高校专区
DexDrummer: 手持式、接触密集且长周期的灵巧机器人敲击
机构 * Stanford University（斯坦福大学） ； National Taiwan University（国立台湾大学）
AI总结 本文提出DexDrummer，通过模拟训练实现多手灵巧敲击，解决手持、接触密集和长周期操控难题，展示在模拟和现实中的优越性能。
Comments Website: https://dexdrummer.github.io/
CayleyPy-4：AI-全息图。迈向AI任务的全息弦对偶性类比
机构 * Centre for Mathematical Science, City St George’s, University of London（伦敦城市圣乔治大学数学科学中心） ； Neapolis University Pafos, Cyprus（塞浦路斯纳皮奥斯大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； International Institute of Physics（国际物理研究所） ； Independent Researcher（独立研究者） ； Research Center of the Artificial Intelligence Institute, Innopolis University（人工智能研究所研究中心，因诺波利斯大学） ； Stanford University（斯坦福大学） ； NRNU MEPhI (National Research Nuclear University)（国家核研究大学NRNU MEPhI） ； Three Gorges Mathematical Research Center, China Three Gorges University, Sobolev Institute of Mathematics, Novosibirsk State University（三峡数学研究中心，中国三峡大学，索比埃夫数学研究所，新西伯利亚国立大学） ； Sobolev Institute of Mathematics, The Mathematical Center in Akademgorodok（索比埃夫数学研究所，阿克梅尔戈德克数学中心） ； University of Hradec Králové（哈拉德克-克劳夫大学） ； IBS Center for Geometry（IBS几何中心） ； Kazakh-British Technical University（哈萨克-英国技术大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Higher School of Economics（俄罗斯高等经济学院） ； St. Petersburg State University（圣彼得堡国立大学） ； University of Virginia, Charlottesville（弗吉尼亚大学，夏洛特维尔） ； Queen Mary University of London（伦敦女王玛丽大学） ； Guangdong Technion-Israel Institute of Technology（广东技术学院-以色列理工学院） ； Institut Curie, CNRS UMR168, Paris, France（索比埃夫研究所，CNRS UMR168，法国巴黎） ； Institut Curie, CNRS UMR168 Imagine Institute, INSERM UMR 1163, Paris, France（索比埃夫研究所，CNRS UMR168，Imagine研究所，INSERM UMR 1163，法国巴黎）
AI总结 本文探讨了Cayley图中全息弦对偶性与AI任务的关系，提出通过离散弦描述图结构，并验证了其在AI计算中的应用潜力。
Comments 20+120 pages
MARCUS：一种用于心脏诊断和管理的代理式多模态视觉-语言模型
机构 * Division of Cardiology, Department of Medicine, Stanford University（斯坦福大学心脏病学系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Medicine, Radiology, and Pediatrics, UCSF（旧金山大学医学系、放射学与儿科学系） ； Bakar Institute, UCSF（Bakar研究所，旧金山大学） ； UCSF–UC Berkeley Joint Program in Computational Precision Health（旧金山大学-伯克利计算精准健康联合计划） ； Department of Radiology, Stanford University（斯坦福大学放射学系） ； Department of Psychiatry and Behavioral Sciences, Stanford University（斯坦福大学精神病学与行为科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biology, Stanford University（斯坦福大学生物学系）
AI总结 MARCUS通过多模态视觉-语言模型实现心电图、超声和心脏磁共振成像的端到端解读，其多代理架构在心脏诊断中表现出优于前沿模型的准确率和自由文本质量。
开放权重基因组语言模型的安全保障：通过对抗性微调评估鲁棒性
机构 * Center for Health Security（健康安全中心） ； Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院） ； Department of Chemistry（化学系） ； University of Oxford（牛津大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Department of Chemistry & Kavli Institute for Nanoscience Discovery（化学系及卡弗里纳米科学发现研究所）
AI总结 研究评估了开放权重基因组语言模型在对抗性微调下的鲁棒性，发现通过微调有害病毒序列可恢复模型的滥用相关能力，强调了需要安全框架以确保模型安全部署。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Biosecurity Safeguards for Generative AI
通过双向信息聚合进行知识融合
机构 * Southeast University（东南大学） ； Stanford University（斯坦福大学）
AI总结 本文提出KGA框架，通过动态整合外部知识图谱提升大语言模型的知识更新能力，采用上下文感知的注意力引导机制实现高效的知识融合。
COINBench: 超越个体视角到集体意图理解
机构 * Tongji University（同济大学） ； Stanford University（斯坦福大学） ； CurrentsAI Research（CurrentsAI研究院）
AI总结 COINBench通过动态实时更新的基准测试，评估大语言模型在消费者领域集体意图理解能力，揭示当前模型在复杂意图合成分析深度上的不足。
通过视觉提示的成果-奖励强化学习激励生成零样本学习
机构 * CCAI, Zhejiang University（浙江大学计算机辅助设计与计算机图形学国家重点实验室） ； Stanford University（斯坦福大学） ； State Key Laboratory of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与计算机图形学国家重点实验室）
AI总结 本文提出RLVC框架，通过强化学习和视觉提示提升生成零样本学习的性能，实验显示在三个基准上取得state-of-the-art结果，提升4.7%。
联合学习目标、约束和灵敏度以实现神经动力系统高效多目标优化
机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院） ； Grainer College of Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校工程学院） ； Department of Neurosurgery, Stanford University（斯坦福大学神经外科部） ； Carl R. Woese Institute for Genomic Biology, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校卡尔·R·沃塞基因组生物学研究所） ； Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； National Center for Supercomputing Applications, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校国家超级计算应用中心）
AI总结 本文提出DMOSOPT框架，通过联合学习目标、约束和灵敏度的代理模型，实现高效多目标优化，适用于高约束问题。
通过扩散生成离散分布：来自随机约束满足问题的见解
机构 * Granica Computing Inc.（Granica计算公司） ； Stanford University（斯坦福大学）
AI总结 本文研究了通过扩散生成随机k-SAT或k-XORSAT公式解的方法，发现连续扩散优于掩码离散扩散，学习扩散可达到理论理想精度，变量智能排序显著提升准确性。
Comments 39 pages; 15 figures
InfoTok: 通过信息论压缩实现自适应离散视频分块器
机构 * NVIDIA ； Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出InfoTok框架，通过信息论压缩实现视频分块的自适应优化，实验证明在不损失性能的情况下，压缩率提升2.3倍，节省20%的token。
M4-RAG：大规模多语言多文化多模态检索增强生成
机构 * Stanford University（斯坦福大学） ； MBZUAI ； Indian Institute of Science（印度科学研究院） ； Ontario Tech University（安大略技术大学） ； University of Toronto（多伦多大学） ； Capital One
AI总结 M4-RAG提出一个覆盖42种语言、56种方言和189个国家的多模态大规模基准，通过构建8万多个文化多样化的图像-问题对，评估跨语言和模态的检索增强视觉问答性能，揭示模型大小与检索效果的不匹配问题。
Comments Accepted to CVPR 2026
通过SFT方式实现RLHF：从最优解到奖励加权对齐
机构 * Shenzhen Research Institute of Big Data（深圳大数据研究院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Qwen LLM Application Team, Alibaba（阿里巴巴Qwen大模型应用团队） ； Stanford University（斯坦福大学）
AI总结 本文提出VAR方法，通过变分推断视角简化RLHF，将对齐目标转化为离线奖励驱动的加权监督微调形式，提升训练稳定性和效果，实验证明其在帮助性和无害性指标上优于DPO，且在计算效率和收敛速度上优于在线采样方法。
Comments Published in TMLR-2026
在不确定性中教学：释放知识蒸馏在目标检测中的潜力
机构 * Hunan University（湖南大学） ； Beijing University of Technology（北京理工大学） ； Stanford University（斯坦福大学） ； University of Technology Sydney（悉尼大学）
AI总结 本文提出一种考虑知识不确定性的特征蒸馏方法，通过蒙特卡洛滴答技术提升学生模型对潜在知识的探索能力，在多种检测策略和架构中验证了方法的有效性。
预期奖励预测，及其在模型路由中的应用
机构 * Stanford University Inception Labs（斯坦福大学Inception实验室） ； Stanford University Cognition Labs（斯坦福大学Cognition实验室） ； Google DeepMind（谷歌DeepMind） ； University of Chicago（芝加哥大学）
AI总结 本文研究了基于响应级奖励模型预测模型对特定提示的适应性，提出了一种简单有效的预期奖励预测路由方法，实验证明其在模型路由中的优越性。
Comments ICML 2025 Workshop on Models of Human Feedback for AI Alignment
针对神经反馈系统的验证策略FABRIC
机构 * Department of Aeronautics and Astronautics, Stanford University, Stanford, USA（航空航天系，斯坦福大学，斯坦福，美国） ； Department of Computer Science, Stanford University, Stanford, USA（计算机科学系，斯坦福大学，斯坦福，美国）
AI总结 本文提出FABRIC算法，结合前向和后向可达性分析，提升非线性神经反馈系统验证效率。
智能下放：探索小型多模态模型中感知与推理的瓶颈
机构 * Stanford University（斯坦福大学）
AI总结 本文研究小型多模态模型中感知与推理能力的瓶颈，通过分析LLM容量下降对多模态能力的影响，提出视觉提取调优方法，提升效率与性能。
Comments CVPR 2026, website at https://web.stanford.edu/~markendo/projects/downscaling_intelligence
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