大厂专区
DoGMaTiQ：面向报告评估的问答片段自动生成
机构 * Google Inc.（谷歌公司） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland（马里兰大学） ； Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of New Hampshire（新罕布什尔大学）
AI总结 提出DoGMaTiQ流水线，通过文档锚定生成、释义聚类和基于质量准则的子选择三步自动生成高质量QA片段，实现报告的全自动评估，在跨语言任务中与人工判断高度相关。
Comments ICTIR '26
积极对齐：人工智能促进人类繁荣
机构 * Department of Psychiatry, University of Oxford（牛津大学精神病学系） ； Flourishing Intelligence Program, Centre for Eudaimonia and Human Flourishing, Linacre College, University of Oxford（牛津大学幸福智能计划、幸福与人类繁荣中心、林acre学院） ； Google DeepMind（谷歌DeepMind） ； LIFE ； OpenAI ； Anthropic ； University of California, Los Angeles（加州大学洛杉矶分校） ； Aily Labs（Aily实验室） ； Stanford University（斯坦福大学） ； Tufts University（塔夫茨大学） ； Positive AI Labs（积极AI实验室） ； Department of Informatics, University of Sussex（Sussex大学信息学系） ； Department of Brain Sciences, Imperial College London（伦敦帝国理工学院脑科学系）
AI总结 本文提出积极对齐，旨在通过支持人类和生态繁荣，同时确保安全与合作，推动AI发展。研究指出传统对齐关注安全，而积极对齐强调促进人类福祉，提出多项技术挑战与设计原则。
用户在面向消费者的人工智能生成技术中需要哪些安全和隐私透明度
机构 * Duke University（杜克大学） ； Duke Kunshan University（杜克昆山大学） ； Google（谷歌）
AI总结 研究探讨用户在使用面向消费者的人工智能生成技术时对安全和隐私信息的需求，发现现有信息不足以驱动初始采用，用户更依赖流行度等粗略指标，后续使用中不确定性影响用户行为，提出需可信信息和易用界面的透明度设计。
Comments To Appear at the Twenty-Second Symposium on Usable Privacy and Security (SOUPS) 2026
AI协同数据科学家：从可穿戴传感器数据中优先筛选候选生物标志物
机构 * Google Research（谷歌研究） ； Massachusetts Institute of Technology（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Seoul National University Hospital（首尔国立大学医院） ； Yonsei University College of Medicine（延世大学医学院） ； University of Washington（华盛顿大学） ； Korea University Guro Hospital（韩国大学Guro医院） ； Mass General Brigham（麻省总医院） ； Brigham and Women’s Hospital（哈佛医学院布莱尔妇女医院） ； Google Cloud AI（谷歌云AI）
AI总结 提出CoDaS系统，集成多智能体假设生成、统计分析和对抗验证，从可穿戴数据中优先筛选心理健康和代谢终点相关候选生物标志物，经临床验证与专家判断一致。
空货架还是丢钥匙？回忆是参数化事实性的瓶颈
机构 * Google Research（Google研究） ； Technion – Israel Institute of Technology（以色列技术学院）
AI总结 提出行为框架区分LLM事实错误源于知识缺失或访问失败，通过WikiProfile基准测试发现前沿模型编码饱和但回忆是主要瓶颈，思考可恢复大量失败。
先退火再倾斜：通过退火和分类器引导实现生成模型的原则性遗忘
机构 * Google Research（谷歌研究）
AI总结 提出T3-Unlearning方法，通过退火使分布平滑，再用轻量分类器倾斜分布，实现生成模型中的原则性遗忘，理论保证有限样本下的遗忘效果。
DPO 解绑：你的训练算法在人类选择理论中实际上是解耦的（且其损失函数的凸性并非必需）
机构 * Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） ； Work done while at Google DeepMind（在谷歌深Mind的工作） ； CEE-M, Univ Montpellier, CNRS, INRAE, Institut Agro（CEE-M，蒙彼利埃大学，CNRS，INRAE，农业研究所）
AI总结 本文揭示了DPO与人类选择理论的深层联系，证明其损失函数凸性并非必需，并扩展了非凸损失、任意人类选择模型嵌入等新特性。
Comments ICML 2026
360Anything: 图像和视频的无几何约束360°生成
机构 * Google DeepMind（谷歌DeepMind） ； Simon Fraser University（西蒙弗雷泽大学） ； University of Toronto（多伦多大学）
AI总结 提出无几何约束框架360Anything，基于预训练扩散Transformer，以数据驱动方式学习透视到等距柱状投影映射，无需相机元数据，实现图像和视频到360°全景的高质量生成，并引入循环潜在编码消除拼接伪影。
Comments ECCV 2026. Project page: https://360anything.github.io/
注意差距...还是不注意？翻译错误和评估细节如何扭曲多语言结果
机构 * Google（谷歌）
AI总结 本文以数学领域为例，研究LLM在多语言上的性能差距，发现数据翻译错误和答案提取不一致导致虚假差距，提出半自动质量保证方法和建议，修正后差距基本消失。
S^2VG：基于去噪帧矩阵的3D立体与空间视频生成
机构 * Department of Electrical and Electronic Engineering at The University of Hong Kong（香港大学电子与电气工程系） ； Google（谷歌）
AI总结 提出一种无需姿态和训练的方法，利用现成单目视频生成模型，通过深度图扭曲和帧矩阵修复框架，生成时空一致的3D立体与空间视频。
Comments immersive video generation, 4D scene, spatial video, stereo video
从马尔可夫到拉普拉斯：Mamba如何通过上下文学习马尔可夫链
机构 * EPFL（苏黎世联邦理工学院） ； UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Télécom Paris（巴黎电信学院）
AI总结 本文研究Mamba在马尔可夫链上的上下文学习能力，发现单层Mamba能高效学习最优的拉普拉斯平滑估计器，并理论上揭示了卷积在其中的关键作用。
Comments Oral presentation at ICLR 2026
ARVO：开源软件可复现漏洞图谱
机构 * National Vulnerability Database（国家漏洞数据库） ； Google（谷歌） ； OSS-Fuzz
AI总结 提出一种大规模构建可复现漏洞数据集的方法，基于OSS-Fuzz构建ARVO数据集，包含超过6100个真实漏洞，实现81%的复现率和89.4%的补丁定位准确率。
Comments Accepted at IEEE European Symposium on Security and Privacy (EuroS&P) 2026
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