大厂专区
用于安全开放式探索的异构智能体群组及运行时约束记忆
机构 * Google DeepMind（谷歌DeepMind）
AI总结 研究针对语言模型智能体安全与探索困境，提出将关注点分离到专门角色，通过蒙特卡洛树搜索编译失败为‘伤疤’约束补丁，在空间语义沙盒实验中，该方法能到达远程目标、防止违规、减少令牌消耗，还能在资源约束下降低成本。
Comments 12 pages, 1 figure, 12 tables
HandFlow：基于流匹配的全生成式4D手部恢复
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Google（谷歌）
AI总结 针对单目4D手部重建难题，HandFlow提出全生成式流匹配框架，利用ODE积分、双流变压器和掩码机制，在世界空间精度、时间平滑性及重建速度上表现优异，性能达最优。
通过温度采样和方差校正时间偏移实现扩散多样化
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌）
AI总结 研究针对扩散模型难以达到罕见模式的问题，提出方差校正时间偏移方法，并结合温度采样，无需重新训练就能提升样本多样性，在多个模型中以低成本实现质量和保真度提升，还能实现从粗到细的控制。
Comments Webpage: https://peizhuoli.github.io/diversify-diffusion
Who&When Pro：大语言模型真的能归因人工智能代理中的失败吗？
机构 * OpenAI ； Anthropic ； Google DeepMind（谷歌DeepMind）
AI总结 研究聚焦于大语言模型能否归因人工智能代理中的失败，引入Who&When Pro基准，通过严格管道构建大量失败轨迹，经广泛实验分析，揭示模型归因故障模式，为自动故障归因系统提供实证指导。
配额市场：用于高效分配机器学习训练资源的动态定价
机构 * Google（谷歌） ； Drexel University（德雷塞尔大学）
AI总结 针对机器学习训练资源供需差距，提出基于市场的配额市场机制，通过允许用户表达工作负载价值及动态定价，实现帕累托效率和最大最小公平性，促进符合组织优先级的资源分配。
Comments OSDI 2026 Paper
迈向现实世界的可穿戴运动重建
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Saarbrücken Research Center for Visual Computing, Interaction and AI（萨尔布吕肯视觉计算、交互与人工智能研究中心） ； Google（谷歌）
AI总结 研究可穿戴设备运动捕捉问题，提出优先考虑轻便设备。贡献包括提供多模态数据集，提出WHIP模型，研究传感器互补性，以实现从任意传感器子集重建运动，处理缺失模态并生成合理运动。
Comments Accepted at ECCV 2026
博弈论均衡与无政府价格的悖论
机构 * Google Deepmind（谷歌DeepMind）
AI总结 研究博弈论均衡与无政府价格的悖论，指出将多智能体学习简化为静态均衡和黑箱后悔分析存在问题，通过分析内部纳什均衡、拥堵博弈等情况揭示相关不足，并研究非原子极限下的均衡变化，强调需重新评估基于动态的最坏情况均衡框架。
Meshtryoshka: 通过网格光栅化实现真实场景的可微分渲染
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 提出Meshtryoshka框架，利用嵌套网格壳表示和现成三角形光栅化器，通过符号距离函数间接更新顶点位置，实现大规模无界场景的高质量可微分渲染。
Comments Daniel Xu and David Charatan contributed equally; author order decided by coin flip. Project website: https://danielxu9393.github.io/meshtryoshka-website/
MemoBench: 动态变化环境中的世界建模基准测试
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Boston University（波士顿大学） ； Google（谷歌） ； JHU（约翰霍普金斯大学） ； CMU（卡内基梅隆大学） ； Kempner Institute（肯普纳研究所）
AI总结 提出MemoBench基准，通过目标消失-重现范式评估视频生成模型在动态环境中的记忆一致性，涵盖合成与真实场景，揭示现有模型的关键挑战。
Gefen: 优化随机优化器
机构 * Reichman University（赖希曼大学） ； Tel Aviv University（特拉维夫大学） ； Google Research（谷歌研究院）
AI总结 提出Gefen优化器，通过共享二阶矩估计和量化一阶矩，将AdamW内存占用减少约8倍，同时保持相同性能，支持更大批量和吞吐量。
Tool-MCoT：用于内容安全审核的工具增强多模态链式思维
机构 * Stanford University（斯坦福大学） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出Tool-MCoT，一种基于工具增强的多模态链式思维模型，用于提升内容安全审核的效率与准确性，通过训练小语言模型以有效利用外部工具进行推理和决策。
VGGRPO：迈向世界一致的视频生成的4D潜在奖励
机构 * Google（谷歌） ； University of Oxford（牛津大学） ； CREST-ENSAE, Institut Polytechnique de Paris（巴黎综合理工学院CREST-ENSAE） ； University of Copenhagen（哥本哈根大学）
AI总结 VGGRPO通过引入4D潜在几何模型和组相对策略优化，提升视频生成的几何一致性与稳定性，避免VAE解码的高计算开销。
Comments Accepted at ECCV 2026. Project Page: https://zhaochongan.github.io/projects/VGGRPO
CANDI：混合离散-连续扩散模型
机构 * Purdue University, West Lafayette, U.S.A（普渡大学） ； Google Deepmind（谷歌DeepMind）
AI总结 研究连续扩散应用于离散数据表现不佳的问题，提出CANDI混合框架解耦离散和连续破坏，实现同时学习，在受控生成和文本生成中分别展现优势，解锁连续扩散对离散空间的好处。
高斯不变马尔可夫链蒙特卡罗
机构 * Google DeepMind, UK（谷歌深Mind公司，英国） ； Athens University of Economics and Business, Greece（雅典经济与商业大学，希腊） ； UCL, UK（UCL大学，英国）
AI总结 研究开发高斯不变版本的随机游走Metropolis、Metropolis调整朗之万算法等采样方法，利用高斯不变性特性构建控制变量降低估计量方差，通过示例展示新方法并取得最优结果，还给出相关理论分析。
Comments 38 pages, 6 figures
Dress-Me-Up: 一个用于自监督3D服装重定向的数据集与方法
机构 * International Institute of Information Technology, Hyderabad（国际信息科技研究所，海得拉巴） ； Google Research（谷歌研究）
AI总结 Dress-Me-Up提出了一种自监督框架，用于非参数化3D服装重定向，通过引入Isomap嵌入和神经细化方法，实现了对任意形状和姿态人体的服装重定向，并首次在该数据集上展示了优越性能。
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