高校专区
一种计算可行的因果概率解释框架
机构 * Basis Research Institute（贝西斯研究所） ； Sorbus AI（索巴斯人工智能公司） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； HouseIQ（豪斯IQ公司）
AI总结 该研究针对现有因果解释工具的局限性，提出概率因果影响（PCI）框架，将可解释性转化为概率因果模型的估计问题，可高效计算且符合因果逻辑，经多类案例验证有效。
尾部的捷径：通过微调更新的后验谱压缩进行去偏
机构 * UCLA（加州大学洛杉矶分校） ； Northeastern University（东北大学）
AI总结 提出对微调权重更新进行SVD截断尾部，无需重训练或组标签即可减少虚假关联，在多个模型和基准上以<2%的准确率损失将差距降低最多5倍。
Comments ICML Weight Space Symmetries Workshop 2026
SolarWM：面向长时序视频世界模型的开放数据与可扩展训练
机构 * CUHK-SZ（香港中文大学（深圳）） ； SLAI（深圳先进人工智能研究院） ； NUS（新加坡国立大学） ； CUHK（香港中文大学） ； HKUST（香港科技大学） ； HKUST-GZ（香港科技大学（广州）） ； NVIDIA（英伟达公司） ； UCLA（加利福尼亚大学洛杉矶分校） ； MSRA（微软亚洲研究院）
AI总结 SolarWM是面向长时序视频世界模型的开放基础框架，通过多源数据引擎与适配框架实现异构数据训练，实例化多款5B至33B模型，仅用5秒序列训练即可支持长时序实时交互，为相关研究提供可复扩展的基础。
Codebook Agent：面向大语言模型多智能体系统的摊销式拓扑设计
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文针对LLM多智能体系统拓扑设计的现有建模缺陷，提出Codebook Agent方法，该方法通过向量量化自编码器与奖励加权MLP实现高效拓扑生成，在6个基准上准确率最优，推理速度快且令牌消耗少。
倾听低语：针对微调后TTS模型的黑盒成员推断攻击
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
AI总结 该研究针对微调TTS模型提出首个黑盒成员推断框架，通过优化查询生成与表示工程，在三类模型上实现高隐私泄露，揭示了TTS模型的严重隐私风险。
Comments 18 pages
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
视觉语言模型后训练中推理与感知的非对称优化研究
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 通过合成任务诊断发现，后训练中推理提升显著优于感知，SFT源于感知token少导致训练信号弱，RL源于奖励耦合，提出动态重加权损失和感知奖励可缓解不平衡并提升端到端性能。
Comments Project: https://asymmetric-vlm-post-training.github.io/
针对具有低固有维度的概念学习的平滑分析
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； UCLA（加州大学洛杉矶分校）
AI总结 本文提出平滑分析框架，实现低固有维度概念的学习，得到不可知学习k个半空间交集的首个多项式时间算法，规避传统学习的强困难性结果。
Comments 50 pages. This is the TheoretiCS journal version
Journal ref TheoretiCS, Volume 5 (2026), Article 13, 1-50
胸部CT中无文本的3D异常分割的实例引导报告锚定
机构 * Siemens Medical Solutions USA, Inc.（西门子美国医疗解决方案公司） ； The Ohio State University（俄亥俄州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Biomedical Imaging Research Institute, Cedars-Sinai Medical Center（西达赛奈医疗中心生物医学成像研究所） ； Yale University（耶鲁大学）
AI总结 该研究提出与模型无关的IGRA模块，通过训练时锚定异常实例与对应报告发现，推理时丢弃文本组件，将ReXGroundingCT的自由文本定位转为多标签体积分割，提升胸部CT无文本3D异常分割性能。
生成式翻译先验：基于跨模态图像翻译的贝叶斯成像
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Stanford University（斯坦福大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本研究提出生成式翻译先验（GTP）贝叶斯框架，将扩散式图像翻译模型转化为跨模态先验，推导两种离散化算法，在CT、PET重建任务中验证其可有效融入跨模态信息，欠采样下仍实现高保真重建。
Comments 51 pages, 12 figures. Code is available at https://github.com/Hopkins-CIG/GTP
SUN：用于语言接地控制学习到真实策略的持久程序
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； Amazon（亚马逊公司） ； Robotics and AI Institute（机器人与人工智能研究院）
AI总结 本文提出语义统一（SUN）程序及系统Kuafu，由大型视觉语言系统自动合成，在9项任务中实现82.03%宏观成功率，优于相关基准，可将控制摊销为鲁棒策略，实现符号规划与数据驱动执行的统一。
InfraOcc：具备静态-动态推理能力的基础设施占用基准测试集
机构 * Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Beijing Institute of Technology（北京理工大学） ； Yanshan University（燕山大学） ； Westlake University（西湖大学） ； University of Hong Kong（香港大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文构建了首个基础设施占用基准InfraOcc，提出ProSD-Occ方法实现静态-动态渐进推理，在多赛道排名第一，为固定视角路边占用提供了新的推理范式。
Comments 17 pages, 12 figures
面向认知过程感知的主动式写作支持
机构 * Sony Group Corporation（索尼集团公司） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本研究基于Flower与Hayes的写作认知过程理论，构建AToM CoWriter框架，经两项研究验证其可提升写作的表达力与创意探索，为主动式写作系统的支持选择提供新基础。
PaperBanana-Interact：基于多轮人类反馈的科学图表优化
机构 * Google（谷歌公司） ； Peking University（北京大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 该研究针对科学图表多轮优化的空白，构建了多轮图表生成基准MTPaperBananaBench，提出多智能体系统PaperBanana-Interact，解决基线系统的质量漂移与遗忘问题，显著提升图表优化效果。
流形外细化：用冻结世界模型引导视频生成器
机构 * Fulbright University Vietnam（富布赖特越南大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 该研究提出流形外细化（OMR）方法，用冻结的V-JEPA 2.1世界模型引导视频生成器，在低额外成本下提升了视频的物理一致性与语义 adherence指标。
Comments Accepted at BMVC 2026. Project page: https://itruonghai.github.io/omr
用于定位和解锁模型“沙袋行为”的因果模型
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Lida Safety ； ERA
AI总结 本文提出用于定位和解锁模型“沙袋行为”的因果模型，通过单层轴嫁接或上下文嫁接可恢复模型能力，为审计人员提供干预审计技术。
Comments under submission
参考嫁接在引出被搁置的能力方面可与微调相媲美
机构 * Lida Safety（Lida安全公司） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； ERA（ERA公司）
AI总结 针对模型被搁置的安全评估问题，提出参考嫁接方法，仅需少量配对示例即可引出模型隐藏能力，效果媲美微调，适用于不同规模模型及多种搁置场景。
Comments under submission
FetchMan：基于模拟经验学习人形机器人视觉 locomotion-manipulation（移动操作）策略
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学）
AI总结 该研究提出 FetchMan，通过端到端 sim-to-real 流水线训练人形机器人视觉移动操作策略，在 FetchMan-Bench 评估中，其单物体抓取策略在 Unitree G1 上零样本部署成功率达73.3%，并扩展至多物体训练。
Comments Project website: https://orayyan.com/fetchman
MLLM 能否像人类一样进行批评？评估多模态大语言模型中的开放式审美推理
机构 * UCSB（加州大学圣塔芭芭拉分校） ； University of Washington（华盛顿大学） ； UCLA（加州大学洛杉矶分校）
AI总结 本文评估多模态大语言模型在开放式审美批评中的表现，发现基于参考的相似度指标存在误导，模型在选择性、特异性和多样性方面与人类批评存在系统性差异。
CARE：通过科学实验中的可审计证据审查控制LLM生成的策略
机构 * University of Macau（澳门大学） ； University of Toronto（多伦多大学） ； UCLA（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； XtalPi（晶泰科技） ； McGill University（麦吉尔大学）
AI总结 提出CARE框架，通过可审计的干预门控机制，在保留非LLM优化器作为默认路径的同时，利用LLM修正挑战者排序策略，显著提升高通量实验优化性能。
Comments 27 pages, 5 figures. Code: https://github.com/SHITIANYU-hue/care
通过激进剪枝专家从LLM中提取小型翻译专家
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出一种从混合专家LLM中激进剪枝与翻译无关的专家，实现大幅压缩MoE块而不显著降低翻译质量的方法。
Comments EMNLP 2026, published at Main Conference
T-MAP: 通过轨迹感知的进化搜索实现红队攻击LLM代理
机构 * KAIST（韩国科学技术院） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出T-MAP方法，通过轨迹感知的进化搜索发现对抗性提示，有效突破安全防护并实现有害目标，实验显示其在攻击实现率上优于基线方法，适用于多步骤工具执行的LLM代理安全测试。
Comments EMNLP 2026
预测驱动的条件推断
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出一种预测驱动的条件推断方法，在标记数据稀缺的情况下利用机器学习预测器和未标记协变量，通过局部化与方差缩减技术提高统计效率，实现更精确的置信区间估计。
理解文本到图像强化学习中的奖励黑客行为
机构 * Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校）
AI总结 本文提出了一种轻量的伪影奖励模型，用于缓解文本到图像强化学习中的奖励黑客问题，通过提高图像真实性和减少低质量生成。
SPARK：基于过程的奖励机制用于无参考强化学习
机构 * Amazon AGI（亚马逊人工智能实验室） ； UCLA（大学）
AI总结 SPARK提出一种无参考强化学习框架，通过生成和验证模型提升过程奖励模型性能，在数学推理任务中取得优于真实参考的方法的成果。
RSPO：大语言模型的正则化自博弈对齐
机构 * University College London（伦敦大学学院） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本研究提出RSPO框架，统一现有方法并保证收敛性，在多个基准测试中提升了自博弈微调LLMs的性能，为正则化自博弈对齐提供了基础。
Comments Accepted at ICML 2026
KV缓存驱逐的概率解释
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文通过概率推理形式化KV驱逐问题，证明其计算难度，将其简化为可采样近似的期望估计，提出解码时校正方法，调整现有方法实现该校正，使结合该校正的KV驱逐在相同压缩预算下更鲁棒且性能有竞争力。
Meta-Ctrl：通过分离句法与语义约束实现带保证的规划生成
机构 * Michigan State University（密歇根州立大学） ； University of California Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 Meta-Ctrl是一种约束解码框架，通过引入元标记分离句法与语义约束，在保证规划满足约束的同时保留语言模型的规划质量，在WAH-NL数据集和真实桌面机器人上均取得优于GPT-4的效果。
大推理模型在不同脚本间转移参数知识时面临困难
机构 * Google Research（谷歌研究） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Melbourne（墨尔本大学）
AI总结 研究发现，大模型在跨语言知识转移中主要受脚本差异影响，通过分析数据和实验表明，提升模型对转写歧义的推理能力可改善跨脚本知识转移。
Comments Findings of EMNLP 2026
通过知识性经验学习对齐代理世界模型
机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 WorldMind通过知识性经验学习对齐代理世界模型，解决物理模拟中的幻觉问题，实现跨环境的高效迁移。
Comments EMNLP 2026 Findings
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