高校专区
尾似然强化学习
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Impossible, Inc.（Impossible公司） ； Together AI ； Aurora Innovation
AI总结 针对强化学习优化平均奖励的局限，提出TailRL方法，通过最大化超过随机奖励阈值的对数概率，利用稀有高奖励样本提升模型性能。
评估使用计算机的智能体的危害性
机构 * Arizona State University（亚利桑那州立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究推出CUAHarm基准评估使用计算机的智能体的滥用风险，发现前沿大模型作为该类智能体时滥用风险高，监控其操作难度大，分层摘要策略可小幅提升监控效果。
Comments 17 pages, 9 figures. Code: https://github.com/db-ol/CUAHarm Dataset: https://huggingface.co/datasets/CUAHarm/CUAHarm
面向Web智能体的判别式世界模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； Cal Poly San Luis Obispo（加州理工州立大学圣路易斯奥比斯波分校） ； Xero（赛罗公司）
AI总结 针对Web智能体世界模型训练与下游排序模型错位的问题，提出预测状态匹配训练目标，经多基准测试验证可提升动作排序及端到端任务成功率。
在流匹配中平衡频率与像素
机构 * École Polytechnique（巴黎综合理工学院） ； CNRS（法国国家科学研究中心） ； IP Paris（巴黎理工学院） ； AMIAD ； École Nationale des Ponts et Chaussées（巴黎路桥学院） ； UGE（巴黎第八大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本研究针对像素空间流模型训练的频谱失衡问题，提出Focal Log-Frequency Loss（f-loss），结合频率与像素监督的训练策略，可将流匹配收敛速度提升最高40%，同时改善FID和感知保真度。
基于可停止性值学习的人形机器人安全停止
机构 * UC Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 该研究针对人形机器人紧急停止问题，提出Safe-Stop框架，结合学习的停止策略与互补的可停止性估计器，实现无需重训练的跨任务迁移，在鲁棒性与反应性间取得平衡。
什么值得表征？面向持续模型构建的表征赋能
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tübingen（蒂宾根大学） ； TU Darmstadt（达姆施塔特工业大学）
AI总结 该研究提出表征赋能（RepEmp）框架，用于智能体持续模型构建，通过分层管理者-行动者架构在三类实验中验证其能提升模型结构恢复、跨任务迁移及泛化能力。
探究多智能体医疗系统在临床推理中对人为干预的脆弱性
机构 * Stanford University（斯坦福大学） ； Jordan High School（乔丹高中） ； UC San Diego（加利福尼亚大学圣迭戈分校） ； Winchester High School（温彻斯特高中） ； James Logan High School（詹姆斯·洛根高中） ； Rutgers University（罗格斯大学） ； Foothill–De Anza College（福希尔-德安扎学院） ； Fordham University（福特汉姆大学） ； Chapman University（查普曼大学） ； UC Berkeley（加利福尼亚大学伯克利分校）
AI总结 该研究针对多智能体医疗系统，借助MedQA数据集分析人为干预对其临床推理的影响，发现正确干预可提升诊断准确率、错误干预会降低性能，还揭示了模拟智能体与现实临床的认知偏见相似性，为提升系统诊断鲁棒性提供思路。
MACAW：使用单目自适应紧凑注意力窗口实现可靠高效的外科清创术
机构 * University of California, Berkeley（加州大学伯克利分校） ； David Grant USAF Medical Center（大卫·格兰特美国空军医疗中心） ； Intuitive Surgical Inc.（直觉外科公司）
AI总结 该研究针对外科清创术的空间感知与绳索驱动不精确问题，开发了基于视觉伺服和MACAW深度控制的增强灵巧性系统，在单臂及双臂dVRK机器人实验中实现了高成功率与高吞吐量的清创效果。
Quantum MeanFlow：在NISQ硬件上的单次生成采样
机构 * Keio University（庆应义塾大学） ； Human Biology-Microbiome-Quantum Research Center (WPI-Bio2Q)（人类生物学-微生物组-量子研究中心（WPI-Bio2Q）） ； Keio University Sustainable Quantum Artificial Intelligence Center (KSQAIC)（庆应义塾大学可持续量子人工智能中心（KSQAIC）） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 该研究提出Quantum MeanFlow（QMF），一种支持单步量子生成采样的方法，在MNIST数据集上验证其性能优于单步量子流匹配（QFM），可减少量子电路评估次数。
Comments 17 pages, 6 figures
自动研究人员可可靠缓解对齐失败问题
机构 * Anthropic ； UC Berkeley（加州大学伯克利分校）
AI总结 该研究提出自动对齐研究人员（AARs）的训练方法，可在保留通用能力的同时缓解10种对齐失败，其效果优于人类研究人员，且无需人类指导，近期具备可行性。
评估评估者：用于大语言模型评估的拉施测量理论
机构 * D-Lab, University of California, Berkeley（加州大学伯克利分校D-Lab） ； Grenoble INP（格勒诺布尔国立综合理工学院）
AI总结 该研究将拉施测量理论应用于LLM评估，通过多维度拉施模型分析发现LLM与人类评估者存在系统性差异，提出RMT适用于各类LLM评估范式。
Comments Accepted to EMNLP 2026
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
用于可达-规避-保持问题的深度强化学习
机构 * North Carolina State University（北卡罗来纳州立大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Honda Research Institute（本田研究所）
AI总结 本文提出两步深度强化学习框架，联合学习最大鲁棒RAS集与对应控制策略，仿真显示该框架可精确计算RAS集且性能优于基线方法。
mzCache：多任务场景下的设备端大语言模型内存管理
机构 * Seoul National University（首尔大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 mzCache是面向多任务场景的设备端LLM内存管理系统，通过弹性回收、面向恢复的内存管理及混合策略，实现低延迟推理，首token生成时间较存储卸载方案缩短2.1-5.5倍。
Comments MobiCom 2026
记忆回溯：一个用于大规模背景条件调查模拟的开源平台
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 介绍开源平台记忆回溯，用于大规模背景条件调查模拟。它运用大语言模型，基于文集和他性框架，支持多模态调查。通过案例研究评估，其产生的意见分布更接近真实数据，为专有模拟服务提供替代。
Comments Accepted to EMNLP 2026 Demo. Platform site: https://simulate.group/
DigitalCoach：人类与智能体计算机使用辅导中的沟通与基础差距
机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑工业大学）
AI总结 提出DigitalCoach数据集，包含72次人机辅导会话，评估模型在计算机使用教学中的表现，发现模型在解释、错误诊断和视觉基础方面存在不足。
Comments Accepted to the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)
可极化的原子多极子用于学习长程静电学
机构 * Department of Chemistry, UC Berkeley, California 94720, United States（加州大学伯克利分校化学系） ； Bakar Institute of Digital Materials for the Planet, UC Berkeley, California 94720, United States（为地球的数字材料巴卡研究所，加州大学伯克利分校） ； Lawrence Livermore National Laboratory, Livermore, CA, USA（劳伦斯利弗莫尔国家实验室） ； Chemical Sciences Division, Lawrence Berkeley National Laboratory, Berkeley, California, 94720, United States（劳伦斯伯克利国家实验室化学科学部）
AI总结 本文提出一种半局部框架，利用可极化的原子多极子学习静电学，通过多极子层次和响应项提升势能面精度，尤其在长程效应关键系统中表现突出，恢复了物理意义的电响应。
ParaStudent：缩小用于AI助教评估的用户模拟器中的Sim2Real差距
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究提出ParaStudent微调框架，用于模拟新手编程修订以支持AI助教评估，其生成的代码更贴近真实学生代码分布，在反馈相关性和成功采纳的AUC达0.80，优于提示基线，为部署前反馈分类提供了有前景的模拟参与度方案。
Comments Accepted to the Main Conference of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)
跨架构、语料库与噪声条件的神经音频编解码器令牌的语言统计分析
机构 * The University of Tokyo（东京大学） ； Keio University（庆应义塾大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文分析13款不同架构的神经音频编解码器在多语料库、多噪声条件下的令牌统计特征，明确声学条件与量化器元类别的主导作用，为该类编解码器的语言统计分析提供架构相关规范。
Comments Submitted to IEEE Transactions on Audio, Speech, and Language Processing (TASLP)
CHASE：当排序成为唯一目标时，内容生态系统如何被重塑
机构 * University of California, Berkeley（加州大学伯克利分校） ； Zhejiang University（浙江大学）
AI总结 本研究提出CHASE模拟框架，发现针对固定LLM排序信号的重复优化会使内容质量与排序一致性下降，且生态系统动态具领域依赖性，揭示了GEO的群体层面效应。
Comments Accepted to the Conference on Language Modeling (COLM) 2026
Spec2Twin-Chain：利用大型语言模型编排双层优化以构建区块链数字孪生
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； Columbia University（哥伦比亚大学）
AI总结 Spec2Twin-Chain框架将区块链数字孪生构建转化为双层优化问题，利用LLM与仿真优化器迭代协作，经多类实验验证可构建准确孪生体并支持下游决策。
非对称相位编码视频水印
机构 * Phi Lab（斐实验室） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 提出一种非对称相位编码视频水印，无需训练，通过嵌入Ed25519签名实现无共享密钥的离线验证，在真实视频集上验证准确率达99.3%，抗H.264重编码和缩放攻击性能优异。
Comments 10 pages, 7 figures, 2 tables
V2TATC：用于空中交通管制员态势感知的联合语音-轨迹嵌入框架与数据集
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 V2TATC是联合语音-轨迹嵌入框架，结合多模态技术，在旧金山湾区空域验证有效性，发布配对数据集并开展多类实验，助力空中交通管制员态势感知。
Comments 41 pages, 21 figures, 9 tables
培育林分而非单棵树：联合冠层生成再现树冠羞避现象
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 该研究提出基于流匹配模型的联合冠层生成方法，成功再现树冠羞避现象，其间隙分布误差仅为单独生成树木的模型的一半，且与热带橡树林实地测量结果匹配
Comments 8 pages plus references, 8 figures
面向大规模 overhead hoist transport 系统的轨迹初始化神经双 Q 路由算法
机构 * The University of Hong Kong（香港大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 针对大规模 OHT 系统路由问题，提出轨迹初始化的神经双 Q 路由算法，在多组集群规模-到达率设置中显著降低平均完成时间，提升已完成任务数量并缩短尾部完成时间。
DuplexGen：人机交替对话的自适应合成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Seoul National University（首尔大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 DuplexGen框架通过将LLM预测与少量槽级人类偏好标注校准，生成场景自适应交替发言对话，契合人类偏好的效果优于未校准方法，证明人类校准对交替发言合成场景特定性的关键作用。
Comments EMNLP 2026; Project website: https://duplexgen.github.io
MagicSim: 可执行具身交互的统一基础设施
机构 * Northwestern University（西北大学） ； Peking University（北京大学） ； University of California, Berkeley（加州大学伯克利分校） ； ShanghaiTech University（上海科技大学）
AI总结 提出MagicSim，一个基于确定性批处理运行时和共享MDP的具身交互基础设施，通过YAML规范解耦内容、放置、行为和智能体暴露，统一世界构建、执行、评估和自动生成轨迹。
Comments v2:Expanded the supplementary materials by adding three sections-Scene YAML, Robot Embodiment List, and Atomic Skill List-corrected typographical errors, and corrected author-affiliation information that was inaccurate in the previous version
脉冲神经网络配置在网络入侵检测中的评估
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 通过消融实验评估9种神经元模型与3种脉冲编码方案的27种组合，发现延迟编码优于速率和增量编码，且LeakyParallel神经元结合延迟编码在四个基准数据集上平均准确率92.11%，宏F1 0.80，假阳性率2.01%，推理速度最快。
Comments This manuscript is under review for IEEE CogMI 2026. \c{opyright} 2026 IEEE. Personal use is permitted; all other uses require IEEE permission, including reprinting, republication, redistribution, resale, or reuse of copyrighted components
隐藏的思考并非秘密：大型语言模型中的推理痕迹暴露
机构 * National Yang Ming Chiao Tung University（国家阳明交通大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出推理暴露提示（REP）方法，通过影子模型生成的示范以辅助代码格式包装，从受害者模型中引出用户可见的推理痕迹，显著提高暴露痕迹与内部痕迹的相似性并保留有用推理信号。
Comments This version is accepted to EMNLP 2026
不确定性驱动量化大语言模型中的社会偏见变化
机构 * UC Berkeley（伯克利大学） ； Centre for Computational Medicine at The Hospital for Sick Children（儿童医院计算医学中心） ； UCSF（旧金山大学） ； Meta Superintelligence Labs（Meta超智能实验室）
AI总结 研究发现量化过程导致大语言模型中社会偏见的翻转，且不确定性与量化强度影响偏见变化，需进行后续评估以确保可靠性。
Comments Accepted to COLM 2026 (10 pages, 5 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