高校专区
3D打印各向异性软磁涂层用于磁驱动胶囊机器人定向滚动
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究提出一种3D打印的各向异性软磁涂层胶囊机器人，通过磁性涂层替代传统磁体，实现定向滚动和稳定移动，为微创医疗应用提供新的解决方案。
Comments Submitted for review at IEEE/ASME Advanced Intelligenet Mechatronics Conference (2026)
LUCID：带有预条件表示的注意力
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google（谷歌公司）
AI总结 LUCID通过预条件表示改进注意力机制，提升长上下文检索任务性能，尤其在BABI Long和RULER任务中表现更优。
版权侦探：一种用于证据LLM闪烁版权泄露风险的取证系统
机构 * Pine AI ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Duke University（杜克大学） ； University of Michigan（密歇根大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Notre Dame（圣母大学） ； The Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 Copyright Detective 是一种交互式系统，用于检测和可视化LLM输出中的版权风险，通过整合多种检测方法实现系统性审计。
TABES: 轨迹感知的熵反向引导用于掩码扩散模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google（谷歌）
AI总结 TABES通过梯度引导的反向熵方法，提升掩码扩散模型的推理效率和生成鲁棒性。
自回归排序：在双编码器和交叉编码器之间架起桥梁
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Research（谷歌研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出SToICaL损失，通过项级再加权和前缀树边际化，提升LLM在排序任务中的表现，证明ARR在表达能力上优于双编码器。
Comments 22 pages, 5 figures
ChartMuseum: 测试大型视觉-语言模型的视觉推理能力
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 ChartMuseum通过评估复杂视觉和文本推理能力，揭示了大型视觉-语言模型在视觉推理上的不足。
Comments NeurIPS 2025 Datasets & Benchmarks
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