图检索与问答。

2. 单步高效的多跳推理 (Efficient Single-step Multi-hop Reasoning)： 传统的图多跳检索往往需要进行多次迭代扩展，耗时且容易出错。GFM-RAG 依靠创新的图神经网络架构，能够在“单步（Single-step）”内高效完成复杂的跨节点、多跳逻辑推理和文档匹配，在保障推理深度的同时极大提升了 RAG 系统的检索效率。

3. 遵循缩放定律且具备透明的可解释性 (Scaling Laws and Interpretability)： 实验表明，GFM-RAG 完美契合神经缩放定律（Neural Scaling Laws），即随着数据量和参数量的增加，其推理与检索性能还会持续攀升。不仅如此，该模型还能为它的检索结果提供清晰的“推理路径解释（Path Interpretations）”，用户可以直观地看到模型是如何一步步通过节点关系推导出答案的，保证了 RAG 过程的高透明度和可信度。

（二）：告别“无数据可用”：大模型如何化身推荐系统“冷启动”破局者？

分享人：吕彬

精读论文：《Large Language Model Simulator for Cold-Start Recommendation》（WSDM'25）

（三）：视觉领域的“GPT”时刻：DINOv2 如何做到冻结特征还能“开箱即用”？

分享人：王涛

精读论文：DINOv2: Learning Robust Visual Features without Supervision

本次系列论文分享活动取得了良好效果。三场报告主题各具特色、彼此呼应，涵盖了从提升多跳推理与零样本泛化能力（面向检索增强生成的图基础模型 GFM-RAG）、利用大模型模拟真实交互以破解推荐系统冷启动难题（大语言模型模拟器 LLM Simulator），到依靠自动化数据提纯突破无监督视觉扩展瓶颈（无监督视觉基础模型 DINOv2）等多个前沿方向。这些工作共同展示了基础模型（大语言模型与视觉大模型）在复杂图结构表征、工业级系统行为推断以及自监督学习等方面的深度融合与创新应用，不仅拓宽了支部成员对大模型在不同模态与复杂业务场景中落地方式的认识，也激发了大家围绕“如何更好地激发基础模型泛化能力以解决真实数据稀疏与逻辑推理痛点”的深入交流与思考。