高校专区
WHOLE: 从第一人称视频中基于世界空间的手-物体提升
机构 * Stanford University（斯坦福大学） ； Amazon FAR (Frontier AI & Robotics)（亚马逊FAR（前沿人工智能与机器人技术））
AI总结 WHOLE通过联合生成先验推断手-物体交互，实现从第一人称视频中精准重建手和物体在世界空间中的运动。
Comments Project website: https://judyye.github.io/whole-www
SumTablets: 一则苏美尔泥板的转写数据集
机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 SumTablets数据集通过将苏美尔楔形文字泥板的Unicode表示与转写配对，为NLP方法应用于苏美尔转写提供了支持，展示了基于转换器的模型在快速验证转写方面的潜力。
Comments 11 pages with 3 figures
Journal ref Proceedings of the 1st Workshop on Machine Learning for Ancient Languages (ML4AL 2024), pages 192-202, Hybrid in Bangkok, Thailand and online. Association for Computational Linguistics
SWE-Protégé: 通过选择性协作专家解锁小型语言模型作为软件工程代理
机构 * Meta ； University of Michigan（密歇根大学） ； Stanford University（斯坦福大学）
AI总结 SWE-Protégé通过选择性协作专家，使小型语言模型在软件工程任务中取得显著提升，实现42.4%的Pass@1成绩。
基础模型是否是机器人领域全栈迁移的途径？
机构 * Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（机器人与机电研究所，德国航空航天中心（DLR）） ； Stanford AI Lab, Stanford University（斯坦福大学人工智能实验室）
AI总结 本文探讨基础模型在机器人全栈迁移中的作用，分析其对不同迁移层次的影响及面临的挑战。
Comments 12 pages, 4 figures
机器去学习并不如你所想：生成式AI政策与研究的启示
机构 * The GenLaw Center（GenLaw中心） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Center for Democracy & Technology（民主与科技中心） ； Princeton（普林斯顿） ； Google（谷歌） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； Cornell Tech（康奈尔科技） ； Cornell Law School（康奈尔法学院） ； Cornell University（康奈尔大学） ； Lighthouse ； Stanford Law School（斯坦福法学院） ； UC Berkeley（伯克利大学） ； Independent（独立研究者） ； Northeastern University（东北大学） ； Harvard Business School（哈佛商学院） ； W. Virginia University College of Law（维珍尼亚大学法学院）
AI总结 本文指出机器去学习并非通用解决方案，揭示其在生成式AI政策与研究中的局限性。
Comments NeurIPS 2025 (Oral)
UniHand：一种统一模型，用于多样可控的4D手部运动建模
机构 * Institute of Trustworthy Embodied AI (TEAI)（可信具身人工智能研究所） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学）
AI总结 UniHand通过统一的扩散框架，将手部运动估计与生成统一为条件运动合成，有效整合异构输入并提升鲁棒性。
HEART：一个评估人类和大语言模型在情感支持对话中能力的统一基准
机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 HEART通过多轮情感支持对话评估人类与大语言模型的能力差异，揭示两者在共情、一致性等维度上的表现及趋同趋势。
ATLAS：适应性迁移缩放定律用于多语言预训练、微调和解码的多语言诅咒
机构 * MIT（麻省理工学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Google Cloud AI（谷歌云人工智能） ； Google DeepMind（谷歌DeepMind）
AI总结 ATLAS提出了一种适应性迁移缩放定律，用于多语言预训练、微调和解码，解决了多语言学习中的性能瓶颈和计算优化问题。
Comments Published as a conference paper at ICLR 2026
MoMaGen: 为多步双臂移动操作生成演示数据以满足软约束和硬约束
机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊公司）
AI总结 MoMaGen通过解决双臂移动操作中的可达性和可见性问题，生成多样化数据集以提升模仿学习策略的训练效果。
Comments Project website: momagen.github.io. The first four authors contribute equally. Accpeted to International Conference on Learning Representations (ICLR 2026)
SPACeR：基于集中参考模型的自我对战锚定
机构 * Applied Intuition ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Stanford University（斯坦福大学）
AI总结 SPACeR通过集中参考模型指导自我对战，实现高效、可扩展的自动驾驶策略生成。
Comments Accepted at ICLR 2026. Project page: https://spacer-ai.github.io/
Slm-mux: 通过协调小型语言模型进行推理
机构 * Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 SLM-MUX通过协调多个小型语言模型提升推理准确性，实现比单个模型更高的性能。
具有激励的合成控制：通过激励探索实现准确的反事实估计
机构 * J.P. Morgan Chase AI Research（J.P. Morgan Chase人工智能研究） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种激励合成控制方法，通过激励探索实现准确的反事实估计，无需先验重叠假设，并扩展至合成干预场景。
Comments Accepted to TMLR
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