大厂专区
CollabEval：通过矩阵补全实现统计高效的协作模型评估
机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究）
AI总结 提出CollabEval方法，将模型评估视为矩阵补全问题，利用不同模型历史运行间的依赖关系，借助预测驱动推理构建分数矩阵低秩近似，以减少置信区间大小和点估计均方误差。
对抗性损坏图上的主动学习
机构 * Università degli Studi di Milano（米兰大学） ； Bocconi University（博科尼大学） ； Google Research（谷歌研究院）
AI总结 针对恶意实体篡改网络的场景定义模型，设计主动学习算法，通过少量标签查询高效找出损坏顶点子集，所设计算法依对手能力和图的顶点扩展多项式地确定查询复杂度。
Comments 37 pages, presented at COLT 2026
Journal ref Proceedings of Thirty Ninth Conference on Learning Theory, pages 859--895, July 2026
FM-ChangeNet：通过路径特征传输学习变化
机构 * Google Research（谷歌研究院）
AI总结 提出FM-ChangeNet框架，将双时态推理重构为特征空间连续传输，构建中间潜态并学习速度场，其不仅是传输机制，还表征变化，架构含跨时态对齐等，实验表明该框架能产生更优变化表征并达最优性能。
RoboVista：评估用于各种机器人应用的视觉语言模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 研究针对机器人多样应用，提出模块化评估框架Robot Question Answering及基准RoboVista，其源于真实机器人系统等，含多任务类型VQA实例，实验表明现有视觉语言模型有差距，且与现实任务执行相关。
Comments Accepted to RSS 2026. Project website: https://berkeleyautomation.github.io/robovista/
如何构建数字人？从先验知识到逼真的虚拟形象
机构 * Meta ； Technical University of Munich（慕尼黑技术大学） ； Google（谷歌） ； Tsinghua University（清华大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； NVIDIA ； Technical University of Darmstadt（达姆施塔特技术大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 概述可控3D人类虚拟形象创建，聚焦先验学习和形象创建阶段，定义现有虚拟形象表示并分类，回顾全身和头部虚拟形象等方法，概述原则、推荐文献并讨论挑战与方向。
Comments Eurographics 2026 State-of-the-Art Report (STAR). Project page: https://wojciechzielonka.com/how-to-build-digital-humans/
严谨性在人工智能中的作用
机构 * Google DeepMind（谷歌DeepMind）
AI总结 从严谨性角度系统分析人工智能，介绍概念、认知、操作严谨性的框架，用其剖析相关问题，指出人工智能独特发展轨迹源于严谨性交互，有助于解释其发展与不确定性及面临的挑战。
Comments To appear in D. Rickles and T. Thebault (eds.) Philosophy of Rigor (Routledge, 2026)
HyperVAttention：用于视频扩散的具有时空聚类的高效稀疏注意力
机构 * KAIST（韩国科学技术院） ； Google Research（谷歌研究院）
AI总结 针对视频扩散中自注意力机制的二次复杂度问题，提出HyperVAttention框架，通过3D局部窗口聚类等方法解决聚类开销大及CTA利用率低的瓶颈，提升视频扩散中无训练稀疏注意力的质量和速度。
Comments 21 pages, 8 figures
诊断与缓解智能体说服中的复合失败：基于分类策略检索
机构 * Google（谷歌）
AI总结 针对智能体在主观任务中因语义泄露导致的复合错误，提出分类策略RAG（TS-RAG），通过离散类别瓶颈解耦论证结构与主题内容，显著提升抽象逻辑迁移能力，并在非对称部署中增强轻量级说服者性能。
rePIRL: 通过逆强化学习学习PRM以提高LLM推理
机构 * Meta AI ； Department of Computer Science, University of California, Santa Barbara（加州大学圣芭芭拉分校计算机科学系） ； Google DeepMind（谷歌DeepMind） ； Independent Researcher（独立研究者）
AI总结 本文提出rePIRL框架，通过逆强化学习学习高效的PRM，无需依赖专家策略的强假设，解决了传统方法中熵崩溃等固有限制问题，通过双学习过程和定制技术提升LLM推理性能，并在数学和编程任务数据集上验证了其有效性。
从算术到逻辑：逻辑与基于查找的神经网络在参数位翻转下的韧性
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Federal University of Rio de Janeiro（里约热内卢联邦大学） ； Instituto de Telecomunicações, Porto, Portugal（葡萄牙波尔图电信研究所） ； Google LLC（谷歌公司）
AI总结 研究探讨了神经网络在硬件位翻转误差下的韧性，发现低精度、高稀疏性、受限激活和浅层深度等特性在理论模型下更优，逻辑和查找型网络实现了这些设计趋势的联合极限，实验验证了其在故障容忍中的稳定性。
ParEVO：为不规则数据合成代码：通过智能进化实现高性能并行
机构 * Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Google DeepMind（谷歌DeepMind）
AI总结 针对不规则数据并行计算难题，ParEVO框架通过构建数据集、微调模型及进化编码代理，合成高性能并行算法，在基准测试中加速显著，优于商业模型及专家基线。
深入思考，而非仅靠长度：通过深度思考令牌测量大语言模型推理工作量
机构 * University of Virginia（弗吉尼亚大学） ； Google（谷歌）
AI总结 研究通过识别深度思考令牌量化推理时间工作量，在多个基准和模型上验证深度思考比例与准确率正相关，据此引入Think@n策略提升推理效率并降低成本。
Comments Accepted to ICML 2026
学习空间物理的可解释性与泛化界
机构 * OpenAI ； Google（谷歌） ； Sandia National Laboratories（桑迪亚国家实验室）
AI总结 利用数值分析技术，严格量化了应用于线性微分方程的机器学习模型在参数发现或求解中的准确性、收敛率和泛化界，并基于格林函数表示引入科学模型的可解释性视角。
Comments To appear in ICML 2026. 18 pages, 13 figures
TokSuite：衡量分词器选择对语言模型行为的影响
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Google DeepMind（谷歌DeepMind） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； Hugging Face
AI总结 提出TokSuite，含模型集合与基准测试，通过不同分词器的预训练模型及多语言鲁棒性基准测试，解耦分词器影响，阐明多种流行分词器优缺点。
Comments ICML 2026. 46 pages, 13 figures
现代Transformer模块中上下文与参数更新的等价性
机构 * University of Cambridge, UK（英国剑桥大学） ； Google Research（谷歌研究）
AI总结 研究将基础理论扩展到现代大语言模型多样架构，先为Gemma风格模块给出解析解，后推广结果并引入框架，证明特定条件下MLP模块可实现完美隐式权重补丁，有助于理解模型转换提示为有效权重的方式。
kAgent：一种用于Linux内核的执行引导式崩溃修复代理
机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Google Inc.（谷歌公司） ； Google DeepMind（谷歌DeepMind）
AI总结 研究针对Linux内核崩溃修复难题，以内核开发者修复方式为灵感构建kAgent及支持工具栈，通过检查日志等步骤修复崩溃，消融特性定量分析，评估显示其能有效修复多种崩溃。
Comments Accepted to ICML, 2026; in the Deep Learning for Code Workshop. This paper was previously circulated as "CrashFixer"
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