高校专区
预训练期间的知识获取？辅助视角让大语言模型学习得更好
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究通过受控实验证实，辅助视角（知识的重构形式）是大语言模型预训练成功的关键因素，可提升学习效果，解释了数据多样性的重要性。
Comments Accepted to Findings of EMNLP 2026
FlowBalance：基于验证器的在线策略推理经验自改进方法
机构 * Tencent HY LLM Frontier（腾讯HY大模型前沿（机构）） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 FlowBalance是基于验证器的在线策略推理经验自改进方法，通过校准轨迹级自指导分数实现结果校准的自指导，在数学推理任务中其性能、训练速度及稳定性均优于FlowRL，且策略多样性更高。
Comments 28 pages, 7 figures, 10 tables. Code and blog available
GenCAR：面向分布外推荐的带风险控制选择的生成式反事实对齐方法
机构 * Southern University of Science and Technology（南方科技大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究针对分布外推荐的风险问题，提出GenCAR方法，通过控制代理标签错误发现率，提升了不同基准下的分布外推荐候选恢复效果。
Comments 19 pages, 8 figures, 7 tables
Kirin：从野外视频生成动物动作
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 针对动物动作数据稀缺的问题，提出Kirin框架，构建首个四足动物视频-文本-动作对齐大规模数据集AiM3D，开发双条件动作生成模型，实现可渲染动画动物的自动生成。
Comments ECCV 2026
EvalDetectBench：用于衡量前沿语言模型评估感知能力的基准
机构 * LASR Labs（LASR实验室） ； University of Pennsylvania（宾夕法尼亚大学） ； UK AI Security Institute（英国人工智能安全研究院）
AI总结 本研究推出EvalDetectBench基准，用于衡量前沿语言模型的评估感知能力，纠正现有方法的系统偏差，为AI安全框架提供可靠的评估工具。
Comments 24 pages, 12 figures, 10 tables. Code: https://github.com/freeze-lasr/aware_bench Data: https://huggingface.co/datasets/el7982/aware-bench
机构 * Peking University（北京大学） ； University of Pennsylvania（宾夕法尼亚大学） ； AI for Science Institute, Beijing（北京科学智能研究院）
Comments 69 pages, 8 figures
使用本体约束的LLM代理自动化标准化遗留生物医学元数据
机构 * Division of Computational Medicine, Stanford University（斯坦福大学计算医学部） ； Department of Biology, University of Pennsylvania（宾夕法尼亚大学生物学系）
AI总结 提出基于LLM的元数据标准化系统，通过实时查询标准指南和本体服务，在839条HuBMAP记录上验证，相比纯LLM方法显著提升预测准确性。
Dr. Claw：用于氛围研究的AI科学家工作空间
机构 * Lehigh University（利哈伊大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学） ； University of Notre Dame（圣母大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 该研究提出开源AI科学家工作空间Dr. Claw，以人在回路编排层整合现有编码智能体，提升研究完整性并保留可审计过程轨迹，通过对比实验验证其优势。
Comments Accepted to EMNLP 2026 System Demonstrations. Code: https://github.com/OpenLAIR/dr-claw
用于脑卒中运动想象解码的EEG基础模型的轻量适配：域偏移与受试者级鲁棒性
机构 * University of Pennsylvania（宾夕法尼亚大学） ； School of Engineering and Applied Science（工程与应用科学学院）
AI总结 该研究利用LoRA轻量适配EEG基础模型，发现健康人群模型无法可靠迁移至脑卒中EEG，仅提升模型容量无益，需目标域适配与受试者级评估以构建脑卒中康复BCI
智能体强化学习中的技能重用作为压缩
机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学）
AI总结 提出ReuseRL方法，基于最小描述长度原则将成功轨迹压缩为可重用技能字典，并通过分割代价惩罚低效编码行为，在多个环境中提升分布内和分布外成功率。
Comments Accepted by EMNLP 2026 Main Conference
AtlasNLP：NLP中数据集表示的国家感知图集
机构 * University of Michigan（密歇根大学） ； Addis Ababa University（亚的斯亚贝巴大学） ； San Jose State University（圣何塞州立大学） ； Skyline High School（斯凯莱恩高中） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究推出AtlasNLP国家感知图集，含13000余条NLP数据集记录及两个子数据集，发现各国各任务数据集覆盖不均等问题，推动NLP评估补充地理元数据。
Comments Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing
RegDivergence-101：用于生命科学领域跨司法管辖区监管矛盾检测的大语言模型基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Pratt Institute（普拉特学院） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文发布RegDivergence-101基准，提出跨司法管辖区监管分歧检测任务，对比四类方法性能，发现未提及类的检测特性，为大规模检测指明架构方向。
稀疏Koopman自编码器识别多盆系统中的局部动力学 regime
机构 * Chandar Research Lab（钱达尔研究实验室） ； Mila – Quebec AI Institute（米拉-魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； NVIDIA（英伟达） ； Polytechnique Montréal（蒙特利尔理工学院）
AI总结 该研究提出稀疏Koopman自编码器（SKAEs），无需标签即可识别多盆系统的局部动力学 regime，其预测性能优于密隐KAEs，且隐支撑可有效识别吸引盆。
CORE-T: 面向文本到SQL的表格连贯检索
机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（普适知识处理实验室（UKP实验室），计算机科学系 TU Darmstadt 和应用网络安全国家研究中心 ATHENE，德国） ； Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出CORE-T框架，通过LLM生成元数据和预计算兼容性缓存，在无需训练的情况下从异构表集合中高效检索连贯可连接的表集合，提升表选择F1最多22.7点并减少40%的表数量。
Comments Accepted at EMNLP Main 2026. Camera-ready version with revisions following peer review. Code and data available at: https://github.com/UKPLab/emnlp2026-core-t
不同的人口统计线索导致对LLM个性化和偏见的结论不一致
机构 * World Bank（世界银行） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； LMU Munich（慕尼黑大学） ； Allen Institute for AI（人工智能研究院）
AI总结 研究通过1480万个提示测试了人口统计线索对LLM响应的影响，发现同一群体的不同线索导致响应变化不一致，偏见结论不稳定，揭示了身份线索与语言信号的关系。
Comments Accepted to EMNLP 2026 (Main Conference)
实时截止时间揭示了LLM战略对话中的时间意识失败
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究发现LLM在时间敏感任务中存在时间跟踪不足的问题，导致在实时截止条件下表现不佳，但能在回合制限制下表现良好。
Journal ref 2026 Conference on Empirical Methods in Natural Language Processing
关于Bures-Wasserstein流形上Fréchet回归的偏效应检验
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究针对响应位于Bures-Wasserstein流形的Fréchet回归提出偏效应检验，建立其渐近性质并验证有限样本性能，将其应用于分析年龄对单细胞数据基因共表达结构的影响。
混合AI-人类文本中水印比例的最优估计
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学）
AI总结 本文针对混合AI-人类文本的水印比例估计问题，基于核心统计量构建混合模型，提出高效估计量，证明其达到极小极大下界，在合成数据与开源模型生成的混合文本上均实现高估计精度。
恰当评分规则如何塑造大语言模型（LLM）的预测
机构 * Lightning Rod Labs（闪电杆实验室） ； INSEAD（欧洲工商管理学院） ； School of Arts & Sciences, University of Pennsylvania（宾夕法尼亚大学文理学院）
AI总结 本文研究了5种恰当评分规则作为训练目标对LLM预测的影响，发现不同规则训练的模型在校准、概率使用等方面有差异，Brier训练模型表现最优。
CARA：用于可解释碰撞预测的概念感知风险注意力
机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Pennsylvania（宾夕法尼亚大学） ； Renmin University of China（中国人民大学）
AI总结 研究自动驾驶碰撞预测问题，提出CARA框架，从事故叙述中获取风险概念并与视频帧对齐成轨迹，将语义风险因素作为动态证据，结合可解释性与预测过程，实验证明其能提高预测准确性和预警及时性。
Comments Accepted to ACM Multimedia 2026
在遮挡下利用生成先验和接触诱导约束进行物体重建
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学）
AI总结 本文提出了一种结合生成先验和接触诱导约束的方法，用于在遮挡下提高物体重建的准确性。
Comments IROS 2026. Project page: https://contactgen3d.github.io/
分布强化学习中分位数时间差分学习的有限样本分析
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）
AI总结 该研究针对表格型分布强化学习的QTD建立全局有限样本保证，通过分离两种稳定性机制推导波动阶，明确区分局部随机波动与全局样本复杂度。
独立大型语言模型（LLM）与预定义智能体管道用于解释ICU死亡率预测：基于eICU演示数据集的可行性研究
机构 * Santa Clara University（圣克拉拉大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Wake Forest University（维克森林大学） ； Northeastern University（东北大学）
AI总结 本研究基于eICU演示数据集对比独立LLM与四步智能体管道解释ICU死亡率预测，发现智能体管道在指南依据性等方面更优，但需搭配归因核查。
用于物理推理的解耦物理建模与执行
机构 * University of Pennsylvania（宾夕法尼亚大学） ； William & Mary（威廉玛丽学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊公司） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Northwestern University（西北大学）
AI总结 该研究提出解耦物理建模与执行的统一框架，通过两阶段后训练策略提升小型大语言模型物理推理性能，在多个基准上实现约3%的平均性能提升。
基于报告衍生放射学观察的可审计CT表型分析
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Technical University of Munich（慕尼黑工业大学） ； University Hospital Essen（埃森大学医院）
AI总结 本研究提出可审计CT表型分析（ACT）方法，在221项表型任务中验证其优于现有基线，可识别CT表型中与诊断相关的无效观察结果，为提高CT表型可审计性提供方案。
可复现的共形预测
机构 * Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） ； The Wharton School（沃顿商学院）
AI总结 该研究针对共形预测的不稳定性问题，提出通过共享随机种子并将校准阈值舍入到共享网格的方法，实现分类器可复现且保留覆盖保证，经多类实验验证符合理论且能阻止博弈。
Comments Preprint
单义性的回归：专用神经元提升多层感知机的数据效率
机构 * UC San Diego（加州大学圣地亚哥分校） ； University of Pennsylvania（宾夕法尼亚大学） ； The Wharton School（沃顿商学院） ； Halıcıoğlu Data Science Institute（哈利西奥格鲁数据科学学院）
AI总结 该研究指出现有特征学习理论仅聚焦全局低维预测几何的不足，发现MLPs在聚类数据回归中会产生单义性专用神经元，形成局部低维表示集合，从而获得数据效率优势。
双边最近邻：一种用于矩阵补全的自适应且极小极大最优方法
机构 * Cornell University（康奈尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Cornell Tech（康奈尔科技）
AI总结 本文针对矩阵补全问题，提出自适应且极小极大最优的双边最近邻算法，其均方误差可自适应非线性光滑度，在正则条件下达到神谕误差率，经模拟和HeartSteps数据验证有效。
Comments 40 pages, 14 figures
AdAdaGrad：自适应梯度方法的自适应批量大小方案
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Northwestern University（西北大学） ； University of Southern California Marshall School of Business（南加州大学马歇尔商学院）
AI总结 该研究针对自适应梯度优化器提出AdAdaGrad及AdAdaGradNorm两种自适应批量大小方案，理论证明其收敛性，经图像分类实验验证，可提升大规模模型训练的效率与泛化性。
直接式、并行式还是顺序式？无训练多主体图像到视频生成的对比研究
机构 * University of Memphis（孟菲斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Iowa（爱荷华大学）
AI总结 本文对比研究直接、并行、顺序三种无训练多主体图像到视频生成范式，通过实证评估明确各范式的优劣势，为可控多主体视频生成系统设计提供实用见解。
Comments ACM Multimedia Workshop 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