高校专区
DIASENTINEL：一种可审计的多智能体系统，用于基于指南的糖尿病风险筛查
机构 * Far Eastern Memorial Hospital（远东纪念医院） ； University of Michigan（密歇根大学） ； Rutgers University（罗格斯大学） ； Stevens Institute of Technology（史蒂文斯理工学院）
AI总结 该研究提出DIASENTINEL多智能体系统，用于基于EHR和ADA指南的2型糖尿病风险筛查与报告，整合多种技术实现可靠可审计的临床决策支持，解决LLM临床应用的幻觉等问题。
针对不可验证生成的演员条件评论家的协同进化
机构 * University of Michigan（密歇根大学） ； LG AI Research（LG AI研究院） ； University of Illinois at Chicago（芝加哥大学伊利诺伊分校）
AI总结 针对不可验证生成的批评监督问题，引入TAIScore奖励和GRPO训练的演员定制评论家，构建评论家-演员协同进化循环，其性能优于现有方法，证明批评监督应随演员变化调整。
AtlasNLP：NLP中数据集表示的国家感知图集
机构 * University of Michigan（密歇根大学） ； Addis Ababa University（亚的斯亚贝巴大学） ； San Jose State University（圣何塞州立大学） ； Skyline High School（斯凯莱恩高中） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究推出AtlasNLP国家感知图集，含13000余条NLP数据集记录及两个子数据集，发现各国各任务数据集覆盖不均等问题，推动NLP评估补充地理元数据。
Comments Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing
大语言模型智能体能进行发现吗？在机器学习工程任务上评估创造力
机构 * University of Michigan（密歇根大学） ； Computer Science and Engineering（计算机科学与工程学院）
AI总结 本研究提出评估LLM智能体创造力的框架，以10个ML工程任务测试AIDE等智能体，发现其P-Creativity随探索转利用下降、H-Creativity高于人类但性能更低，明确其能探索新颖方案却难转化为性能提升。
Comments COLM 2026
MedCache：面向纵向临床智能体的高效且具备时间有效性的记忆机制
机构 * University of Michigan（密歇根大学）
AI总结 本文针对纵向临床智能体的记忆设计问题，提出MedCache混合框架，经实验验证其可提升临床推理准确率与记忆效率，且具备跨模型骨干及外部数据集的泛化能力。
持续机器遗忘中的可塑性崩溃
机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； Amazon（亚马逊公司） ； Northwestern University（西北大学） ； University of Michigan（密歇根大学）
AI总结 本研究发现持续机器遗忘场景存在可塑性崩溃的固有问题，通过理论分析和多组实验证实其普遍性，为开发保可塑性遗忘算法提供了依据。
智能体AI揭示跨组织保守蛋白质共丰度程序，这类程序是单数据集分析无法获取的
机构 * School of Information Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院） ； Department of Ecology and Evolutionary Biology, University of Michigan（密歇根大学生态与进化生物学系）
AI总结 该研究提出LLM智能体框架，分析41种人体组织与体液的820种成对组合，识别出大量跨组织保守蛋白质共丰度簇，为疾病机制与治疗探索提供资源。
Comments 16 pages, 6 figures
针对自动驾驶汽车的对抗性校准攻击
机构 * Texas Tech University（德克萨斯理工大学） ； University of Arizona（亚利桑那大学） ； University of Michigan（密歇根大学）
AI总结 该研究提出针对自动驾驶汽车相机-激光雷达在线校准的对抗性校准攻击（ACA），通过对抗性海报可诱导校准误差，引发感知等系统错误，在仿真和物理实验中均验证了其有效性。
Comments 19 pages, 8 figures
学习用于多目标对齐的Plackett-Luce模型混合
机构 * Northeastern University（东北大学） ； University of Michigan（密歇根大学）
AI总结 该研究针对异质偏好下多向排序的模型混合问题，提出MoPLEx算法，通过扩充排序并结合梯度估计与期望最大化，在偏好优化任务上显著优于基线方法。
Comments 19 pages; To appear in EMNLP 2026
TrAct：通过视觉轨迹连接机器人控制与视觉预测
机构 * University of Michigan（密歇根大学） ； Stanford University（斯坦福大学）
AI总结 TrAct是基于世界模型的机器人决策框架，以视觉轨迹为控制与预测的中间接口，在LIBERO-INTEGRAL基准和Franka任务上，相较基线π₀.5显著提升了操作成功率与视频预测质量。
Prefilling-dLLM: 扩散语言模型中长上下文推理的预测性预填充
机构 * The University of Hong Kong（香港大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； LMSYS Org（LMSYS组织）
AI总结 针对扩散语言模型在长上下文中因重复编码前缀导致计算量二次增长的问题，提出Prefilling-dLLM框架，通过分块缓存KV表示并基于稀疏性选择相关块，实现高效解码，在LongBench等基准上达到最先进加速效果。
Comments Accepted to the EMNLP 2026 Main Conference
在拜占庭故障下鲁棒的多智能体大语言模型
机构 * Department of Robotics, University of Michigan, Ann Arbor, USA（密歇根大学机器人系，安娜堡，美国） ； Thomas Lord Department of Computer Science, University of Southern California, USA（南加州大学计算机科学托马斯·劳德系，美国）
AI总结 本文提出Self-Anchored Consensus算法，通过去中心化迭代过滤和优化协议提升多智能体系统在拜占庭故障下的鲁棒性，实验表明其在数学和常识推理任务中表现优异。
Comments EMNLP 2026 Main Accepted
分解、观察与推理：用于视觉语言模型的强化潜在推理
机构 * Emory University（埃默里大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文提出DLR框架，通过动态分解查询、提取连续视觉潜在表示和基于 grounded rationales 推理，提升视觉语言模型在复杂视觉推理中的表现，实验表明其优于现有基线方法。
Comments Accepted to the EMNLP 2026 Main Conference
Ambig-IaC：交互式云基础设施即代码合成的多级消歧
机构 * University of Michigan（密歇根大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出Ambig-IaC框架，通过多级消歧方法提升IaC配置生成的准确性，针对IaC配置的不可逆性，设计了基于结构分歧的评估框架，在结构和属性评估上分别提升18.4%和25.4%。
Comments Project homepage: https://zyang37.github.io/ambig-iac.github.io/
DR-LoRA：动态秩LoRA用于混合专家模型的微调
机构 * City University of Hong Kong（香港城市大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Michigan（密歇根大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 DR-LoRA通过动态分配不同秩的LoRA模块，提升混合专家模型微调效果，实验表明其优于传统方法。
Comments Accepted to COLM 2026
PEPPER：基于感知的扰动用于文本到图像扩散模型的鲁棒后门防御
机构 * Texas A&M University（德克萨斯A&M大学） ； National Taiwan University（台湾国立大学） ； University of Michigan（密歇根大学）
AI总结 PEPPER通过重写提示生成语义上不同但视觉上相似的描述，干扰输入提示中的触发器，提高文本到图像扩散模型的鲁棒性，尤其有效对抗基于文本编码器的攻击。
Comments EMNLP 2026 Findings
延迟-响应理论模型：通过响应准确性和思维链长度评估大语言模型
机构 * Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Statistics, University of Michigan（密歇根大学统计系）
AI总结 针对大语言模型评估问题，提出延迟-响应理论（LaRT）模型，联合考虑响应准确性和思维链长度，通过引入关键参数建模，推导高效算法估计参数，经理论和模拟研究验证其优势，实际数据评估中表现优于项目反应理论（IRT）。
更好的世界模型可以导致更好的训练后性能
机构 * University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本研究通过比较不同世界建模策略，发现显式建模能提升Transformer的状态表示质量，从而增强强化学习后训练的效果。
面向大语言模型中3D grounding的错误驱动场景编辑
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Michigan（密歇根大学） ； Google Research（谷歌研究）
AI总结 针对3D大语言模型的空间grounding偏差问题，提出错误驱动框架DEER-3D，通过结构化循环生成针对性反事实训练示例，在多基准上实现4%-6%的性能增益。
Comments Accepted by ECCV 2026. Code: https://github.com/zhangyuejoslin/Deer-3D
机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
Comments 17 pages, 12 figures
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