机构 * KAIST（韩国科学技术院） ； NVIDIA（英伟达）
AI总结 DreamX将预训练视频扩散模型用作通用潜在动作学习者，提取解耦视觉外观的紧凑潜在动作，在LARY-Bench上达潜在动作模型SOTA，支持跨具身形态等的零样本动作迁移，还降低了相关策略的计算成本。
Comments Project Page: this https URL (https://cvlab-kaist.github.io/DreamX/)
机构 * Synopsys, Inc.（新思科技公司）
AI总结 本研究重新实现DNO-Prct并在Llama 3.1 8B Instruct等模型上实证测试，发现其可提升模型胜率，且评分步骤无需专有模型，同时明确了关键组件的作用。
Comments 19 pages, 2 figures, 9 tables. Experiments were run in 2024 with the models and APIs available then
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； New York University（纽约大学）
AI总结 本文提出PolicyIK，一种基于强化学习的机械臂逆运动学算法，通过双尺度误差、误差依赖增益及对应奖励机制，在仿真与物理机械臂上均实现了高精度逆运动学控制，性能优于经典控制器。
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出GUILD引导式迭代数据收集方法，通过迭代任务提议与数据评估闭环，在仿真和真实机器人中验证其相比被动策略等能提升样本效率与部署性能。
机构 * Loughborough University（拉夫堡大学）
AI总结 该研究针对植被丰富环境中视觉三维重建的评估难题，提出基于LiDAR的参考生成流水线，结合HPR与LDGVS过滤提升点密度，可系统比较不同重建方法并将发布基准工具包与数据集。
Comments 20 pages, 12 figures
GSCV++：基于标准视频编解码器的轻量级3D高斯溅射序列压缩
机构 * Bytedance Inc.（字节跳动） ； Bytedance Inc., San Diego（字节跳动圣迭戈分部） ； Bytedance Inc., Beijing（字节跳动北京分部）
AI总结 GSCV++是基于标准视频编解码器的轻量级3D高斯溅射序列压缩方法，通过改进预处理、3D到2D映射及压缩配置，实现率失真增益提升且速度更快。
机构 * Princeton University（普林斯顿大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本研究针对语言模型的错位行为抑制问题，提出PEARL方法，在保留模型能力的同时实现强即时抑制与持久效果，尤其适用于宽范围错位行为的处理。
Comments NeurIPS 2026
OpenBrain：用于全脑MRI分区的可审计生成标签发布集
机构 * The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Houston–Clear Lake（休斯顿大学克利尔莱克分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 OpenBrain是含35838个案例的可审计全脑MRI分区生成标签发布集，通过QC-7等提供风险证据，可提升低风险选择的宏观Dice，为相关研究提供可靠基底与验证协议。
Comments Accepted at NeurIPS 2026, Evaluations and Datasets Track. Dataset: this https URL (https://huggingface.co/datasets/lanqz7766/OpenBrain;) code: this https URL (https://github.com/lanqz7766/openbrain)
机构 * Stanford University（斯坦福大学） ； Apple（苹果公司） ； Oxford University（牛津大学） ； Institute for Advanced Study（高等研究院） ； Harvard University（哈佛大学）
AI总结 该研究证明计算学习理论中的不可知学习与多准确率生成任务复杂度等价，提出双向有效预言归约，利用自适应查询与无遗憾学习关联实现多任务学习。
机构 * Subconscious Systems Technologies, Inc.（潜意识系统科技公司） ； Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学） ； Northeastern University（东北大学）
AI总结 本研究针对长视野智能体推理中推测解码的噪声问题，提出对抗性推测推理方法，通过训练草稿模型偏向对抗性偏好，提升了复杂智能体编码基准的端到端成功率。
机构 * Stanford University（斯坦福大学）
AI总结 本研究揭示了预训练Transformer中上下文学习的电路机制，通过键值记忆、门控关联查找等可识别组件实现少样本分类，该机制在不同规模模型中保守存在且可迁移。
Comments 38 pages, 22 figures. Code and an interactive walkthrough at this https URL (https://github.com/andrewgcodes/in-context-learning-circuit)
CATF：一种用于上下文感知时间序列预测的管理者-工作者框架
机构 * UC Davis（加州大学戴维斯分校）
AI总结 该研究提出基于管理者-工作者架构的CATF框架，采用硬路由实现上下文感知时间序列预测，在多组实验中显著优于基线模型与Time-MoE，且工作者无需手动划分数据。
Comments 21 pages of main text (including references), with 4 figures and 3 tables, plus 16 pages of appendices
PyRUA-DataFarm：作为真实就绪机器人数据的高成本效远程操作员的大语言模型智能体
机构 * Peking University（北京大学） ； NVIDIA（英伟达）
AI总结 该研究提出 PyRUA-DataFarm 框架，用 LLM 智能体作为高成本效远程操作员生成真实就绪机器人数据，训练的策略在泛化性上优于远程操作训练的策略，且成本更低。
Comments 22 pages, 9 figures, 9 tables. Project page: this https URL (https://dagroup-pku.github.io/PyRUA-Lean/DataFarm) Code: this https URL (https://github.com/DAGroup-PKU/PyRUA-Lean/tree/DataFarm)
MDSKILL：通过多视图蒸馏学习内化技能记忆以实现高效的动态智能体自进化
机构 * Zhejiang University（浙江大学） ； Kuaishou Technology（快手科技）
AI总结 本研究针对智能体自进化中技能记忆蒸馏的噪声与冗余问题，提出MDSKILL多视图蒸馏方法，通过分视图组织技能并结合OPSD整合知识，在无额外开销下于ALFWorld等基准实现性能提升。
ΦasmaNet：用于快速引力波信噪比预测的分阶段频谱令牌优化架构
机构 * Aristotle University of Thessaloniki（亚里士多德塞萨洛尼基大学） ； Mediterranean College (University of Derby)（地中海学院（德比大学））
AI总结 ΦasmaNet是一种紧凑的神经架构，通过分阶段频谱优化实现，可快速预测引力波信噪比，性能优于多种基线模型，速度比传统方法快约两个数量级，还支持扩展至探测器网络等场景。
Comments 33 pages, 12 figures
LoopVQ：用于循环Transformer的亚1比特KV缓存量化
机构 * Seoul National University（首尔大学）
AI总结 针对循环Transformer的KV缓存线性增长瓶颈，提出LoopVQ联合编码多循环步骤通道并微调码本，在低比特量化下性能优于现有方法，结合TaSQ可在0.25比特保留BF16精度，在SGLang中实现后大幅降低延迟、提升吞吐量。
机构 * Meta Reality Labs Research（Meta现实实验室）
AI总结 本文提出PACT框架，将肌腱驱动机器人手的布线、力臂与绞盘尺寸协同优化，在8种姿态下实现0.88-1.00的任务力覆盖，达成人体尺度下的力与带宽需求，为高性能类人机器人手研发提供了新路径。
机构 * Apple（苹果公司） ； IIT Bombay（印度理工学院孟买分校） ； Harvard（哈佛大学）
AI总结 该研究推广了硬核引理，提出基于凸对偶的通用困难性证明框架，构建通用掩码信道，揭示学习与困难性的对偶关系，刻画伪熵特性。
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 本文提出GSBR正则化方法，通过惩罚动作与基础策略支持范围的距离，在保证在线RL样本效率与稳定性的同时，提升机器人任务的平均成功率至95%，且吞吐量优于现有方法。
Wonder 4：一种用于图像质量增强的混合专家（MoE）方案
机构 * Topaz Labs Research（Topaz Labs 研究机构）
AI总结 针对现有图像增强模型无法精准定位缺陷校正位置的问题，提出Wonder 4混合专家模型，通过改进MoE训练偏差规则，在多个数据集上取得最优图像质量评估指标。
Comments Full version will be released soon
机构 * University of Vermont（佛蒙特大学）
AI总结 该研究指出合成群体依赖固定角色的假设不成立，提出基于身份经济学的情境个体方案，经测试可产生情境依赖行为但仍存在不足，揭示合成群体评估易歪曲受情境影响显著的群体。
机构 * Efrei Research Lab（埃弗雷研究所） ； Paris Panthéon-Assas University（巴黎先贤祠-阿萨斯大学）
AI总结 针对低密度点云分类难题，本文提出LD-PointNet++架构，通过首个跨密度基准测试验证其在ModelNet数据集上的性能，该架构在低密度场景下优于现有方法且各密度下准确率超90%。
明知错误：针对大型语言模型（LLM）自身信念进行训练可引发对齐失效
机构 * LASR Labs（LASR实验室） ； Warsaw University of Technology（华沙理工大学）
AI总结 本研究发现，在模型认为错误但无害的数据上微调LLM可引发广泛对齐失效，错误程度越高对齐失效越严重，模型更新时存在此类风险。
机构 * Innopolis University（因诺波利斯大学）
AI总结 针对预训练视觉地点识别模型对抗扰动鲁棒性差的问题，提出ARAFT方法，在干净成本约束下大幅提升SuperVLAD和BoQ的鲁棒召回率，且可迁移至其他模型并抵御强优化器。
Comments 15 pages, 3 figures, 8 tables
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The University of Melbourne（墨尔本大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Imperial College London（伦敦帝国学院） ； Southeast University（东南大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Xidian University（西安电子科技大学） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 本文推出首个面向多模态有状态交互的大规模数据集YANAMI，含YANAMI-400K与YANAMI-Bench，实验显示微调BAGEL可提升相关任务性能，现有UMMs仍存在状态维护等困难。
Comments Project page: this https URL (https://rowletqwq.github.io/YANAMI)
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Tencent Games（腾讯游戏） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究提出Möbius统一运动-语言模型，将扩散过程纳入运动理解的多模态空间，直接处理原始运动，支持多种任务，在HumanML3D上达最优性能，且具可扩展性。
Comments Project page: this https URL (https://jiazhishu.github.io/mobius/)
机构 * Motilal Oswal Financial Services（莫蒂拉尔·奥斯瓦尔金融服务公司） ； Indian Institute of Technology Bombay（印度理工学院孟买分校）
AI总结 该研究针对四个开放权重LLM，探究语言子空间干预对多语言推理的影响，发现其未穷尽捕获语言信息，仅一种干预小幅提升联合准确率，且提示细微变化可复现准确率提升但损害语言保真度，主张因果干预需兼顾语言权衡。
Comments Accepted in AACL-IJCNLP 2026 Workshop Multi-LLL
机构 * National University of Singapore（新加坡国立大学） ； InfRec ； Cardinal AI Lab（Cardinal AI实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 本研究提出Route Anything框架，构建全模态轨迹矩阵，发现路由可在平衡性能与成本时提升AI系统能力编排效率，平均效率提升8.82倍。
无知的几何：通过激活碎片化检测大语言模型（LLM）中被抑制的知识
机构 * Technion - Israel Institute of Technology（以色列理工学院）
AI总结 该研究提出通过匿名向量几何碎片化检测LLM中被抑制的知识，其指标可区分已知未知概念，且与去学习后的对抗性恢复相关，构成无攻击的去学习鲁棒性代理。
Comments Presented at EMNLP Findings 2026
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Genentech（基因泰克公司） ； F. Hoffmann-La Roche Ltd.（F.霍夫曼-拉罗氏公司）
AI总结 本研究提出iGC（in silico Germinal Centers）两阶段强化学习框架，结合体细胞超突变先验与元梯度奖励机制，实现抗原特异性抗体优化，在突变预测等任务中性能优于基线。
Comments 10 pages with supplementary documents
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