高校专区
PropUQ-MAS：面向大语言模型多智能体系统的传播感知不确定性量化
机构 * Scale AI ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对现有不确定性量化方法无法捕捉大语言模型多智能体系统中不确定性传播的问题，提出PropUQ-MAS框架，实验显示其可显著提升该系统的不确定性量化性能。
Comments Accepted to EMNLP 2026 (Main Conference)
通过世界模型扩展自动研究智能体
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊公司）
AI总结 针对自动研究智能体扩展时的训练瓶颈，提出WMRL方法，结合两种缓解措施提升收敛性，训练加速3-4倍且性能优于更大规模智能体，还可迁移至多类任务。
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
PoseShield: 用于人体自碰撞解析的神经碰撞场
机构 * Purdue University（普渡大学） ； LightSpeed Studios（LightSpeed工作室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对SMPL人体姿态估计中的自碰撞问题，提出在姿态空间直接定义神经碰撞约束，通过Eikonal正则化优化求解，实现95.8%的碰撞修复成功率。
Comments ECCV 2026. Code: https://github.com/lzhyu/PoseShield
SciOrch: 学习编排专家大语言模型以解决前沿多模态科学推理任务
机构 * Imperial College London（伦敦帝国学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Oxford（牛津大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 提出SciOrch框架，训练轻量级8B模型编排多个前沿大语言模型，通过MCTS和GRPO优化，在科学推理任务上超越最强单模型和多智能体基线。
FSA-GRPO：训练听觉大语言模型使用少样本示例
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学）
AI总结 提出基于强化学习的后训练方法FSA-GRPO，通过专门设计的奖励机制鼓励模型利用少样本示例，增强其少样本适应能力，在儿童语音识别、语音翻译和音频理解等任务上取得提升。
有用的记忆在由LLMs持续更新时会变得错误
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； IIIS, Tsinghua University（清华大学人工智能研究院）
AI总结 研究发现，即使基于有用经验，LLM生成的记忆在持续更新后可能失效，建议将原始事件作为首要证据并明确控制记忆巩固过程。
MedConceal：一个用于在部分可观测性下进行临床隐藏关切推理的基准
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NYC Health + Hospitals/Jacobi（纽约市健康与医院管理局/雅可比医疗中心）
AI总结 MedConceal通过交互式患者模拟器评估医疗对话中的隐藏关切推理，包含300个案例和600个医生-LLM交互，研究确认和干预能力，发现前沿模型在确认指标上表现优异，而人类医生在干预成功率上表现最佳。
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
可变长度音频指纹识别
机构 * Dolby Laboratory（Dolby实验室） ； The University of New South Wales（新南威尔士大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出可变长度音频指纹识别方法，解决传统固定长度音频指纹的局限性，提升实时音频识别与检索性能。
Comments Accepted to ACM MM 2026
马尔可夫链中心极限定理收敛速度研究及其在TD学习中的应用
机构 * ECE and CSL, UIUC（电子工程系和计算机科学实验室，伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文通过Stein方法和Poisson方程，研究了马尔可夫链中心极限定理的收敛速度，并将其应用于TD学习的非渐近中心极限定理证明。
CoReflect：通过共进化模拟与反思性评分表细化进行对话评估
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 CoReflect通过共进化模拟与反思性评分表细化，实现对话系统的自适应评估，提升测试用例复杂性和评分表精度。
Comments Accepted to Findings of the ACL: EMNLP 2026
大语言模型对顺序敏感性如何？OrderProbe用于确定性结构重建
机构 * Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Marquette University（马凯特大学） ； Juniata College（朱尼阿特学院）
AI总结 研究通过OrderProbe基准评估大语言模型对输入顺序的敏感性，发现即使在前沿模型上，结构重建仍面临挑战，且语义能力与结构鲁棒性存在脱节。
Comments EMNLP 2026 Findings
AdaFuse: 用于大语言模型的自适应集成解码与测试时缩放
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 AdaFuse通过自适应集成解码与测试时缩放，提升大语言模型在多种任务上的生成性能。
Comments ACL 2026 Main
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