高校专区
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
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。
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
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
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