大厂专区
记住决策，而非描述：一种面向代理记忆的速率-失真框架
机构 * Fudan University（复旦大学） ； The Chinese University of Hong Kong（香港中文大学） ； Meta AI ； AI Research Institute, Squirrel Ai Learning（Squirrel Ai Learning人工智能研究院） ； Monash University（墨尔本大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院）
AI总结 本文提出一种以决策为核心的速率-失真框架，用于代理记忆管理，通过优化内存预算与决策质量的权衡，提出DeMem算法在合成数据和对话任务中提升了决策性能。
DANCE：检测和分类EEG中的事件
机构 * Meta AI ； Inria, Université Paris-Saclay, Palaiseau, France（Inria，巴黎萨克雷大学，Palaiseau，法国）
AI总结 本文提出DANCE模型，通过将神经解码视为集合预测问题，直接从原始未对齐信号中检测和分类事件，优于现有方法，在癫痫监测和BCI任务中取得新进展。
Comments 29 pages
ActivationReasoning: 在潜在激活空间中的逻辑推理
机构 * TU Darmstadt（图恩-达姆施塔特大学） ； Lab1141（Lab1141实验室） ； Aleph Alpha Research（Aleph Alpha研究） ； MPI-Inf, SIC（马克斯·普朗克研究所（MPI-Inf）） ； Meta FAIR ； Adobe Applied Research（Adobe应用研究） ； DFKI（DFKI研究所） ； CERTAIN, Germany（德国CERTAIN）
AI总结 本文提出ActivationReasoning框架，通过在LLM的潜在空间中嵌入显式逻辑推理，提升模型的推理能力、可控性和对齐性，验证了在多跳推理、抽象与鲁棒性、自然语言推理及安全任务中的有效性。
Comments Proceedings of the 14th International Conference on Learning Representations (ICLR 2026)
SLR：可扩展逻辑推理中的自动化合成
机构 * TU Darmstadt（图宾根大学） ； DFKI（德意志联邦防务学院） ； Meta FAIR ； CERTAIN, Germany（德国CERTAIN） ； Lab1141 ； MPI-Inf（马克斯·普朗克研究所）
AI总结 SLR通过可扩展逻辑推理系统自动化生成指令提示、验证程序和潜在真实规则，创建SLR-Bench基准测试，展示LLM在逻辑推理中的表现及课程学习提升效果。
微缺陷暴露宏观伪造：通过局部分布偏移检测AI生成图像
机构 * Rutgers University（罗格斯大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta AI ； Advanced Micro Devices（先进微器件公司）
AI总结 本文提出MDMF框架，通过放大微小统计异常为宏观分布偏移，利用局部分布偏移检测AI生成图像，实验表明其在多个基准上表现优异。
Comments 41 pages, 10 figures
STRIVE：结构化时空探索用于视频问答的强化学习
机构 * University of Bonn（波恩大学） ； Microsoft（微软） ； Meta ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所）
AI总结 STRIVE通过构建多时空变体和联合归一化提升视频问答的奖励信号，采用重要性感知采样机制增强策略更新稳定性，实验表明在多个大模型上提升了视频推理性能。
Uni-Hand：面向亲身体验视角的通用手部运动预测
机构 * IRMV Lab, Shanghai Jiao Tong University（上海交通大学IMV实验室） ； Meta Reality Labs（Meta现实实验室） ； Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系） ； China University of Mining and Technology（中国矿业大学） ； College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学与技术学院）
AI总结 本文提出Uni-Hand框架，通过多模态输入、多维多目标预测和多任务赋能，实现手部在2D和3D空间的精准预测，并引入目标指标预测手腕和指尖关节点，同时预测手-物体交互状态，提升下游任务性能。
Comments Accepted by T-PAMI 2026. Code and data: https://github.com/IRMVLab/UniHand
LILO：带有自然语言反馈的贝叶斯优化
机构 * Meta ； DAMTP, University of Cambridge（剑桥大学DAMTP）
AI总结 LILO通过将大语言模型转化为结构化偏好信号，提升贝叶斯优化在复杂主观偏好下的适应性与效率，实验证明其在反馈受限场景中表现优异。
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
基于令牌感知的相注意力的位置编码
机构 * Meta
AI总结 本文提出Token-Aware Phase Attention，通过可学习的相函数改进注意力机制，实现长距离token交互，支持更长上下文的持续预训练，并在长上下文场景下取得更低的困惑度和更强的检索性能。
Comments 28 pages
超越单极：在基准评估中揭示多代的价值
机构 * University of California Irvine（加州大学尔湾分校） ； Meta Central Applied Science（Meta中央应用科学）
AI总结 本文提出一种分层统计模型，通过整合基准特征和LLM随机性，提升基准评估准确性并减少方差，同时定义提示级难度分数并可视化提示难度与语义。
Comments 11 pages, 5 figures, accepted at the Findings of ACL 2026
RigidFormer：基于变换器学习刚体动力学
机构 * MIT（麻省理工学院） ； Meta
AI总结 RigidFormer通过对象中心的变换器模型，高效建模无网格表示的高保真刚体动力学，采用可控积分步长和锚点池化技术，实现对点云等无网格输入的高精度模拟。
Comments Project Page: https://people.csail.mit.edu/frankzydou/projects/RigidFormer/index.html
建立稳健的视网膜眼追踪：一种弱监督的算法框架
机构 * Meta Reality Labs（Meta现实实验室） ； University of California, San Diego（加州大学圣地亚哥分校） ； Independent Researcher（独立研究员）
AI总结 本文提出一种弱监督学习框架，用于提高视网膜眼追踪的鲁棒性，实验显示在6名受试者中，眼位误差低于0.45度。
Comments 2026 IEEE International Conference on Image Processing (Accepted for Publication)
NeuralBench：一个统一的神经AI模型评估框架
机构 * Brain \& AI team, Meta FAIR ； École Normale Supérieure, Université PSL, CNRS ； Hospital Foundation Adolphe de Rothschild ； MIND, Inria
AI总结 本文提出NeuralBench框架，用于评估神经活动AI模型，包含36个EEG任务和14种深度学习架构，揭示基础模型仅小幅优于任务专用模型，且许多任务仍极具挑战性。
Comments 31 pages, 9 figures
BONSAI：具有自然简单性和可解释性的贝叶斯优化
机构 * Meta
AI总结 BONSAI是一种具有默认配置意识的贝叶斯优化策略，通过修剪低影响的偏离并控制获取价值损失，实现更精确的参数优化，同时在多个实际应用中表现出更高效的候选生成性能。
Comments 32 pages
当机器人比人类更强大时：从受限演示中学习
机构 * Thomas Lord Department of Computer Science, University of Southern California（汤姆·劳德计算机科学系，南加州大学） ； Meta AI ； Department of Computer Science & Engineering, University of California San Diego（计算机科学与工程系，加州大学圣地亚哥分校）
AI总结 本文探讨机器人能否超越受限专家的演示学习，通过探索更高效轨迹和自定义奖励信号，提升学习效率和任务完成速度。
计算作为教师：将推理计算转化为无参考监督
机构 * University of Oxford（牛津大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Meta Superintelligence Labs（元宇宙超级智能实验室）
AI总结 本文提出计算作为教师框架，通过推理计算生成参考估计，实现无监督学习，尤其在非可验证领域如医疗指导中表现优异，测试时计算开销减少9倍。
Comments Published as a conference paper at ICML 2026. 23 pages, 6 figures, 12 tables
在统计悬崖边缘的计算机使用
机构 * Meta Superintelligence Labs（Meta超智能实验室）
AI总结 本文指出现有交互环境评估方法存在系统性缺陷，提出PRISM原则设计更真实的环境，并开发新的聚合框架以提升CUA评估的准确性。
量化关键：更多关键，更少值
机构 * Case Western Reserve University（凯斯西储大学） ； Rice University（Rice大学） ； Meta
AI总结 本文提出两项定理，基于Transformer模型的内在几何特性，指导混合精度KV量化。关键投影具有更大的谱范数和Frobenius范数，优先分配精度给关键能减少量化误差并保留准确性。
Journal ref The 64th Annual Meeting of the Association for Computational Linguistics (ACL), 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