高校专区
Vero：AI智能体能否构建形式化验证的软件仓库？
机构 * University of Chicago（芝加哥大学） ； California Institute of Technology（加州理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Amazon Web Services（亚马逊云计算服务） ； Apodex
AI总结 研究推出首个仓库级验证软件综合基准Vero，含43个多模块实例，评估发现前沿智能体仅解决27个实例，为相关研究提供测试平台。
P³：用于验证代码生成的程序与证明联合规划
机构 * Apodex ； Princeton University（普林斯顿大学） ； Caltech（加州理工学院） ； University of Toronto（多伦多大学）
AI总结 P³是一种用于验证代码生成的程序与证明联合规划的LLM智能体工作流，在三个基准上的求解率优于基线，还降低了API成本与运行时间。
思路搜索：用思路引导树搜索以探索多样化的科学方法
机构 * California Institute of Technology（加州理工学院） ； Google Research（谷歌研究院） ； Harvard University（哈佛大学）
AI总结 该研究针对树搜索在科学方法探索中易陷局部最优的问题，提出Idea Search框架，通过整合动态思路库优化树搜索，在scRNA-seq批次整合任务上提升了性能。
基于VSWIR成像光谱学的亚像素野火温度反演的实时物理反演方法
机构 * Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） ； University of Utah（犹他大学）
AI总结 本研究提出基于AVIRIS-3数据的VSWIR成像光谱学野火温度反演框架，采用全物理方法与非线性最小二乘优化，验证其适用于星载EMIT等设备，亚像素温度反演误差较小。
Comments In Review in Remote Sensing of Environment
KV缓存量化下的对齐崩溃：诊断与缓解
机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加利福尼亚理工学院）
AI总结 研究发现低比特KV缓存量化会无声破坏大模型的安全对齐，根源在于安全特征位于低维激活子空间，易受量化噪声影响；提出逐通道缩减（PCR）诊断方法，分类三种失效模式并指导缓解，无需训练即可恢复高达97%的对齐损失。
Comments Preprint. 61 pages, 9 figures
表征初始人机交互的证明形式化工作流
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） ； University of Oxford（牛津大学） ； Caltech（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； New York University（纽约大学）
AI总结 通过混合方法分析，研究人们在形式化证明过程中对AI工具的需求、障碍及实际使用模式，发现AI辅助能提高形式化准确率且用户偏好多样但普遍希望保持人类对证明发现过程的高层控制。
Comments Updated working paper
不只是RLHF：为何仅对齐不足以解决多智能体趋同
机构 * California Institute of Technology（加州理工学院） ； Evergreen Valley College（艾弗绿谷学院）
AI总结 本文研究了多智能体系统在模拟同伴分歧下的错误率问题，发现预训练基础模型与指令模型存在相似的替换模式，且错误率较高。通过激活修补发现错误集中在中间层，修复后可恢复大部分正确率差距。研究还指出压力抑制了清洁推理特征，而非激活新的趋同回路。
SimulCost: 一个用于自动化物理模拟的代价感知基准与工具包
机构 * University of California San Diego（加州大学圣地亚哥分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Peking University（北京大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； California Institute of Technology（加州理工学院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 针对现有LLM评估忽略工具使用代价的问题，提出SimulCost基准，通过单轮和多轮参数调优任务比较LLM与传统扫描方法在准确性和计算代价上的表现，发现LLM在高精度任务中初始猜测不可靠且多轮模式效率更低。
Comments post conference revision version at ICML; update: removed CGYRO due to bug in cases search. Will add back soon
自动化欺骗：可扩展的多轮LLM欺骗攻击
机构 * California Institute of Technology（加州理工学院） ； Evergreen Valley College（埃弗格林谷学院）
AI总结 本文提出自动化生成多轮LLM欺骗数据集的方法，揭示GPT家族模型在对话历史中的脆弱性，而Gemini 2.5 Flash则表现出极强的抗性。
迈向现实保证：一种概率证书用于SmoothLLM
机构 * California Institute of Technology（加州理工学院）
AI总结 本文提出一种概率框架，通过(k, ε)-unstable假设提升LLM对抗劫持攻击的安全性保障。
分辨率无关的神经算子用于多速率稀疏视角CT
机构 * Caltech（加州理工学院） ； IIT Kanpur（印度理工学院坎普尔分校） ； Stanford University（斯坦福大学）
AI总结 CTO提出一种分辨率无关的神经算子框架，通过连续函数空间实现多速率稀疏视角CT重建的泛化，提升重建质量和效率。
对胎儿解剖结构进行运动树Log-欧几里得PolyRigid变换
机构 * Computer Science and Artificial Intelligence Lab, MIT, Cambridge, USA（麻省理工学院计算机科学与人工智能实验室） ； California Institute of Technology, Pasadena, USA（加州理工学院） ； Boston Children’s Hospital and Harvard Medical School, Boston, USA（哈佛医学院波士顿儿童医院） ； The Hebrew University of Jerusalem, Jerusalem, Israel（耶路撒冷希伯来大学）
AI总结 本文提出了一种基于运动树的Log-欧几里得PolyRigid变换，用于改进胎儿解剖结构的体积建模与分析，减少折叠伪影并实现鲁棒的图像配准和分割。
AutoCause：一个自动化环境时间序列因果发现领域专家决策的Python框架
机构 * ISR-Lisbon, Instituto Superior Técnico（里斯本信号与系统研究所，里斯本高等理工学院） ； Digital Scholarship at Oxford, University of Oxford（牛津大学牛津数字学术中心） ； Jet Propulsion Lab., Caltech（加州理工学院喷气推进实验室）
AI总结 AutoCause是一款开源Python框架，通过封装四种因果发现方法、添加参考模型并分级链接，实现环境时间序列因果发现中专家决策的自动化，提升分析的可审计性与可重复性。
Comments 33 pages, 10 figures. Submitted to Environmental Modelling & Software
面向持续大规模卫星运行的动态分布式约束优化与元推理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； California Institute of Technology（加州理工学院） ； Jet Propulsion Laboratory（喷气推进实验室）
AI总结 针对动态大规模卫星调度问题，提出动态分布式约束优化模型DCOSP，并设计元推理框架控制重计算时机，结合D-NSS算法实现近优解，显著优于基线方法。
Comments An earlier version titled "Large-Scale Continual Scheduling and Execution for Dynamic Distributed Satellite Constellation Observation Allocation" appears as an extended abstract in the Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)
函数空间上非平稳动力学中的临界点预测
机构 * Caltech（加州理工学院） ； CU Boulder（科罗拉多大学博尔得分校） ； NVIDIA（英伟达）
AI总结 本文提出了一种基于递归神经算子的框架，用于在函数空间上预测非平稳动力学中的临界点，通过监测物理约束的偏离来实现预测并评估不确定性。
AREA3D: 带有统一前馈3D感知和视觉-语言引导的主动重建代理
机构 * Southern University of Science and Technology（南方科技大学） ； Harvard University（哈佛大学） ； California Institute of Technology（加州理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 AREA3D通过统一前馈3D感知与视觉-语言引导，实现高效主动3D重建，尤其在稀疏视角下提升重建精度。
Journal ref Tianling Xu, Shengzhe Gan, Leslie Gu, Yuelei Li, Fangneng Zhan, Hanspeter Pfister. The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)), 2026
PAC-MAN：用于人形机器人躲避球全身安全性的感知感知CBF-RL框架
机构 * California Institute of Technology（加州理工学院）
AI总结 本研究提出PAC-MAN感知感知CBF-RL框架，结合控制屏障安全与机载传感，在人形机器人躲避球任务中，基于Unitree G1实现95%投掷成功率，验证了感知可观测性对屏障结构性能的影响。
Comments Website at https://lzyang2000.github.io/perceptive_cbf_rl/
利用EMIT的超光谱辐射测量通过深度学习实现甲烷点源的全球监测
机构 * Google Research（谷歌研究院） ； Carnegie Institution for Science（卡内基科学研究所） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
AI总结 本文提出MAPL-EMIT模型，通过整合光谱和空间信息，利用EMIT仪器的完整辐射光谱数据，实现对甲烷增强的高精度检测，提升全球甲烷点源监测的效率和准确性。
Comments 43 pages, 27 figures, 4 tables
通过在线学习和迭代定价进行分布式约束优化及其在大规模卫星调度中的应用
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） ； Strategy Robot, Inc.（战略机器人公司） ； Strategic Machine, Inc.（战略机器公司） ； Optimized Markets, Inc.（优化市场公司）
AI总结 研究分布式约束优化问题，通过结合在线学习方法与迭代定价框架，将其应用于大规模卫星调度，在实际问题实例上取得近最优性能，满足观测请求比例远超最先进基线。
无假设哈密顿量的最优原位学习
机构 * Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； California Institute of Technology（加州理工学院）
AI总结 提出一种无需控制、无需辅助比特的算法，仅用泡利乘积态制备和测量，以最优总演化时间学习无假设哈密顿量，适用于近中期量子实验。
Comments 51 pages, 2 figures
自主材料发现中的成本感知恢复路径识别与贝叶斯优化
机构 * Coactive Science（协同科学） ； California Institute of Technology（加州理工学院）
AI总结 研究自主材料发现中恢复路径优化问题，提出结合成本敏感贝叶斯假设判别与高斯过程贝叶斯优化的协同学习方法，通过合成基准测试评估，性能良好，避免特定惩罚，还分析了对成本模型的敏感性，代码和基准开源。
VLASH: 通过未来状态感知的异步推断实现实时VLAs
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； UCSD（加州大学圣地亚哥分校） ； Caltech（加州理工学院）
AI总结 VLASH通过未来状态感知的异步推断框架，实现高效、准确的实时VLAs控制，显著提升反应速度和任务执行精度。
用神经算子进行粗粒化以模拟混沌系统
机构 * Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加利福尼亚理工学院） ； NVIDIA Research（NVIDIA研究） ； Graduate Aerospace Laboratories, California Institute of Technology（航空航天实验室，加利福尼亚理工学院）
AI总结 本文提出了一种基于物理启发的神经算子方法，用于高效模拟混沌系统，实现330倍速度提升和10%的误差，优于传统闭合模型方法。
约束驱动的超Petri网合成
机构 * Warsaw University of Technology（华沙技术大学） ； NASA Jet Propulsion Laboratory（美国宇航局喷气推进实验室） ； California Institute of Technology（加州理工学院）
AI总结 研究用Petri网对受约束机器人系统行为建模与合成，提出超Petri网方法从布尔规范合成Petri网，明确可观测标识与执行语义，通过两个场景证明该方法，为系统设计提供结构化方式并提出新研究方向。
Comments 14 pages, 12 figures
通过渐进式种子剪枝实现扩散模型的推理时间缩放
机构 * California Institute of Technology（加州理工学院）
AI总结 研究扩散模型推理时间缩放问题，提出渐进式种子剪枝方法，通过早期评估多种子并剪枝，有效利用固定计算预算，在扩散和流匹配主干上比其他基线方法在奖励引导选择及提示对齐评估上表现更优。
Comments Project page: https://www.vision.caltech.edu/psp. Code: https://github.com/rogerioagjr/psp
以知识为中心的自我改进
机构 * Caltech（加州理工学院）
AI总结 研究以知识为中心的自我改进范式，通过简单协议让智能体尝试任务后为知识库贡献见解并提炼知识，提高了解决率、降低成本，且知识可转移，表明进步可由持久知识驱动。
ITPEval：跨交互式定理证明器的形式化翻译基准测试
机构 * Brown University（布朗大学） ； California Institute of Technology（加州理工学院）
AI总结 研究形式定理证明生态系统分散问题，提出ITPEval基准测试，涵盖四个主要交互式定理证明器及两种逻辑基础，评估语句和证明翻译，揭示库不匹配是瓶颈，发布相关基础设施和管道，展示多方面评估结果。
Comments 23 pages
OrbitAll：用于所有分子系统的统一量子力学表示深度学习框架
机构 * Caltech（加州理工学院）
AI总结 OrbitAll是几何和物理信息的深度学习框架，利用量子力学方法的自旋极化轨道特征与图神经网络结合，在预测分子性能上表现卓越，使用更少训练数据达化学精度，速度更快，在多样数据集上表现稳健，优于UMA，还能低成本预测溶剂依赖反应途径。
Comments 6 figures
神经网络和神经算子的理论与实践差距
机构 * Department of Mathematics（数学系） ； University of Vienna（维也纳大学） ； G-Research ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院）
AI总结 研究ReLU神经网络和神经算子学习的采样复杂度，在一般$L^p$设置中统一处理理论与实践差距并改进界，还扩展到无限维算子学习，结果适用于多种网络和算子，得出博赫纳$L^p$范数下最佳收敛速率的界定。
LieBN：李群上的批量归一化
机构 * Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学） ； Computing and Mathematical Sciences, Caltech（计算与数学科学系，加州理工学院） ； School of Artificial Intelligence and Computer Science, Jiangnan University（人工智能与计算机科学学院，江南大学）
AI总结 针对流形值测量在机器学习任务中的问题，提出LieBN框架用于李群上的黎曼批量归一化，利用左右不变度量，在多种几何结构上实例化并经实验验证有效。
Comments Extended version of the ICLR 2024 paper: A Lie Group Approach to Riemannian Batch Normalization. arXiv admin note: substantial text overlap with arXiv:2403.11261
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