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
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
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/
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。
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。
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
D-SafeMPC：基于离散时间控制障碍函数的扩散驱动安全模型预测控制
机构 * Paderborn University（帕德博恩大学） ； Illinois Institute of Technology（伊利诺伊理工学院） ； California Institute of Technology（加州理工学院） ； Technical University of Munich（慕尼黑工业大学）
AI总结 研究针对扩散模型用于机器人规划时无法保证安全和动态约束的问题，提出D-SafeMPC方法，通过控制障碍函数等引导扩散过程，结合迭代投影方案，经实验验证该方法能提升安全性、任务成功率和规划效率。
Minionese：多语言大语言模型安全性的综合基准测试与机理研究
机构 * California Institute of Technology（加州理工学院）
AI总结 研究多语言大语言模型安全对齐问题，引入涵盖多种语言、资源层级和扰动类型的Minionese基准测试及几何机理分析，发现不同攻击类型漏洞特征不同，指出仅英语安全评估不足，需考虑多因素。
为策略制定者搭建框架：霍特林空间市场中与架构相关的推理干预
机构 * California Institute of Technology（加州理工学院）
AI总结 研究结构化推理干预对大语言模型战略经济推理的影响及与模型架构的关系，以霍特林模型评估GPT - 4.1 - mini和GPT - 5 - mini，发现支架类型与模型架构有交叉交互作用，对抗性测试有损害，还存在陈述性 - 程序性差距。
Comments 26 pages (11 main + 15 appendix), 6 figures, 4 tables. Accepted at the ICLR 2026 Workshop on LLM Reasoning
稀疏奖励游戏中的AlphaZero：局限性与辅助监督
机构 * California Institute of Technology（加州理工学院）
AI总结 研究在稀疏奖励游戏中普通AlphaZero的局限性，对比多帧变体及AZAL，发现普通AlphaZero虽表现出色但无法保持最优轨迹，AZAL能显著提高预言一致性，在啃咬和四子棋游戏中均有改进。
通过采样进行任意维度学习
机构 * Department of Statistics University of Chicago（统计学系芝加哥大学） ； Department of Computing and Mathematical Sciences Department of Electrical Engineering California Institute of Technology（计算与数学科学系电气工程系加州理工学院）
AI总结 研究不同大小输入的机器学习模型泛化及评估问题，提出用随机采样映射比较不同大小输入的统一方法，刻画各采样适用领域，为相关函数类给出泛化和草图绘制率
多买家市场中的战略谈判：基于可验证奖励的强化学习用于大语言模型谈判
机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） ； Mitch Daniels School of Business, Purdue University（米奇·丹尼尔斯商学院，普渡大学） ； The Division of Physics, Mathematics and Astronomy, California Institute of Technology（物理、数学与天文学部，加州理工学院） ； Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. 米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院） ； Department of Civil and Environmental Engineering, Operations Research Center, Massachusetts Institute of Technology（土木与环境工程系、运筹学中心，麻省理工学院）
AI总结 研究多买家市场中卖家与买家的谈判，提出基于可验证奖励的强化学习方法，使卖家能平衡市场探索与剩余提取，实现多阶段战略演变，提升谈判技能，提取更高剩余，且策略可推广。
关于分子优化的离散扩散在线适应设计空间
机构 * Caltech（加州理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； Genesis Molecular AI（创世纪分子人工智能公司）
AI总结 研究离散扩散模型的适应问题，通过控制实验发现获取、奖励塑造、模型去偏等方法互补，重放稳定学习，有效性惩罚限制小分子探索，给出反馈高效的分子优化实用方法，优于离线微调等基线。
Comments Submitted to The Fortieth Annual Conference on Neural Information Processing Systems
金属超声波波导作为用于接触定位、力估计和材料类别识别的分布式触觉传感平台
机构 * Division of Engineering and Applied Science, Caltech（加州理工学院工程与应用科学部）
AI总结 研究金属超声波波导作分布式触觉传感器，用圆柱压头测试其对不同力和材料单点及多点接触的声学响应，可实现接触定位、力估计和材料类别识别。
设备护照：使时空预训练模型能够跨输入布局泛化
机构 * California Institute of Technology（加州理工学院） ； Apple（苹果公司）
AI总结 针对新设备布局缺乏大规模数据集的问题，提出Device Passport通道嵌入技术，通过功能活动与元数据混合建模，实现跨布局迁移，在耳部脑电图等任务中优于基线。
Comments Workshop on Structured Data for Health, ICML 2026
利用多模态对Zwicky瞬变设施发现的瞬变和变星进行实时分类
机构 * Department of Physics and Astronomy, Northwestern University（西北大学物理与天文学系） ； Center for Interdisciplinary Exploration and Research in Astrophysics (CIERA)（天体物理跨学科探索与研究中心） ； NSF-Simons AI Institute for the Sky (SkAI)（NSF-西蒙斯天空人工智能研究所） ； School of Physics and Astronomy, University of Minnesota（明尼苏达大学物理与天文学学院） ； Division of Physics, Mathematics, and Astronomy, California Institute of Technology（加州理工学院物理、数学与天文学部）
AI总结 针对时域巡天中实时分类的挑战，本文提出ORACLE-2模型，结合光变曲线、元数据和图像进行多模态层次分类，在ZTF数据上宏F1达0.73，较仅用光变曲线提升40%。
Comments 29 Pages, 15 Figures, 8 Tables. Comments welcome
基于采样的协调感知多目标多机器人强化学习
机构 * University of Cambridge（剑桥大学） ； CNRS, Univ Rennes, Inria, IRISA（法国国家科学研究中心、雷恩大学、法国国家信息与自动化研究所、IRISA） ； California Institute of Technology（加州理工学院）
AI总结 提出CIMORL框架，通过分布式权重预测、特权专家训练和采样变体（CIMORL-TS/MPPI），在合作与对抗场景中实现Pareto最优解，超体积提升21.2%。
Comments 20 pages, 11 figures, 4 tables
学习具有主动铰接悬挂的行星探测车的全地形运动
机构 * Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） ； Center for Autonomy, University of Texas at Austin（自主性中心，德克萨斯大学奥斯汀分校） ； Space Systems Laboratory, University of Maryland（空间系统实验室，马里兰大学）
AI总结 提出一种带有主动万向悬挂的四轮行星探测车概念，利用强化学习训练单一神经网络控制器，实现自主障碍协商和全地形运动，通过策略整合和零样本迁移在物理车上验证。
Comments 21 pages, 26 figures
TaskNPoint: 如何在几分钟内教会你的人形机器人打反手球
机构 * California Institute of Technology（加州理工学院）
AI总结 提出TaskNPoint训练协议，通过教练-学习者分工，利用单次演示和交互窗口，在物理仿真中学习动态技能，实现人形机器人零样本泛化。
流退火后验采样用于函数空间回归与逆问题
机构 * California Institute of Technology（加州理工学院）
AI总结 提出流退火后验采样（FAPS），首个统一随机过程回归与PDE逆问题的函数空间后验采样框架，利用预训练函数空间流匹配先验，通过低秩协方差预条件器的朗之万校正实现稀疏噪声观测下的似然引导后验推断。
Vera: 一种用于内容保持视频编辑的分层扩散模型
机构 * California Institute of Technology（加州理工学院） ； Netflix, Inc（Netflix公司）
AI总结 提出Vera分层扩散框架，通过生成编辑层和alpha遮罩与源视频合成，利用混合Transformer架构和高质量分层数据集，在保持内容的同时实现高质量编辑。
用于交换代数中稀疏奖励搜索的分层强化学习
机构 * California Institute of Technology（加州理工学院） ； Temple University（天普大学） ； University of Kansas（堪萨斯大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对数学猜想验证中的奖励稀疏问题，提出基于约束选项的分层强化学习框架，结合等变图神经网络策略，在交换代数问题中首次应用HRL并优于经典RL和贪心搜索。
Comments 21 pages, 15 figures, 3 tables. Accepted at ICML 2026
双峰问题：弥合数学强化学习中的难度差距
机构 * Department of Mathematics, California Institute of Technology（加州理工学院数学系） ； Institute of Mathematics, University of Zurich（苏黎世大学数学研究所） ； Zero Latency Labs（零延迟实验室） ； Department of Mathematics, Temple University（天普大学数学系）
AI总结 针对数学搜索问题中奖励稀疏和难度分布不均的挑战，提出数据生成和算法增强方法，包括超移动和Transformer架构，显著提升性能并发布大规模基准数据集。
Comments Accepted at ICML 2026. 38 pages, 9 figures. Code and datasets: https://github.com/Math-AI-Caltech/ACSolverX
CalTennis：大型多视角网球视频数据集及单目到3D姿态估计基准
机构 * California Institute of Technology（加州理工学院）
AI总结 提出CalTennis大型多视角网球视频数据集（1100万帧，40名球员），用于评估野外单目到3D姿态估计，并发现现有模型在深度估计和足部接触方面存在不足。
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