高校专区
通过合成数据学习提升多跳推理能力
机构 * Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 本研究通过规则生成的合成数据提升LLM多跳推理能力，发现合成数据能有效训练模型组成知识，从而在现实问答任务中表现更优。
Comments Accepted to ICLR 2026
对大语言模型中Overton多元主义的基准测试
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brown University（布朗大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 本文提出OVERTONBENCH框架，通过集合覆盖度量评估大语言模型中多元观点的代表性，揭示模型在多元主义对齐上的改进空间。
Comments Paper accepted to ICLR 2026
自适应频谱特征预测用于扩散采样加速
机构 * Stanford University（斯坦福大学） ； ByteDance（字节跳动）
AI总结 本文提出Spectrum方法，通过切比雪夫多项式近似实现全局长距离特征重用，提升扩散采样速度并保持高质量样本。
Comments CVPR 2026
药物知识图谱：我们是否需要化学结构用于药物再利用？
机构 * University of California, San Francisco（加州大学旧金山分校） ； Stanford University（斯坦福大学）
AI总结 本研究通过构建药物知识图谱，验证了无需显式化学结构即可准确预测药物药理行为，表明靶点信息和网络拓扑结构足够。
Comments 34 pages, 5 figures. Under review at Discover Artificial Intelligence
我难以相信它不稳健：在嵌入漂移下安全分类器的灾难性崩溃
机构 * Independent（独立研究者） ； Meta AI ； AWS Generative AI Innovation Center, Amazon Web Services（AWS生成式AI创新中心，亚马逊网络服务） ； Northeastern University, Seattle, WA, USA（东北大学，西雅图，华盛顿州，美国） ； Stanford University（斯坦福大学）
AI总结 研究发现嵌入漂移导致安全分类器性能大幅下降，揭示了生产AI安全架构的脆弱性并挑战了安全机制的转移假设。
Comments Accepted at the ICBINB: Where LLMs Need to Improve workshop at ICLR 2026. 12 pages and 3 Figures
RLP：将强化学习作为预训练目标
机构 * NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Stanford University（斯坦福大学）
AI总结 RLP通过将强化学习的探索精神引入预训练阶段，提升模型在数学和科学任务中的推理能力。
Comments ICLR 2026 camera ready
SimpleToM：揭示LLM中显式ToM推理与隐式ToM应用之间的差距
机构 * Allen Institute for AI（艾伦人工智能研究所） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学）
AI总结 SimpleToM通过多层级ToM推理和日常场景测试，揭示LLM在显式心理状态推理与隐式应用之间的能力差距。
Comments ICLR 2026
可解释的跨网络注意力用于静息态fMRI表征学习
机构 * Stanford University（斯坦福大学）
AI总结 BrainInterNet通过跨网络注意力机制，实现对静息态fMRI中脑网络交互的可解释性建模，揭示阿尔茨海默病中的网络变化并支持疾病分类。
TraderBench: AI代理在对抗性资本市场中的鲁棒性如何？
机构 * Amazon.com Inc.（亚马逊公司） ； Stony Brook University（石溪大学） ； Stanford University（斯坦福大学） ； University of Oklahoma（俄克拉荷马大学） ； UC Santa Cruz（加州大学圣克鲁兹分校）
AI总结 TraderBench通过结合静态任务与对抗性交易模拟，评估AI代理在动态市场中的鲁棒性，发现现有模型在加密交易中表现稳定但缺乏真实适应性。
Comments Equal Contribution: Xiaochuang Yuan and Hui Xu contributed equally to this work. All correspondence should be directed to yxc20098@gmail.com. Submitted to Agents in the Wild Workshop, ICLR2026
自主性与意识的内心模型影响对AI的反应
机构 * Sentience Institute（意识研究所） ； Missouri University of Science and Technology（密苏里科技大学） ； Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学Max Planck研究所） ； Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学）
AI总结 研究探讨自主性与意识的内心模型如何影响人类对AI的反应，发现意识比自主性更能引发道德考虑，而自主性则增加威胁感知。
Comments Published at CHI 2026
ThinkMorph：多模态交错链式推理中的涌现特性
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； absolute AI ； The Chinese University of Hong Kong（香港中文大学）
AI总结 ThinkMorph通过统一模型提升多模态推理性能，展现视觉操控与模式切换等新兴能力。
Comments project page: https://thinkmorph.github.io/
数字陪伴：AI陪伴与AI助手的重叠使用
机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Sentience Institute（意识研究所） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文探讨了AI陪伴与助手在社交和任务中的重叠使用，揭示了用户对人机关系的复杂态度及设计上的挑战。
Comments Final version with incorporated reviewer comments
Ctrl-World: 一个可控制的生成世界模型用于机器人操作
机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学）
AI总结 本文提出了一种可控的多视图世界模型，用于评估和改进通用机器人策略的指令遵循能力，通过姿态条件化记忆检索和帧级动作条件化实现长时一致性和精确动作控制，提升策略成功率44.7%。
Comments 17 pages
稀疏神经网络的恢复保证
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Department of Electrical Engineering（电气工程系） ； Stanford University（斯坦福大学）
AI总结 该研究为稀疏神经网络提供了恢复保证，通过迭代硬阈值算法以线性内存复杂度精确恢复稀疏权重，并在多个任务中表现出优于传统方法的性能。
Comments ICLR 2026
FMIP: 混合整数线性规划的联合连续-整数流
机构 * Shanghai University of Finance and Economics（上海财经大学） ； Princeton University（普林斯顿大学） ； National University of Singapore（国立新加坡大学） ； Antai College of Economics and Management（经济管理学院） ； Shanghai Institute for Mathematics and Interdisciplinary Sciences（上海数学与交叉科学研究院） ； Stanford University（斯坦福大学）
AI总结 FMIP提出了一种新的生成框架，通过联合建模整数和连续变量分布，提升混合整数线性规划求解效率。
Comments Accepted at the International Conference on Learning Representations (ICLR), 2025. A generative framework for MILP that jointly models integer and continuous variables, achieving 41% primal gap reduction with broad solver compatibility
数字与机器人双胞胎用于近距操作与编队飞行的验证
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种混合双胞胎框架，用于验证航天器GNC系统在近距操作和编队飞行中的性能。
Journal ref 2026 Rocky Mountain AAS GN&C Conference, Breckenridge, Colorado
当分治策略在长上下文LLM中何时有效？一种噪声分解框架
机构 * University of Chicago（芝加哥大学） ； Together AI ； Duke University（杜克大学） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种噪声分解框架，分析了长上下文LLM中分治策略的有效条件，揭示了任务噪声、模型噪声和聚合噪声的区分，并通过实验验证了多代理分块策略在处理长上下文任务中的有效性。
Comments ICLR 2026
行为生成代理在能源运营中的应用
机构 * Thayer School of Engineering, Dartmouth College（达特茅斯学院泰勒工程学院） ； Graduate School of Business, Stanford University（斯坦福大学商学院）
AI总结 本文提出利用生成代理模拟客户决策，揭示能源运营中消费者行为模式，提升能源管理系统设计和政策分析能力。
远离记忆化：用于文本到图像扩散的可达性约束强化学习
机构 * Stanford University, Stanford, CA, USA（斯坦福大学） ； Yonsei University, Seoul, Korea（延世大学）
AI总结 RADS通过约束强化学习方法，在保持生成质量的同时减少文本到图像扩散模型的记忆化问题。
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