高校专区
CROCODIL：基于大语言模型的跨模型代码编辑
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究院）
AI总结 本研究针对多LLM协作时的外来代码过度编辑问题，提出CROCODIL后训练框架，通过相似度奖励与执行奖励的乘积优化，在保证功能正确的同时减少了不必要的代码编辑。
Comments EMNLP 2026 Findings
基于贝叶斯算子推断的参数微分系统的数据驱动降阶模型主动学习
机构 * Department of Mathematics, Brigham Young University（数学系， Brigham Young University） ； Centre for Mathematical Sciences, Lund University（数学科学中心， Lund University） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（计算工程与科学研究院， The University of Texas at Austin）
AI总结 本文提出基于贝叶斯算子推断的主动学习方法，用于提升参数微分系统数据驱动降阶模型的稳定性和准确性。
IDEEA：基于激活簇匹配的无训练输入依赖引导
机构 * University of Waterloo（滑铁卢大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute for AI（人工智能矢量研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究针对现有无训练引导方法输入无关的局限，提出IDEEA框架，通过聚类注意力头的激活并匹配输入激活选择对应方向，在保留输入表示的同时对齐LLMs，使TruthfulQA的truth×info指标平均提升9.9%。
Comments Accepted to EMNLP 2026 Findings
在语言模型避免过度概括时，区分统计优先与固化效应
机构 * University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究通过对语言模型开展受控实验，区分了语言模型避免过度概括时的优先效应与固化效应，发现其在动词特定层面无优先效应，仅存在微弱抽象优先效应，还揭示了模型对竞争结构的证据处理方式，为相关人类实验提供了新方向。
Comments Accepted to EMNLP 2026 Main
VakyArth：评估跨印度语言的大语言模型语用能力
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究推出首个印度语言语用基准VakyArth，评估多语言LLM在印度语言文化相关语用现象上的表现，发现其存在系统性语用推理失败及语言间差异。
Comments Findings of EMNLP 2026
RAFT-DVC：分辨率感知的基于机器学习的数字体积相关
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Texas Materials Institute（德克萨斯材料研究所）
AI总结 本文提出分辨率感知的RAFT-DVC密集DVC框架，明确其精度与工作模式，在不同纹理、位移条件下性能优异，可实现跨纹理迁移与大体积估计。
Mol-JEPA：用于分子的多模态联合嵌入预测架构
机构 * University of Tübingen（蒂宾根大学） ； Boehringer Ingelheim（勃林格殷格翰） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学）
AI总结 针对分子基础模型的化学无效增强等局限，提出Mol-JEPA多模态框架，利用模态掩码融入生化上下文，在基准测试中展现出优异性能。
不值得再增加一个Token：面向高效深度研究智能体的边际价值估计
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Adobe Research（奥多比研究院）
AI总结 该研究针对长周期研究智能体的上下文冗余问题，系统比较不同阶段的剪枝策略，发现早期剪枝可大幅降本，轻量级启发式方法能减73%Token用量且质量损失小，为高效智能体设计提供指导。
DOG-DPO：几何中的动态优化用于安全对齐
机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员） ； University of Notre Dame（圣母大学）
AI总结 提出DOG-DPO框架，将偏好对表示为模型表示空间中的方向，通过几何分解和多样性覆盖选择子集，仅用11%数据即可恢复大部分安全增益。
Comments Accepted by 2026 EMNLP (Conference on Empirical Methods in Natural Language Processing)
名字里有什么？LLM在药理学中的形态捷径
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心）
AI总结 研究LLM在药理学中依赖词缀线索进行推理的形态捷径行为，通过虚构药物名称实验和归因框架揭示其机制及安全风险。
Comments Accepted to the Main Conference of EMNLP 2026
CATNIP：通过校准和令牌化的负偏好对齐实现LLM去学习
机构 * George Mason University（乔治·马歇尔大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 CATNIP通过校准和令牌化的负偏好对齐方法，实现有效LLM去学习，无需保留数据或对比对，提升知识遗忘与保留的平衡。
Comments EMNLP 2026
DLM-One：用于单步序列生成的扩散语言模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究提出DLM-One框架，通过分数蒸馏实现连续扩散语言模型的单步序列生成，大幅提升采样速度并保持基准任务性能，还提出对抗正则化两阶段训练方案防止模型退化。
多模态语言模型作为文本到图像模型的评估器
机构 * FAIR at Meta - Montreal, New York（Meta 蒙特利尔 FAIR） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mila ； McGill University（麦吉尔大学） ； Canada CIFAR AI chair（加拿大 CIFAR 人工智能主席）
AI总结 该研究提出MT2IE框架，以MLLM为评估智能体，生成少量提示即可高效准确评估T2I模型，其排名比现有指标更忠实一致，还可定制基准，助力动态评估框架发展。
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
GlossoGen：复杂多智能体大语言模型交互中的涌现语言
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； AE Studio（AE工作室） ； Schmidt Sciences（施密特科学机构） ； University of Edinburgh（爱丁堡大学）
AI总结 研究人员推出GlossoGen平台，发现多LLM智能体交互中会涌现出人类无法理解的组合性新语言，明确了语言演化的关键条件及不同模型在语言传递中的作用，证实LLM具备人类特有的累积文化演化潜力。
Comments GlossoGen code: https://github.com/agencyenterprise/GlossoGen Paper code: https://github.com/esteng/emergent_communication
用大语言模型（LLM）和编程语言语义预测程序退出码
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究院）
AI总结 本研究提出程序可执行性预测（PrEx）任务，构建含系统生成非法变换的数据集，评估开源编码LLM，发现其依赖预训练先验而非给定语义，在修改语义及复杂程序上表现差。
Comments Accepted at LMPL 2026
（视觉）语言模型（(V)LMs）可泛化至表面共现之外：来自跨模态数一致的证据
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究以(V)LMs为对象，通过跨模态泛化实验发现其可超越表面共现实现泛化，表现出与抽象兼容的行为，为语言模型具备抽象能力提供了证据。
Comments 9 pages main text
最强的教师并不总是最好的教师：以学生为中心的答案选择
机构 * University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Southern California（南加州大学） ； Independent Researcher（独立研究者） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； Google（谷歌） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Northwestern University（西北大学） ； Allen Institute for AI (AI2)（人工智能研究院（AI2））
AI总结 提出以学生为中心的答案采样（SCAS）框架，通过估计学生中心的学习成本选择教师生成的答案，从而提升学生模型性能。
生物力学三维人体：从三维人体基础模型自监督蒸馏生物力学姿态
机构 * Shirley Ryan AbilityLab（雪莉·瑞安能力实验室） ； Northwestern University（西北大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究扩展SAM-3D-Body模型新增生物力学预测头，用JAX结合Equinox实现，在公开数据集训练后，在多数据集验证中优于现有生物力学回归模型，仅略逊于需高成本轨迹优化的同类方法。
Comments Accepted to the ECCV 2026 Workshop MoCha
重新审视DP-SGD的可证明可审计隐私差距
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Waterloo（滑铁卢大学） ； Vector Institute（矢量研究院）
AI总结 本研究针对DP-SGD的可证明可审计隐私差距，提出轻量级防御框架提升其经验隐私且不损失理论隐私，经多场景评估验证其灵活性。
Comments The code for this paper can be found here: https://github.com/pineappleEnthusiast/empirical-privacy-defense
因果干预揭示多语言语言模型中类型学组织的句法机制
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Saarland University（萨尔大学） ； Leipzig University（莱比锡大学） ； Heidelberg Institute for Theoretical Studies（海德堡理论研究所）
AI总结 本研究利用机制可解释性技术，在四种多语言语言模型的三种句法结构上证实跨语言机制迁移，且迁移程度与语言类型学相似度正相关，为语言学理论提供新假说。
Comments 20 Pages, 7 Figures, 11 Tables
RoboPhys-3D：通过三维重建进行全面的具身世界模型评估
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学） ； Futurewei Technologies, Inc（星纪时代科技公司）
AI总结 本研究推出基于RoboTwin 2.0的三维具身世界模型基准RoboPhys-3D，含50个操作任务等数据，提出两个评估分数，发现Cosmos 3的RoboPhyscore最高，该分数与人类评估一致性强。
Comments 66 pages, 12 figures, 55 tables
优化器即智能体：跨提示、程序与机器学习工作流的推理驱动搜索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Snowflake（思诺飞克公司）
AI总结 该研究提出ReASearch统一框架，让智能体自主优化提示、程序与ML工作流，在14项任务中优于专用系统，部分发现超人类最佳结果的方案。
Journal ref COLM 2026
Fund2Persona：基于基金披露数据构建与精炼金融顾问角色的框架
机构 * UNIST（蔚山科学技术院） ； LinqAlpha ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Florida（佛罗里达大学） ； Blackstone（黑石集团） ； Hanwha Life（韩华生命）
AI总结 提出Fund2Persona框架，利用基金披露、持仓变动、市场背景和管理人评论构建金融顾问角色，并通过智能体循环精炼，在持仓重建和管理人评论对齐任务上优于通用基线，生成更具体有用的建议。
Comments 18 pages, 4 figures, 18 tables. EMNLP 2026 Industry Track
并非真正的多语言：脚本一致性作为VLM评估中缺失的维度
机构 * RediMinds Inc.（RediMinds公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员）
AI总结 提出PuMVR基准，评估10个VLM在旁遮普语三种文字上的表现，发现显著的脚本差距，并提出脚本一致性率（SCR）作为必要评估指标。
SYNAPSE: 通过拓扑语义去噪的神经符号视觉思维到文本解码
机构 * School of Information University of Texas at Austin（信息学院德克萨斯大学奥斯汀分校）
AI总结 提出SYNAPSE框架，利用常识图结构和潜在样本进行推理时符号正则化，稳定脑电到文本解码中的语义生成，无需微调大语言模型。
Comments Accepted to Findings of EMNLP 2026
运算学习用于海面波浪诱导力的替代建模
机构 * Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所） ； Information Technology Laboratory, U.S. Army Engineer Research and Development Center（美国陆军工程兵研究与发展中心信息技术实验室） ； Department of Mechanical Engineering and Technology Management, Norwegian University of Life Sciences（挪威生命科学大学机械工程与技术管理系） ； Department of Numerical Analysis and Scientific Computing, Simula Research Laboratory（Simula研究实验室数值分析与科学计算系）
AI总结 本文利用深度运算网络替代传统波浪模型，通过不同边界条件和风场的数值实验，验证了其在预测辐射应力梯度和显著波高方面的高精度。
Comments 46 pages, 15 figures
针对GPS退化和欺骗的鲁棒多智能体强化学习用于小型无人机分离保障
机构 * George Washington University（乔治华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文通过多智能体强化学习解决小型无人机在GPS退化和欺骗下的鲁棒分离保障问题，提出闭式表达式对抗扰动，实现线性时间评估，并在高密度无人机模拟中取得近零碰撞率。
Comments This work has been submitted to the IEEE for possible publication
时间序列基础模型中的通用冗余性
机构 * ECE Department, UT Austin（UT奥斯汀电子工程系） ； Department of Physics, UT Austin（UT奥斯汀物理系） ； Oden Institute, UT Austin（UT奥斯汀奥登研究所）
AI总结 本研究揭示了时间序列基础模型中普遍存在的冗余特性，并通过理论框架和消融实验揭示了模型退化现象的根源。
别让视频说话：面向音频-视觉语言模型的音频对比偏好优化
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ACPO方法，通过引入输出对比和输入对比目标，解决音频-视觉语言模型中视频驱动的音频幻觉问题，提升音频真实性和多模态能力。
Comments ECCV 2026 camera-ready version. Project page: https://vision.cs.utexas.edu/projects/acpo/
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