高校专区
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。
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
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
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
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。
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
成分依赖相图的贝叶斯推断
机构 * Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所） ； Moscow Institute of Physics and Technology（莫斯科物理技术学院） ； California Institute of Technology（加州理工学院）
AI总结 研究利用贝叶斯推断结合多种热力学数据来生成温度-浓度相图，不仅能得到不同相的自由能及不确定性，还可外推结果并辅助选择模拟参数，该算法在两个二元系统中成功测试。
Journal ref Phys. Rev. B 108, 174103 (2023)
FormulaCode: 评估在大规模代码库上进行代理优化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； California Institute of Technology（加州理工学院） ； Cornell University（康奈尔大学）
AI总结 FormulaCode是一个评估大型真实代码库上代理优化能力的基准，包含957个从科学Python仓库挖掘出的性能瓶颈，配以专家撰写的补丁和平均264.6个社区维护的性能工作负载，揭示了前沿LLM代理在多目标优化上的重大挑战。
Comments ICML Camera Ready Version
平均能量基于的贝叶斯推断
机构 * California Institute of Technology（加州理工学院） ； University of Toronto（多伦多大学）
AI总结 本文研究了在仅能获取参数和观测联合分布样本的情况下，非线性逆问题的平均能量基于的贝叶斯推断方法，提出了一种基于传输的方法，通过学习观测依赖的映射来近似后验分布，避免了传统方法的计算开销。
Comments 25 pages, 9 figures
M+Adam：通过加法-乘法优化进行低精度训练
机构 * California Institute of Technology（加利福尼亚理工学院） ； University of Copenhagen（哥本哈根大学） ； Aarhus University（阿鲁斯大学）
AI总结 研究低精度训练中标准优化器的问题，提出结合加法和乘法更新的M+Adam方法，经证明在标准假设下单调下降，在多种模型预训练中持续改善低精度训练。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). 45 pages
更高的嵌入维度为简单排序任务创建更强的世界模型
机构 * California Institute of Technology（加利福尼亚理工学院） ； Google DeepMind（谷歌DeepMind） ； Cornell University（康奈尔大学）
AI总结 研究在强化学习训练的变压器中嵌入维度对内部“世界模型”的影响，发现更高维度能产生更好的内部表示，经数百实验观察到两种机制，结果证明变压器构建结构化内部世界模型且模型大小可提升表示质量。
用于临床信息丰富且可解释的医学图像理解的工具瓶颈框架
机构 * California Institute of Technology（加州理工学院） ； Stanford University（斯坦福大学）
AI总结 针对医学图像理解中工具组合难的问题，提出工具瓶颈框架（TBF），利用工具瓶颈模型（TBM）组合VLM选择的工具，通过神经网络计算融合工具输出，在组织病理学和皮肤病学任务中表现出色，提升医学图像理解且使预测更具可解释性。
Journal ref Proceedings of the 9th International Conference on Medical Imaging with Deep Learning, Proceedings of Machine Learning Research 315 (2026) 2958-2986
使态度变化生成模型稳定
机构 * University of Toronto（多伦多大学） ； Caltech（加州理工学院） ； Gibran AI
AI总结 本文提出基于演员的生成模型工作流，利用Concordia库将态度变化理论转化为可运行的演员-环境模拟，并通过实验验证其稳定性，揭示了理论描述的不足与稳定化过程的重要性。
Comments 46 pages, 8 figures, 1 table
面向成本效益的AI委托自适应合同
机构 * Tel Aviv University（特拉维夫大学） ； Harvard University（哈佛大学） ； Technion -- Israel Institute of Technology（技术学院——以色列理工学院） ； California Institute of Technology（加州理工学院） ； Yale School of Management（耶鲁管理学院）
AI总结 针对AI委托中评估噪声导致支付增加的问题，提出自适应合同机制，通过选择性详细评估降低成本，并给出最优合同计算算法与实证验证。
Comments ICML 2026
面向预测应用的数据驱动传感器布置：一种相关性辅助归因框架 (CAAF)
机构 * Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院） ； Graduate Aerospace Laboratories, California Institute of Technology（航空航天实验室，加州理工学院） ； Department of Mechanical and Aerospace Engineering, University of Tennessee（机械与航空航天工程系，田纳西大学）
AI总结 提出一种基于机器学习的特征归因框架CAAF，通过聚类减少候选传感器位置冗余，解决高相关输入数据下的最优传感器布置问题，在结构健康监测、翼型升力预测等动态系统中优于现有方法。
Journal ref Commun. AI Comput. 1, 8 (2026)
两人零和随机博弈中基于最优响应的去中心化学习：有限样本分析
机构 * Purdue University（普渡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Caltech（加州理工学院） ； MIT（麻省理工学院）
AI总结 本文对两人零和矩阵博弈和随机博弈中的去中心化学习进行有限样本分析，提出基于最优响应的学习算法，并证明其样本复杂度。
Comments A preliminary version [arXiv:2303.03100] of this paper, with a subset of the results that are presented here, was presented at NeurIPS 2023
超越拓扑：用于运动策略学习的形态对称图表示
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Syracuse University（雪城大学） ； California Institute of Technology（加州理工学院）
AI总结 提出形态对称图表示MS-PPO，通过对称等变图网络实现策略和价值约束，在四足和人形机器人任务中提升泛化、鲁棒性和样本效率。
Comments Project page: https://msppo.github.io/
Safe-SAGE: 通过拉普拉斯调制泊松安全函数实现安全交互的社会-语义自适应引导
机构 * Caltech MCE（Caltech机械工程系） ； Tufts ME（Tufts大学机械工程系）
AI总结 提出Safe-SAGE框架，结合泊松安全函数与拉普拉斯引导场，融合多传感器点云与视觉语义分割，通过多层安全滤波器实现腿式机器人在语义丰富动态环境中的安全导航。
Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). Copyright transferred to IEEE
用于高效可扩展数据同化的流匹配
机构 * The Computing and Mathematical Sciences Department, California Institute of Technology（加州理工学院计算与数学科学系） ； Department of Mathematics and Scientific Computing and Imaging Institute, University of Utah（犹他大学数学与科学计算系和成像研究所）
AI总结 提出基于流匹配的无训练集成流滤波器（EnFF），通过蒙特卡洛估计和局部化引导加速高维非线性数据同化，在成本-精度权衡和可扩展性上优于现有方法。
Comments accepted for publication in SIAM/ASA Journal on Uncertainty Quantification
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