高校专区
通过人机交互实现高效的测试时自适应
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； Handshake AI（汉德shake人工智能公司） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本研究提出TAHI方法，通过人机交互将跨会话信号整合到智能体中，针对30位用户的600项任务自适应后，单独任务成功率提升4.5-20.9%，还可跨用户提升最高8.8%成功率。
挑战性条件下基于视频的掌纹认证
机构 * Columbia University（哥伦比亚大学） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； Amazon.com Services LLC（亚马逊服务有限责任公司）
AI总结 该研究推出首个公开视频掌纹数据集CUP，提出融合时间共识与空间区域匹配的鲁棒认证方法，在脏污等挑战性条件下大幅降低EER，还发现温暖条件下与身体水分、性别相关的性能差距。
带有解析方差调度的生成式扩散替代模型
机构 * University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） ； Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所） ； University of Cambridge（剑桥大学） ； Gonville & Caius College（贡维尔与凯斯学院）
AI总结 本文提出一种带有解析方差调度的生成式扩散替代模型，将正向噪声化速率设为方差的时间导数，无需中间输运数据，即可校准仿真并实现基于似然的推断，在湍流等离子体输运中表现良好。
Comments Accepted for publication in Nature Communications
用于少步生成的多掩码扩散语言模型
机构 * ByteDance Seed（字节跳动种子） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究针对掩码扩散模型少步生成难的问题，提出多掩码扩散模型MultiMDM，通过特定前向过程使反向过程有起草能力，推导训练目标并制定蒸馏方案，经实验验证其为少步生成提供了有效基础。
Comments 38 pages; Accepted at COLM 2026
Stream-CQSA：通过灵活的工作负载调度避免注意力计算中的内存不足
机构 * Lewis-Sigler Institute of Integrative Genomics（刘易斯-西格勒整合基因组学研究所） ； Princeton University（普林斯顿大学）
AI总结 本文提出Stream-CQSA框架，通过分解注意力计算为可调度的子任务，实现内存适应性调度，使单GPU可处理十亿token序列的精确注意力计算。
推特上仇恨言论管控的执行与可行性
机构 * University of Oxford（牛津大学） ； University of Copenhagen（哥本哈根大学） ； World Bank（世界银行） ； Princeton University（普林斯顿大学）
AI总结 研究通过全球审计揭示推特仇恨言论管控的执行情况，发现仇恨言论在平台上持续存在，且去除率与非仇恨言论无显著差异，表明技术限制外还有制度因素影响管控效果。
CHIMERA：适应性缓存注入与语义锚点提示的零样本图像变形方法：基于变形导向的度量
机构 * Chung-Ang University（Chung-Ang 大学） ； Princeton University（普林斯顿大学）
AI总结 CHIMERA通过逆向引导去噪和互补特征重用，解决传统图像变形方法中特征重用不充分和文本条件不兼容的问题，提出语义锚点提示和变形导向度量，提升变形效果的平滑性和语义一致性。
Comments Revised version with corrected bibliography. Please visit our project page at https://cmlab-korea.github.io/CHIMERA/
VLMs有隧道视野：评估领先VLMs的非局部视觉推理能力
机构 * Princeton University（普林斯顿大学）
AI总结 本文评估了领先VLMs的非局部视觉推理能力，发现其在复杂视觉任务上表现不佳，缺乏人类核心视觉推理能力。
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)
训练中期的知识蒸馏更利于推理而非事实回忆
机构 * Meta AI ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学）
AI总结 该研究发现训练中期的前向KD会减缓事实回忆但提升推理，提出Switch Distillation方法，在保留高推理和知识性能的同时维持大部分事实回忆，优于现有蒸馏目标。
Comments 33 pages, 13 figures, 9 tables. Code is publicly available at https://github.com/facebookresearch/midtraining-distillation
多语言语言模型中语言控制的潜在机制
机构 * Princeton University（普林斯顿大学）
AI总结 本研究对比三种多语言潜在变量识别方法，引入两个多语言基准，在Gemma-2-2B和Qwen3-4B上验证FreqSel性能最优，发现语言控制潜在变量存在冗余性。
Comments 23 pages, accepted for presentation at EMNLP 2026 main track
良好记忆具备ECC：评估视觉-语言模型超越准确率的记忆能力
机构 * Princeton University（普林斯顿大学）
AI总结 研究人员推出ECCBench基准与评估协议，从效率、压缩性、校准性三方面评估视觉-语言模型的记忆能力，发现预训练VLM对文本记忆可压缩但视频不行，部分非Transformer架构的压缩-校准权衡优于RoPE Transformer。
AfriSUD：用于评估非洲语言模型的依存树库集合
机构 * Princeton University（普林斯顿大学） ； Laboratory for Artificial Intelligence, Princeton University（普林斯顿大学人工智能实验室） ； Gaston Berger University（加斯顿·伯杰大学） ； Mila, McGill University（麦吉尔大学米拉研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能教席） ； Paris Nanterre University（巴黎南泰尔大学） ； Paris-Saclay University（巴黎-萨克雷大学） ； CNRS（法国国家科学研究中心） ； Inria（法国国家信息与自动化研究所） ； LORIA（洛林计算机科学实验室） ； Université de Lorraine（洛林大学） ； University of Trento（特伦托大学） ； University of Minnesota–Twin Cities（明尼苏达大学双城分校） ； Imperial College London（伦敦帝国学院） ； Binghamton University（宾汉姆顿大学） ； Makerere University（马凯雷雷大学） ； Penn State University（宾夕法尼亚州立大学） ； Mbarara University of Science and Technology（姆巴拉拉科技大学） ； Chalmers University of Technology（查尔姆斯理工大学） ； University of Ibadan（伊巴丹大学） ； Nnamdi Azikiwe University（纳姆迪·阿齐基韦大学） ； South African Centre for Digital Language Resources（南非数字语言资源中心）
AI总结 为弥补非洲语言在NLP资源上的不足，构建了首个大规模九种非洲语言句法标注树库AfriSUD，评估多种模型发现显著句法差距。
DiscoverPhysics: 基准测试LLMs的即用型科学思维
机构 * Princeton University（普林斯顿大学） ； Boston University（波士顿大学） ； New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） ； Institute for Advanced Studies（高级研究研究所）
AI总结 提出DiscoverPhysics交互式基准，通过让LLM代理探索物理定律偏离现实的模拟世界，评估其设计实验、修正假设和发现物理规律的能力。
一次三步：对比强化学习中从动作序列学习表示
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Warsaw（华沙大学） ； Princeton University（普林斯顿大学） ； MPI IS Tubingen（图宾根马克斯·普朗克智能系统研究所） ； Warsaw University of Technology（华沙理工大学） ； IDEAS Research Institute（IDEAS研究所）
AI总结 该研究针对对比强化学习（CRL）将动作建模尺度从单步扩展至动作块，在18个与11个环境中分别实现31.7%、93.1%的性能提升，揭示动作块可改进CRL的评论者表示以提升算法效果。
TCS-BENCH：评估最先进生成式AI理论计算机科学研究能力的基准
机构 * Google Research（谷歌研究院） ； CNRS（法国国家科学研究中心） ； IRIF（法国信息学研究所） ； Université Paris-Cité（巴黎城市大学） ； Princeton University（普林斯顿大学） ； Université Paris-Saclay（巴黎萨克雷大学） ； CEA（法国原子能和替代能源委员会） ； California Institute of Technology（加州理工学院） ； Google DeepMind（谷歌DeepMind）
AI总结 研究人员推出TCS-Bench基准，基于STOC、FOCS、SODA论文的定理证明任务评估LLMs，结合验证智能体，参考验证器在专家标注集准确率超90%，为评估生成式AI的TCS研究能力提供工具
RoboTrustBench：机器人操作视频世界模型的可信度基准测试
机构 * Singapore Management University（新加坡国立管理学院） ； Fudan University（复旦大学） ； Princeton University（普林斯顿大学）
AI总结 针对视频世界模型在机器人操作中的可信度问题，提出RoboTrustBench基准，包含正常、约束敏感、反事实和对抗四种场景，通过专家验证的指令-图像对和六维评估协议，发现当前模型在约束推理、反事实基础、物理交互和不安全指令抑制方面存在不足。
Comments EMNLP 2026 Findings, Project: https://huiqiongli.github.io/RoboTrustBench/
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。
CritICL：基于小语言模型失败模式的推理时弱到强泛化
机构 * The Ohio State University（俄亥俄州立大学） ； Princeton University（普林斯顿大学）
AI总结 CritICL是一种新型推理时框架，利用小语言模型的结构化失败模式，通过两种变体提升推理性能，效率优于标准上下文学习和测试时缩放方法。
Comments https://github.com/umwyf/CRITICL
CLAP：跨具身视频世界模型是零样本物理模拟器
机构 * Princeton University（普林斯顿大学）
AI总结 CLAP是跨具身动作条件视频生成框架，可在人类与机器人的多样化视频上训练，能接近或超越单具身视频模型性能，开源代码与模型，为训练单具身视频世界模型提供新范式。
4DSynth：面向动态具身模拟的可控程序式世界合成
机构 * Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出可控程序式4D环境生成系统4DSynth，可将自然语言等输入转化为可编辑4D环境，并构建交互式导航基准4DSynth-Nav，为具身智能体开发评估提供实用基础。
用于冷冻电镜中复杂混合物从头重建的元算法
机构 * Princeton University（普林斯顿大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 该研究提出一种冷冻电镜重建的元算法，可对含数十种不同物种的数据集进行从头重建，在Tomotwin-100数据集上取得高准确率，为自动化冷冻电镜工作流程奠定基础。
Comments 26 pages, 16 figures
视觉通用智能：白皮书
机构 * National Institute of Advanced Industrial Science and Technology (AIST)（日本国立先进工业科学技术研究所（AIST）） ； Visual Geometry Group (VGG), University of Oxford（牛津大学视觉几何组（VGG）） ； CADDi（CADDi公司） ； OpenAI（OpenAI公司） ； University of Cambridge（剑桥大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Tsukuba（筑波大学） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Imperial College London（伦敦帝国学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学）
AI总结 本文以视觉为中心探讨通用人工智能（AGI）路径，提出视觉通用智能（VGI）概念，明确AGI时代计算机视觉的发展原则、模态、基准等关键方向。
面向长 horizon 智能体利用的递归经验-工作记忆演化
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学）
AI总结 针对长 horizon 智能体的递归自我改进难题，提出 Recuris 架构，通过递归记忆演化提升任务成功率，在多个基准和模型上实现显著性能提升，为 RSI 提供可扩展基础。
Comments Code: https://github.com/Gen-Verse/Recuris
Prime Agent：一种自改进的RLM管控框架
机构 * Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； Prime Intellect
AI总结 Prime Agent是一款开源RLM管控框架，通过标准化流程提升模型长周期能力，在ARC-AGI-3等任务中大幅提升性能，支持编码等工作流与并行化任务。
Comments 16 pages, 10 figures. Technical report. Code: https://github.com/PrimeIntellect-ai/prime-agent
结合贝叶斯-联结主义的混合模型实现更准确的行为预测
机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究提出带行为调优的贝叶斯蒸馏（BBT）混合模型，结合贝叶斯与神经网络模型优势，在人类概念学习案例中更准确预测人类行为并揭示心理学洞见。
通过隐变量增强型神经常微分方程学习含奇异性的降阶动力学
机构 * Lanzhou University of Technology（兰州理工大学） ； Hiroshima University（广岛大学） ； Nanjing University - Suzhou Campus（南京大学苏州校区） ； Princeton University（普林斯顿大学）
AI总结 针对工业降阶建模中的自相交轨迹问题，提出LA-NODEs框架，经理论分析与IPMSM、DES两类工业模型验证，可提升建模精度与保真度，为复杂工业系统高精度数据驱动建模提供有效方法。
基于零样本学习的建筑领域接触丰富型机器人操作：扩散策略引导的自适应控制
机构 * Princeton University（普林斯顿大学）
AI总结 本研究提出扩散策略与L1启发自适应控制器耦合的框架，实现建筑接触丰富型机器人装配的零样本仿真到真实迁移，在多类任务中取得高成功率，降低真实数据需求，推进多阶段装配自动化。
基于反例的排序
机构 * Princeton University（普林斯顿大学） ； Tel Aviv University（特拉维夫大学） ； Technion – Israel Institute of Technology（以色列理工学院） ； Google Research（谷歌研究院）
AI总结 研究未知线性顺序学习问题，反例可能不真实且k未知，确定最优查询复杂度，还研究低维几何表示的目标排序情况，给出上下界并指出无噪声项的差距。
用于耗散型时变偏微分方程的惯性流形神经算子
机构 * Princeton University（普林斯顿大学）
AI总结 该研究提出惯性流形神经算子（IMNO）及其平移等变变体IMNO-SE，利用耗散型时变PDE的低维结构提升长时预测性能，通过基准实验验证了其优势。
Comments 5 pages, 11 figures, 6 tables
深度神经网络的与宽度无关的可压缩性
机构 * Princeton University（普林斯顿大学） ； Peking University（北京大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究针对深度多层感知机证明了与原网络宽度无关的可压缩性定理，提出含导数匹配技术与逐层重加权的构造方法，得出压缩宽度量级公式，为神经网络压缩提供理论支撑。
Comments 11 pages main text, 28 pages total, 4 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