高校专区
不要放弃BATON：通过智能体子任务探索和感知转换的记忆实现长程机器人操作
机构 * University of Southern California（南加州大学） ； University of Central Florida（中佛罗里达大学）
AI总结 该研究针对长程机器人操作的误差累积与子任务转换问题，提出BATON方法，通过子任务探索与感知转换记忆，在RoboMemArena基准上提升任务成功率11.6%、累计成功率14.9%。
HyperSkill：基于超图结构技能记忆的自进化大语言模型智能体
机构 * University of Southern California（南加州大学） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； Northwestern University（西北大学）
AI总结 本文提出HyperSkill超图记忆框架，解决LLM智能体记忆设计的存储、检索与进化问题，在多数据集上较10种基线取得显著性能提升。
Comments 25 pages
FMReward：基于人类偏好的音频驱动三维面部动画对齐与评估框架
机构 * Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所） ； USC-SJTU Institute of Cultural and Creative Industry, Shanghai Jiao Tong University（上海交通大学 USC-文化创意产业学院） ； Institut Universitaire de France (IUF)（法国大学研究院） ； University of Nantes（南特大学）
AI总结 本文构建首个音频驱动三维面部动画人类偏好数据集FMPair，提出FMReward奖励模型与FMFL微调算法，可更好对齐人类偏好，提升该类动画的感知质量。
Comments Accepted for publication in IEEE TVCG, 2026
面向城市系统轨迹生成的粗到细多分辨率扩散模型
机构 * University of Southern California（南加州大学） ； KDDI Research, Inc.（KDDI研究所）
AI总结 针对城市轨迹生成的隐私与多分辨率模式问题，提出MR-Traj多分辨率扩散框架，建模粗粒度里程碑与细粒度片段，在全局分布相当的同时提升细粒度性能并降低轨迹链接风险。
Comments 12 pages, 4 figures. Accepted to KDD 2026
ODTlearn：用于学习最优决策树以进行预测与处方的软件包
机构 * University of Southern California（美国南加州大学） ； Center for AI in Society（人工智能与社会中心）
AI总结 ODTlearn是基于混合整数优化框架的开源Python软件包，实现多种最优决策树学习功能，支持两类求解器，易维护扩展，适用于高风险预测与处方任务。
Comments 9 pages, 2 figures
揭秘智能体技能：为何它们有效——直至失效
机构 * Princeton University（普林斯顿大学） ； UC San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； University of Southern California（南加利福尼亚大学） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究探究 LLM 智能体技能的有效与失效原因，通过对比实验与轨迹分析揭示技能的作用机制，发现其主要靠程序锚定稳定动作，还指出检索瓶颈等问题，为智能体评估与优化提供指导。
OpenBelief-Nav：面向开放词汇语言引导导航的证据保留型对象记忆
机构 * VinMotion, Inc.（VinMotion公司） ； University of Southern California（南加利福尼亚大学）
AI总结 该研究针对开放词汇语言引导导航的对象记忆缺陷，提出OpenBelief-Nav模型，保留多源证据并支持灵活读出，在多数据集导航任务中优于基线方法，修正策略可提升目标确认成功率。
通过置信度动态实现大推理模型的早停
机构 * University of Maryland（马里兰大学） ； University of Southern California（南加州大学）
AI总结 本文研究推理过程中中间答案的置信度，提出CoDE-Stop方法利用置信度动态决定早停，无需额外训练，提升准确率与效率，减少25-50%的token使用。
视觉语言模型（VLMs）在失明或被误导时的表现如何？针对科学图表的VLMs行为评估
机构 * University of Aberdeen（阿伯丁大学） ； International Institute of Information Technology Hyderabad（海德拉巴国际信息技术学院） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Southern California（南加利福尼亚大学）
AI总结 本研究构建科学图表理解基准SciFigBench，提出A-R-I框架评估VLMs在视觉证据缺失或误导时的行为可靠性，发现高感知与推理准确性不代表行为可靠，不同模型表现存在显著差异。
Comments 25 pages including appendix. Project website: https://scifigbench.nlp4sci.com
HumanoidVLN：面向多种人形机器人形态的基于物理的视觉语言导航模拟器与基准
机构 * VinMotion, Inc.（VinMotion公司） ； University of Southern California（南加州大学）
AI总结 本研究针对人形机器人VLN的物理约束与形态差异问题，提出基于NVIDIA Isaac Sim的HumanoidVLN模拟器与基准，验证其与多种模型、机器人的兼容性，实验揭示了VLN模型、控制器与人形形态的交互关系。
基于减法映射的扰动型区域可解释性方法（PRISM）：语言模型与卒中后失语症中的命名错误分离现象
机构 * University of South Carolina（南卡罗来纳大学） ； ALLT.AI, LLC（ALLT.AI有限责任公司） ； USC School of Medicine（南卡罗来纳大学医学院）
AI总结 本研究开发PRISM方法，将神经成像减法分析适配至Transformer语言模型，对比模型与213名卒中后失语症患者的命名错误模式，验证了音素偏向性分离等结果，为模型功能专业化提供可证伪的空间分辨率测试工具。
Comments 49 pages, 6 figures, 1 table. Supplementary methods, 6 tables and 5 figures included
Cat-DPO：基于类别的安全对齐
机构 * University of Southern California（南加州大学） ； Northwestern University（西北大学）
AI总结 Cat-DPO通过将安全对齐转化为类别约束优化问题，为每个有害类别设置独立的适应性安全边际，提升整体帮助性和无害性，减少类别间的安全方差和最佳至最差差距。
Comments 23 pages, 6 figures
可审计代理
机构 * FORTIS Lab, University of Southern California（南加州大学FORTIS实验室）
AI总结 本文探讨了可审计代理系统的核心问题，提出五个可审计性维度和三种机制类别，通过实证证据证明代理系统需具备审计能力才能实现问责。
Comments 24 pages, 1 figure. Extended version. A condensed 4-page version appears in the Proceedings of the ACM AI Leadership Summit 2026 (Visionary Papers track)
MOSAIC：揭示大型语言模型的道德、社会和个体维度
机构 * University of Southern California（南加州大学） ； University of Calabria and ICAR-CNR（卡利亚里大学和ICAR-CNR） ； Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系）
AI总结 MOSAIC首次提出评估大型语言模型道德、社会和个体维度的综合基准测试，通过九个问卷和四个游戏全面考察伦理推理能力，揭示MFT的局限性。
REHEARSE：大语言模型中用于语言置信度校准的经验式排练
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校）
AI总结 针对大语言模型置信度与实际正确性不匹配的问题，提出无训练的Rehearse方法，通过置信度校准博弈的反馈生成校准信号，在多模型多基准实验中显著降低了预期校准误差并提升准确率。
GenFAR：基于49246例多队列MRI通过深度学习得到的脑结构通用表征
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Melbourne（墨尔本大学） ； University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院） ； CSIRO Health and Biosecurity（联邦科学与工业研究组织健康与生物安全部） ； CSIRO（联邦科学与工业研究组织） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of Washington（华盛顿大学） ； Wake Forest School of Medicine（维克森林医学院） ； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） ； Indiana University（印第安纳大学） ； University of Southern California（南加利福尼亚大学）
AI总结 GenFAR是基于49246例多队列MRI的模块化深度学习框架，通过17类任务训练得到通用脑表征，可提升二级预测器的样本效率与准确性
安全对齐的定位：MLP层与网络中间块编码大语言模型的拒绝行为
机构 * University of Southern California（南加州大学）
AI总结 本研究通过移植不同粒度的模型权重实验，发现大语言模型的安全拒绝行为主要编码在MLP层，且集中于网络中间块，其构成具有非加性，存在基准依赖的精度-覆盖权衡。
迈向自主人工智能代理的加密可验证授权：安全假设、初步形式化模型及概念验证实现
机构 * Universidad Tecnológica Atlántico-Mediterráneo (UTAMED)（西班牙阿塔兰蒂卡-地中海技术大学） ； Universidad de Santiago de Compostela (USC)（圣地亚哥-德孔波斯特拉大学）
AI总结 研究自主AI代理加密可验证授权问题，提出将其形式化为关系$R_{CVA}$的假设，引入CVA形式化抽象，定义安全属性，给出零知识概念验证，还识别出身份等绑定间结构分离问题并提出研究议程。
Comments 11 pages, 1 figure, 2 Tables. Keywords: autonomous AI agents, zero-knowledge proofs, verifiable authorization, agentic security, zk-SNARKs, access control, cryptographic authorization, cryptographic protocols
TimePre: 联合精度、效率与稳定性在概率时间序列预测中的应用
机构 * Tohoku University（东京大学） ； WPI ； Texas A&M University（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； UIUC（伊利诺伊大学香槟分校） ； Georgia Tech（佐治亚理工学院） ； MIT（麻省理工学院） ； University of Southern California（南加州大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 TimePre结合MLP模型的高效性与MCL方法的分布灵活性，通过SIN层解决精度、效率与稳定性之间的平衡问题，实现在概率时间序列预测中的高精度与高速度。
Comments 25 pages, 6 figures, 16 tables
表面上公平？对LLM推荐器的隐藏输出公平性差距进行基准测试
机构 * University of Georgia（佐治亚大学） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Michigan State University（密歇根州立大学）
AI总结 该研究提出首个联合评估LLM推荐器可观测输出与隐藏表示公平性的基准FairGap，发现二者存在根本张力，现有框架无法诊断。
ORBIT: 通过正交子空间旋转实现无训练的多属性行为引导
机构 * Information Sciences Institute, University of Southern California（南加州大学信息科学研究所） ； Department of Electrical and Computer Engineering, University of Southern California（南加州大学电气与计算机工程系）
AI总结 提出ORBIT方法，利用奇异值分解构建联合子空间并施加单一旋转，实现无训练的多属性行为引导，平衡多个属性并保持输出连贯性。
Comments v2: Updated technical details and added supplementary evaluations
端到端联合语音识别与说话人角色辨识的儿童-成人互动
机构 * Viterbi School of Engineering, University of Southern California, US（维特比工程学院，南加州大学） ； Weill Institute for Neurosciences, University of California, San Francisco, US（韦尔神经科学研究所，旧金山大学） ； David Geffen School of Medicine, University of California, Los Angeles, US（大卫·盖芬医学院，洛杉矶大学）
AI总结 本文提出了一种端到端联合建模框架，用于在大规模上生成可靠的儿童-成人互动转录，通过联合建模语音识别和说话人角色辨识，提高了转录的准确性和效率。
Comments Published in IEEE/ACM Transactions on Audio, Speech, and Language Processing (TASLP)
耗散型Twistcar的分析与实验：方向反转及渐近近似
机构 * Department of Mechanical Engineering, Technion - Israel Institute of Technology（机械工程系，技术学院-以色列理工学院） ； Department of Aerospace and Mechanical Engineering, University of Southern California（航空航天与机械工程系，南加州大学）
AI总结 本研究将耗散纳入Twistcar的双连杆模型，推导其小幅稳态周期动力学的渐近表达式，构建可调节质心的机器人原型验证方向反转现象，并通过参数拟合提升实验吻合度。
Comments The paper has been accepted for publication at Multibody Systems Dynamics (Springer Nature), August 2026
基于混合分析-机器学习预测器的大语言模型推理延迟与能耗的多级建模
机构 * University of Southern California（南加州大学）
AI总结 本研究提出混合三级框架HYMELL，结合分析建模与机器学习，在NVIDIA H100 GPU上对LLaMA 3 8B的预填充、解码阶段误差均低于5%，可实现LLM推理延迟与能耗的精准估计及能效优化。
SSTQ：基于子采样随机 TurboQuant 的隐私保护向量量化
机构 * University of Southern California（南加州大学） ； Google Research（谷歌研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究针对分布式优化中隐私保护与通信成本的矛盾，提出 SSTQ 框架，实现了更优的均方误差缩放，在联邦学习任务中展现出良好效用与通信效率。
Comments 42 pages, 4 figures, 2 tables
LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优
机构 * University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Beijing Normal University（北京师范大学） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。
愤怒但准确：检测和剖析推特上的反错误信息生态系统
机构 * University of Southern California（南加州大学） ； Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系）
AI总结 研究推特反错误信息生态系统，用特定领域NLI模型分类新冠推文，对比支持或反对错误信息的两类推文的用户和文本特征，发现反错误信息推文负面情绪更强且发布者多为更成熟用户。
Comments 7 pages, 6 figures. ACM Hypertext 2026
可信代理网络：在代理网络中，信任必须被内置，而非事后添加
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学）
AI总结 本文探讨了在代理网络中信任必须被内置而非事后添加的问题，提出了一个综合的概念框架，通过四个设计支柱来建立代理网络中的信任。
Comments Accepted at SIGKDD 2026 Blue Sky Ideas Track
LLMs何时会承认错误？理解模型信念在撤回中的作用
机构 * University of Southern California（南加州大学）
AI总结 研究揭示LLMs在生成时基于内部信念而非参数知识进行撤回，监督微调可提升其撤回性能。
Comments CoLM 2026
携手共进：量化AI辅助招聘的益处
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学）
AI总结 该研究通过两项实地实验发现，AI辅助招聘可提升候选人最终面试通过率，在简历信息不足的初级候选人中效果更显著，但存在75%的候选人未完成面试的问题，其将筛选成本从企业转移至申请人。
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