大厂专区
在熵正则化马尔可夫决策过程和博弈中的规划
机构 * DeepMind ； Inria Lille（Inria里尔） ； SequeL team, Inria Lille（SequeL团队，Inria里尔） ； DeepMind Paris（DeepMind巴黎）
AI总结 本文提出SmoothCruiser算法，通过环境生成模型估计熵正则化马尔可夫决策过程和双人博弈的价值函数，实现问题无关的样本复杂度O~(1/epsilon^4)。
Comments NeurIPS 2019
Journal ref Advances in Neural Information Processing Systems 32 (NeurIPS 2019)
预算化的在线影响力最大化
机构 * Adobe Research（Adobe研究院） ； Inria Lille（Inria里尔分校） ； DeepMind（深度Mind）
AI总结 本文提出一种新的预算化框架，考虑广告活动的总成本而非传统选择影响者集合的基数约束。通过独立级联扩散模型和边级半带反馈，提出算法并提供理论和实验结果，改进了基数约束下的后悔界。
Comments 37th International Conference on Machine Learning (ICML 2020), 28 pages
一个保障用户数据安全的AI代理执行环境
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Google（谷歌）
AI总结 GAAP通过动态用户提示收集权限规范，确保AI代理在共享用户隐私数据时符合规定，无需信任代理或模型，有效阻止数据泄露攻击。
为代理编程扩展测试时计算
机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； University of Washington（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出基于轨迹紧凑表示的代理编程测试时扩展框架，通过递归竞赛投票和并行-蒸馏-细化方法提升长周期代理性能，实验证明在SWE-Bench和Terminal-Bench上显著提升效果。
Comments 70 pages, 26 figures, 12 tables
增强的组合结构生成：Ramsey数
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌）
AI总结 本文通过AlphaEvolve算法改进了九个经典Ramsey数的下界，同时恢复了所有已知精确Ramsey数的下界，并在许多其他情况下匹配了最佳下界。
See2Refine：视觉语言反馈提升基于LLM的eHMI动作设计
机构 * The University of Tokyo（东京大学） ； University College London（伦敦大学学院） ； Google（谷歌）
AI总结 See2Refine通过视觉语言模型的反馈机制，提升基于大语言模型的eHMI动作设计能力，实现无需人工干预的闭环改进，优于传统提示和人工指定基线。
Comments Accepted to ACL2026
递归视频掩码自编码器
机构 * Google DeepMind（谷歌DeepMind）
AI总结 本文提出递归视频掩码自编码器(RVM)，通过递归计算建模视频数据的时序结构，利用非对称掩码目标和基于Transformer的递归神经网络，在仅需简单像素重建损失的情况下，实现了高效且通用的视频表示学习。
打破幻觉：基于共识的生成对抗多模态嵌入中对抗性幻觉的缓解
机构 * Lund University（隆德大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出一种任务无关的缓解机制，利用生成模型恢复多模态嵌入的自然对齐，通过生成采样策略和共识聚合方案提升防御效果，实验显示其显著降低对抗性幻觉攻击成功率。
位置未找到：揭示多语言大语言模型中的隐含本地和全球偏见
机构 * Google Research（谷歌研究）
AI总结 本文通过LocQA测试集研究多语言模型的本地和跨语言偏见，发现模型对美国本地信息有全球偏见，并在指令微调模型中更显著，同时在同一种语言内优先考虑人口多的地区。
Comments ACL 2026 main conference
通过选举领导力评估大语言模型社交群体中的合作
机构 * Jinesis Lab, University of Toronto \& Vector Institute（谷歌DeepMind） ； Google DeepMind ； ETH Z\" u rich ； Max Planck Institute for Intelligent Systems, T\" u bingen, Germany
AI总结 本文通过多智能体模拟研究选举领导机制对大语言模型合作与社会福利的影响，实验显示选举领导能提升社会福利评分和生存时间。
Comments Main text: 11 pages, 4 figures, 4 tables
多代理自分级系统与医疗流程图
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； The Design Lab, University of California San Diego（加州大学圣地亚哥分校设计实验室） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Medicine, Kaiser Permanente（Kaiser 医疗集团医学部） ； Department of Radiation Oncology, University of California San Francisco（加州大学旧金山分校放射肿瘤学部） ； Department of Emergency Medicine, University of California San Francisco（加州大学旧金山分校急诊医学部） ； Division of Cardiology, Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学部心内科分会） ； Department of Orthopaedic Surgery, Korea University Ansan Hospital（韩国大学安山医院骨科部） ； Google Research, Seattle, WA, USA（谷歌研究（西雅图，华盛顿州）） ； Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学校）
AI总结 本文提出一种多代理自分级系统，利用100个经临床验证的流程图提升医疗决策的准确性与透明度，通过检索、决策和聊天代理实现患者个性化推荐，实验显示在大规模合成数据集上达到高准确率。
Journal ref Nature Health (2026)
如何向大型多模态模型传授新技能
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了如何在不丧失原有能力的前提下通过序列微调向大型多模态模型传授新技能，提出两种有效的微调方法以平衡学习与遗忘。
Comments In submission. Code is available at https://github.com/jessemelpolio/LMM_CL
MRS：多分辨率技能用于HRL智能体
机构 * DeepMind
AI总结 本文提出MRS多分辨率技能，通过学习多个固定时间跨度的目标预测模块，解决HRL中子目标选择精度与预测噪声的矛盾，提升长周期任务性能。
MIST：一种用于异构、多阶段LLM推理的联合设计框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Google（谷歌） ； Intel（英特尔） ； Intel Labs（英特尔实验室） ； Google DeepMind（谷歌DeepMind） ； Harvard University（哈佛大学） ； Infravana
AI总结 MIST是一种用于异构、多阶段LLM推理的联合设计框架，通过模拟不同请求阶段和复杂硬件层次，优化硬件-软件协同设计，解决LLM推理中的配置空间导航和跨厂商PD配置问题。
Comments Inference System Design for Multi-Stage AI Inference Pipelines. 11 Pages, 10 Figues, 5 Tables
GAIR：具有地理对齐隐式表示的定位感知自监督对比预训练
机构 * SEAI Lab, Department of Geography and the Environment, The University of Texas at Austin（地理与环境系SEAI实验室，德克萨斯大学奥斯汀分校） ； Google LLC, Mountain View, CA, USA（谷歌公司，山景城，加利福尼亚州，美国） ； SIT Lab, School of Computing and Information Science, The University of Maine（计算与信息科学系SIT实验室，缅因大学） ； Urban Information Lab, School of Architecture, The University of Texas at Austin（城市信息实验室，建筑系，德克萨斯大学奥斯汀分校）
AI总结 GAIR通过引入隐式神经表示模块，解决地理空间任务中多模态数据的局部化表示问题，实现跨模态的地理对齐，提升空间关系建模能力。
Comments Accepted by ISPRS Journal of Photogrammetry and Remote Sensing
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈