高校专区
通过人机交互实现高效的测试时自适应
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； Handshake AI（汉德shake人工智能公司） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本研究提出TAHI方法，通过人机交互将跨会话信号整合到智能体中，针对30位用户的600项任务自适应后，单独任务成功率提升4.5-20.9%，还可跨用户提升最高8.8%成功率。
弃权几何反映弃权训练：多样的弃权前缀可提升稳定秩并削弱弃权向量消融攻击
机构 * UC San Diego（加州大学圣迭戈分校）
AI总结 本研究以OLMo-2-0425-1B-Instruct为对象，揭示弃权几何与弃权训练的关联，发现多样弃权起始可提升梯度稳定秩，削弱弃权向量消融攻击，为提升AI模型弃权鲁棒性提供新视角。
超越编译：评估从自然语言到Lean的忠实语句形式化
机构 * University of California, Riverside（加州大学河滨分校） ； University of Arizona（亚利桑那大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出忠实语句形式化评估方法，结合Lean编译、跨模型语义判断和人类专家校准，发现编译通过但语义不忠实的29.0%差距，并分解形式化流程中的关键干预因素。
Comments Revised version: adds expanded human calibration, a same-sample comparison with LeanScorer, independent-judge and threshold-sensitivity analyses, and a BEq formal cross-check; reframes the main contribution around semantic-faithfulness evaluation. 5 figures
语法对齐解码
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出语法对齐解码（GAD）方法，通过适应性采样与近似期望未来（ASAp）算法，提升语法约束下生成输出的质量和概率匹配度。
Comments Accepted to NeurIPS 2024
基于一阶模型预测控制的高空气球驻留控制
机构 * Cornell University（康奈尔大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文针对高空气球驻留控制问题，开发了一阶模型预测控制（FOMPC），其无需离线训练，性能优于现有最优强化学习策略，实现半径内时间提升24%，在线规划在多种配置下均有效。
Comments Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2026
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。
LLMs无法玩井字游戏：关于语言代理所需私人工作记忆的必要性
机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； Polytechnique Montréal（蒙特利尔大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； LAMA-WeST Lab（LAMA-WeST实验室） ； Chandar Research Lab（Chandar研究实验室）
AI总结 本文提出私人状态交互任务（PSITs）并证明标准LLMs无法在交互任务中保持秘密和一致性，提出包含显式私人工作记忆的架构以恢复一致性。
Comments Accepted at the Conference on Lifelong Learning Agents (CoLLAs) 2026
大型语言模型（LLM）能否在真实世界与平行世界中发现科学定律？
机构 * University of California San Diego（加州大学圣地亚哥分校） ； University of California, Irvine（加州大学欧文分校） ； Cushing Academy（卡欣学院） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本研究推出科学定律发现基准SCILAWS-BENCH，通过真实与平行双设置评估LLM的科学定律发现能力，发现预测拟合与科学有效性背离、记忆影响公式复现及存在选择瓶颈等现象，为相关评估提供新视角。
Comments 42 pages, 16 figures. Project page: https://yiyihum.github.io/SciLaws-Bench/
叠加式潜在自编码器
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of California Riverside（加利福尼亚大学河滨分校） ； San Diego State University（圣迭戈州立大学）
AI总结 提出叠加式潜在自编码器（SLAE），通过学习叠加共享存储，在相同内存预算下改善重构-内存权衡，降低重构误差，还提升下游分类性能，为表示压缩提供新原则。
StreamScout：学习何时深入探究以实现流视频理解
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Rochester（罗切斯特大学） ； Northwestern University（西北大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； TikTok（字节跳动旗下TikTok）
AI总结 StreamScout是自适应流视频理解框架，通过分级视觉视图与优化的停止策略提升性能，在多基准测试中优于现有方法，降低推理成本与令牌消耗。
从检测到弃权：通过电路引导的权重缩放实现更安全的大语言模型（LLMs）
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； Halıcıoğlu Data Science Institute, University of California San Diego（加利福尼亚大学圣迭戈分校哈利乔格鲁数据科学学院）
AI总结 本文从机制可解释性视角刻画LLM的多阶段安全电路，通过电路引导的权重缩放提升6个LLM在对抗攻击下的安全率26.5%，仅造成1.7%的准确率下降，为LLM安全提供了电路级解释。
Comments Accepted to Findings of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)
GUI-CC：将GUI世界模型作为智能体环境对其上下文一致性进行基准测试
机构 * Yale University（耶鲁大学） ； Zhejiang University（浙江大学） ； China University of Geosciences（中国地质大学） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； Tongji University（同济大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 研究针对GUI世界模型作为智能体环境评估的不匹配问题，提出GUI-CC基准，含两个赛道及对应任务，评估四项指标，发现当前模型单步生成合理但多步上下文一致性不足。
Comments EMNLP 26 Findings
滚动汇：在有限时间训练和开放-ended测试之间架桥
机构 * UC San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院）
AI总结 本文提出Rolling Sink，通过分析AR缓存维护，实现无需训练的超长视频生成，提升视觉质量和时间一致性。
Comments Project page: https://rolling-sink.github.io/
LifeAgentBench: 一个多维基准和代理用于数字健康中的个人健康助手
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Google Research（谷歌研究）
AI总结 本文提出LifeAgentBench多维基准和代理，用于评估LLM在长周期、跨维度健康推理中的能力，并通过实验识别关键瓶颈，提出基线代理LifeAgent实现显著改进。
Comments Accepted to EMNLP26
用韵律预测句法结构
机构 * Georgetown University（乔治城大学） ； UC San Diego（加州大学圣迭戈分校） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 该研究从信息论视角提出通用框架，利用多模态语言模型量化韵律与句法的互信息，发现韵律可降低自然对话中10.2%的句法不确定性，为相关理论提供实证支持。
Comments 15 pages, 4 figures. EMNLP 2026 camera-ready
大语言模型（LLM）能否监测经济状况？对宏观经济指标的LLM实时预报的评估
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本研究推出抗污染基准LiveMacroEval，对比多类基准发现，具备网络搜索能力的LLM智能体对美国16项宏观经济指标的实时预报准确性与专业基准相当，展现出宏观经济实时估算潜力。
几何眼动追踪系统中的漂移校准
机构 * Institute for Neural Computation, University of California San Diego（加州大学圣地亚哥分校神经计算研究所）
AI总结 本文针对几何眼动追踪系统的残留校准误差，构建专用数据集评估校正函数，提出轻量级神经细化器，实验显示其可降低平均角度误差，为注视交互建模提供可复现基准。
Comments 11 pages, 6 figures, 3 tables
面向潜在语言模型技能的引导与优化：一项实证研究
机构 * New York University（纽约大学） ； Adobe Research（奥多比研究院） ； UC San Diego（加州大学圣迭戈分校）
AI总结 本研究通过实证探究发现大型语言模型（LLM）的过程技能可表征为激活空间中的向量方向，且可通过向量操作实现技能引导与优化，为LLM过程技能的潜在空间操控提供了表征级视角。
Agent2UCB：用于生成式引擎优化的智能系统
机构 * UC San Diego（加州大学圣地亚哥分校） ； Adobe Research（奥多比研究院）
AI总结 该研究提出智能GEO系统Agent2UCB，通过评估9种策略并结合多臂老虎机策略优化内容，在GEO-Bench实验中实现可见性提升且保留SEO质量，还提供SEO评估与演示功能。
ClearText-Video：连接视频修复与场景文本增强的大规模以文本为中心的视频数据集
机构 * OPPO US AI Center（OPPO美国人工智能中心） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 研究团队推出ClearText-Video数据集，评估发现视觉增强未必提升文本推理，仅OCR管道远逊于多模态推理，为相关系统提供基础。
Comments This paper is accepted by 2026 Proceedings of the European Conference on Computer Vision
不确定性量化的共形预测与Wasserstein分布鲁棒优化的统一视角
机构 * Contextual Robotics Institute, University of California San Diego（加州大学圣迭戈分校语境机器人研究所） ； University of Southern California（南加州大学） ； California Institute of Technology（加州理工学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 该研究建立了共形预测与Wasserstein分布鲁棒优化的统一概率视角，分析了两者校正经验分位数的不同方式、构造差异及尾部表现，指出DRO可避免CP的过冲问题。
超越并行盲性：块式生成中的信息下限与模型差距
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究针对块式生成的拒绝率，提出信息下限与模型差距的分离方法，在多领域目标上揭示了模型性能瓶颈，明确了短距离条件作用与生成质量的差异。
通过核多样性增强贝叶斯优化与主动学习
机构 * University of Georgia（佐治亚大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文提出KENDO框架，将集成高斯过程与分歧感知获取策略结合，实例化KENDO-BO和KENDO-AL，在单/多目标优化及主动学习任务上，兼具更优性能与更高计算效率。
EvoLen：基于进化的标记化方法用于DNA语言模型
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 EvoLen通过整合进化信息优化DNA标记化，优先保留功能序列模式，提升基因组上下文区分和进化约束对齐，优于标准BPE。
从推理到像素：统一多模态模型中对齐差距的基准测试
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； University of Southern California（南加利福尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过UReason基准测试，探讨统一多模态模型中模态对齐问题，发现去上下文生成在图像生成任务中表现更优，揭示了文本推理与生成图像之间存在对齐差距。
Comments Project page: https://ureason.github.io
HumanStudy-Bench: 向参与者模拟的AI代理设计迈进
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
AI总结 HUMANSTUDY-BENCH通过代理设计问题重建人类受试者实验，评估代理行为与人类行为的一致性，涵盖个体认知、战略互动和社会心理学领域。
CoFiRec: 生成推荐中的粗到细分词
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 CoFiRec通过粗到细分词提升生成推荐效果，有效捕捉用户意图演变。
Comments RecSys 2026
利用基础模型实现基于脑电图的阿尔茨海默病诊断
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； HippoScreen Neurotech Corp.（HippoScreen神经科技公司） ； Swartz Center for Computational Neuroscience（Swartz计算神经科学中心）
AI总结 本研究针对阿尔茨海默病诊断挑战，采用预训练于2500小时脑电图的大型脑模型LaBraM，结合随机森林分类器，仅用8秒脑电片段即达89.36%的ROC-AUC，优于传统方法，可提取临床相关生物标志物。
Comments 7 pages, 9 figures, 1 table. Accepted and presented at the 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026)
FlashVLA：用于快速异步VLA推理的流式动作解码
机构 * UC San Diego（加州大学圣迭戈分校） ； MIT（麻省理工学院）
AI总结 FlashVLA是一种流式动作解码框架，通过分块因果注意力维护动作缓冲，实现低延迟、平稳异步的VLA推理，在单GPU上达≥30Hz控制频率且任务性能优异。
Comments 17 pages, 8 figures
RECAP-Forcing：保留内容外观以实现长视频生成
机构 * UC San Diego（加州大学圣迭戈分校）
AI总结 针对长自回归视频生成的内存挑战，提出按外观新颖性组织内存的RECAP-Forcing方法，通过注意力汇和光流新颖性库统一机制，免训练且无额外参数，提升视频质量与语义保真度，优于现有内存方法。
Comments Project page: https://xxuhaiyang.github.io/RECAP-Forcing/
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