高校专区
通过不确定性感知的置信区间预测和世界模型强化学习实现安全的城市交通控制
机构 * Dept. of CST, BNRIST, Tsinghua University, Beijing, China（计算机科学与技术系，北京理工大学，北京，中国） ； Dept. of CST, Tsinghua University, Beijing, China（计算机科学与技术系，清华大学，北京，中国） ； Independent Researcher, Bihar, India（独立研究者，印度比哈尔）
AI总结 STREAM-RL通过不确定性感知的置信区间预测和世界模型强化学习，实现安全的城市交通控制，提升安全性和效率。
Skin Tokens: 一种学习得到的紧凑表示用于统一的自回归 rigging
机构 * BNRist, Department of Computer Science and Technology, Tsinghua University（BNRist，计算机科学与技术系，清华大学） ； Zhili College, Tsinghua University（知礼学院，清华大学）
AI总结 SkinTokens通过学习紧凑表示提升皮肤权重准确性，结合自回归框架和强化学习优化骨骼预测，实现更高效的rigging方法。
Comments 14 pages, 10 figures
DMFlow：通过流匹配生成无序材料
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学 Gallagher人工智能学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Institution of Physics, University of the Chinese Academy of Sciences（中国科学院物理研究所）
AI总结 DMFlow通过流匹配框架生成无序材料，引入统一表示和黎曼流模型，实现对有序、取代性和位置性无序晶体的联合生成，提升材料发现效率。
结果准确性不够：对奖励模型推理过程的对齐
机构 * Alibaba Group（阿里巴巴集团） ； Fudan University（复旦大学） ； Tsinghua University（清华大学）
AI总结 本文提出推理一致性度量，结合结果准确性改进生成奖励模型训练，提升RLHF性能并减少欺骗性对齐问题。
基于大语言模型的协同内容缓存用于车辆雾缓存辅助车列网络
机构 * School of Internet of Things Engineering, Jiangnan University（江南大学物联网工程学院） ； School of Information Engineering, Jiangxi Provincial Key Laboratory of Advanced Signal Processing and Intelligent Communications, Nanchang University（江西省级先进信号处理与智能通信重点实验室，南昌大学信息工程学院） ； Department of Electronic Engineering, State Key Laboratory of Space Network and Communications, and the Beijing National Research Center for Information Science and Technology, Tsinghua University（电子工程系，空间网络与通信国家重点实验室，信息科学与技术国家研究中心，清华大学） ； Department of Computer Science, Brunel University（计算机科学系，布鲁内尔大学） ； State Key Laboratory of ISN and the School of Telecommunications Engineering, Xidian University（信息与通信国家重点实验室，西安电子科技大学电信工程学院）
AI总结 本文提出利用大语言模型实现车辆雾缓存辅助车列网络中的协同内容缓存，通过智能决策提升缓存效率与内容检索性能。
Comments Corresponding author: Qiong Wu (qiongwu@jiangnan.edu.cn)
集群中心之旅：利用内部节点在存在网络干扰下的A/B测试
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Tencent Inc.（腾讯公司）
AI总结 本文提出了一种基于内部节点的A/B测试方法，通过直接平均内部节点来降低方差，并利用反事实预测器调整协变量分布偏移，以提高估计精度。
Comments ICLR 2026
先成长，再关怀？追踪LLM在日常困境中的价值偏好景观
机构 * University of Southern California（美国南加州大学） ； Tsinghua University（清华大学）
AI总结 研究揭示LLM在日常困境中更倾向优先考虑探索与成长的价值，而非关怀与连接，指出AI建议系统可能带来的价值同质化风险。
Comments dataset available at https://github.com/Renesmeeczy/Value-Trade-off-in-Reddit-Dilemmas
SynthVerse：一个大规模多样化合成数据集用于点跟踪
机构 * University of Liverpool（利物浦大学） ； Zhejiang University（浙江大学） ； Durham University（杜伦大学） ； Beihang University（北京航空航天大学） ； Duke Kunshan University（杜克昆山大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Xi’an Jiaotong University（西安交通大学） ； Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 SynthVerse通过提供大规模多样化合成数据集，提升点跟踪任务的泛化能力和评估效果。
具备自我进化的具身AI
机构 * Department of Computer Science and Technology, Beijing National Research Center for Information Science and Technology, Tsinghua University, Beijing（计算机科学与技术系，北京信息科学与技术国家研究中心，清华大学，北京）
AI总结 本文提出自我进化的具身AI，通过智能体的自我更新与适应能力，实现持续学习和动态环境交互，推动通用人工智能的发展。
教育中的LLM代理：进展与应用
机构 * Squirrel Ai Learning ； Fudan University（复旦大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文综述了LLM代理在教育中的应用进展，探讨了其技术实现、挑战及在不同教育领域的应用。
Comments Accepted by EMNLP 2025 Findings
显式不确定性建模用于主动CLIP适应与双提示微调
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Institute of Perceptual Intelligence, Peng Cheng Laboratory（感知智能研究院，鹏城实验室）
AI总结 本文提出基于双提示微调的显式不确定性建模框架，用于提升主动CLIP适应的分类可靠性与主动样本选择效果。
无需人工标注的预训练视觉-语言模型微调
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Institute of Perceptual Intelligence, Peng Cheng Laboratory（感知智能研究院，鹏城实验室） ； Peking University Shenzhen Graduate School, Peking University（北京大学深圳研究生院，北京大学）
AI总结 CoFT通过双模型跨模态协作机制和双提示学习策略，在无需人工标注的情况下提升预训练视觉-语言模型的下游任务适应能力。
缺失的一半：揭示训练时间隐含的安全风险
机构 * The Conversational AI (CoAI) group, DCST, Tsinghua University（清华大学智能对话研究院） ； National University of Singapore（新加坡国立大学） ； Pattern Recognition Center, WeChat AI, Tencent Inc, China（腾讯人工智能研究院）
AI总结 本文首次系统研究训练期间隐式安全风险，揭示模型内部激励和上下文信息驱动的有害行为，并通过实验展示其广泛存在和严重性。
Point2Insert: 通过稀疏点引导的视频物体插入
机构 * Institute of Artificial Intelligence, China Telecom (TeleAI)（人工智能研究院，中国电信（TeleAI）） ； Sun Yat-sen University（孙中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学）
AI总结 Point2Insert通过稀疏点引导实现视频中物体的灵活插入，优于现有方法并具备更高的效率。
病理基础模型的标记级表示在密集预测中有多大的提升作用？
机构 * Tsinghua University, Shenzhen, China（清华大学深圳研究院） ； Peking University, Beijing, China（北京大学）
AI总结 本文提出PFM-DenseBench，通过评估17个病理基础模型在18个数据集上的表现，揭示不同模型和调优策略在异构数据集上的性能差异及适用性。
HybridQuestion: 人机协作识别高影响力研究问题
机构 * Department of Electronic Engineering, BNRist, Tsinghua University（电子工程系、北京理工大学、清华大学）
AI总结 HybridQuestion通过人机协作识别高影响力研究问题，利用AI处理数据与人类判断结合，验证了在科学突破和未来问题预测中的有效性。
Comments 16 pages, 6 figures, 4 tables
StainNet: 通过免疫组化和特殊染色在计算病理学中扩展自监督基础模型
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院） ； Biomedical Engineering Programme, City University of Hong Kong (Dongguan)（香港城市大学（东莞）生物医学工程项目） ； Department of Pathology, Affiliated Hospital of Nantong University（南通大学附属医院病理科） ； Nantong University（南通大学）
AI总结 StainNet通过自监督学习方法，针对IHC和特殊染色图像训练基础模型，提升计算病理学在非H&E图像中的应用能力。
Comments 26 pages, 7 figures, 10 tables
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