高校专区
通过模仿生成视频实现机器人操作
机构 * UIUC（伊利诺伊大学香槟分校） ； UC Irvine（加州大学尔湾分校） ； Columbia University（哥伦比亚大学）
AI总结 本文提出RIGVid系统，通过模仿AI生成视频使机器人完成复杂操作任务，无需物理示范或特定机器人训练。系统利用视频扩散模型生成潜在示范视频，并通过视觉语言模型筛选符合指令的视频，再通过6D姿态跟踪器提取轨迹并映射到机器人。实验表明生成视频效果与真实示范相当，且性能随生成质量提升。
Comments In ICLR 2026. Website: https://rigvid-robot.github.io/
弹性注意力核心用于可扩展的视觉变换器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出VECA架构，通过弹性核心-外围注意力机制实现线性复杂度，避免二次缩放，提升高分辨率视觉任务性能。
Comments Project repository here: https://github.com/alansong1322/VECA
在情境学习中预测动态系统中的临界转变
机构 * Columbia University（哥伦比亚大学） ； University of Edinburgh（爱丁堡大学） ； kausable Heidelberg（海德堡kausable）
AI总结 本文提出TipPFN框架，通过拟合先验数据的网络预测动态系统接近临界转变，展示在未见临界转变、模拟到现实和真实世界中的鲁棒检测性能。
Comments 14+38 pages, 5+23 figures
部署在社交网络中的AI代理行为决定因素：人格、模型和防护机制规范的多因素研究
机构 * Columbia University（哥伦比亚大学）
AI总结 本文通过多因素实验研究，探讨AI代理在社交网络中的行为决定因素，发现人格设定对行为影响最大，模型和规则对语言风格和话题广度有显著影响。
混沌背后的模式：为高效大规模MoE LLM推理预测数据移动
机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） ； Columbia University（哥伦比亚大学） ； NVIDIA
AI总结 研究通过分析大规模MoE模型的数据移动模式，提出优化方法，提升大规模LLM推理效率，实现6.6倍平均加速和1.25倍速度提升。
AcuityBench：评估语言模型对医疗紧急情况识别和不确定性对齐
机构 * Department of Computer Science, Columbia University, New York, NY, USA（计算机科学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Biomedical Informatics, Columbia University, New York, NY, USA（生物医学信息学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Emergency Medicine, Columbia University Irving Medical Center, New York, NY, USA（急诊医学系，哥伦比亚大学伊文思医疗中心，纽约，纽约州，美国）
AI总结 AcuityBench通过统一框架评估语言模型对医疗紧急程度的识别能力，包含914个案例，涵盖明确和模糊情况，揭示模型在不同任务格式下的表现差异及不确定性处理问题。
Comments 41 pages, 5 figures. Preprint under review for the Track on Evaluations and Datasets at NeurIPS 2026
因果算法补救：基础与方法
机构 * Department of Statistics & Data Science（统计与数据科学系） ； UCLA（加州大学洛杉矶分校） ； Department of Computer Science（计算机科学系） ； Columbia University（哥伦比亚大学）
AI总结 本文提出因果框架，通过预后干预结果建模算法补救过程，引入后补救稳定性条件，开发基于copula的算法推断补救效果，并提供分布自由方法学习补救效果。
神经统计函数
机构 * Columbia University（哥伦比亚大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出神经统计函数，通过预训练单样本预测器和散落数据样本学习，实现连续操作条件范围内的统计推断，显著降低模型评估次数。
在想象中训练
机构 * Weizmann Institute of Science（魏茨曼研究所） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； New York University AMI Labs（纽约大学AMI实验室）
AI总结 研究在想象中训练方法中，动态和奖励模型误差对回报和策略优化的影响，提出最优样本分配和表示需求。
利用Bregman-Riesz回归学习因果推断中的密度比
机构 * Columbia University（哥伦比亚大学）
AI总结 本文提出Bregman-Riesz回归框架，统一了密度比估计的三种方法，并展示如何通过数据增强技术应用于因果问题，同时提供Python工具实现。
Comments Replication code is available from https://github.com/CI-NYC/densityratios
RelFlexformer: 高效的注意力3D-Transformer用于可积分的相对位置编码
机构 * Seoul National University（首尔国立大学） ； Independent（独立） ； Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） ； Columbia University（哥伦比亚大学）
AI总结 RelFlexformer引入了基于任意可积分调制函数f的通用3D相对位置编码方法，实现O(L log L)复杂度的高效注意力计算，适用于非结构化异质场景中的点云建模。
变换器中的关系推理与归纳偏置
机构 * Imperial College London（帝国理工学院伦敦分校） ； Google（谷歌） ； DeepMind（深度Mind） ； Columbia University（哥伦比亚大学）
AI总结 本文研究了变换器和大语言模型在关系推理中的表现，比较了基于权重学习和上下文学习的机制，发现基于权重学习的模型能进行传递推理，而基于上下文学习的模型则依赖训练数据进行传递推理，预训练可使上下文学习模型更接近权重学习模型。
Comments 15 pages, 10 figures
连续潜在上下文使Transformer实现高效的在线学习
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学）
AI总结 本文研究连续潜在上下文是否能提升Transformer的在线学习能力，通过构造常深Transformer实现加权多数算法和Q学习，并在合成数据上优于大模型。
Comments 37 pages, 15 figures, 3 tables
WISTERIA：通过电子健康记录中的多视图一致性学习临床表示
机构 * University of Science and Technology of China（中国科学技术大学） ； Columbia University（哥伦比亚大学）
AI总结 WISTERIA通过多视图一致性学习电子健康记录中的临床表示，利用弱监督学习框架，改进预测性能并增强对标签噪声的鲁棒性。
ConFit v3：通过基于LLM的重排序提升简历-岗位匹配
机构 * Columbia University（哥伦比亚大学） ； John Hopkins University（约翰霍普金斯大学） ； Intellipro Group Inc.（Intellipro集团）
AI总结 本文提出ConFit v3，通过改进重排序算法和数据处理方法，提升简历与岗位匹配的准确性，优于现有最佳系统和大型语言模型。
SmartEval：一个评估从自然语言规范生成的LLM智能合约质量的基准
机构 * Columbia University（哥伦比亚大学） ； IBM T.J. Watson Research Center（IBM T.J. Watson研究院）
AI总结 SmartEval通过9000个生成合约与专家编写的真实实现，结合五维评估标准，验证LLM生成智能合约的质量，并发现逻辑遗漏、状态转换错误等典型故障模式，展示了生成合约在综合评分上比真实实现高出8.29分。
WindINR: 隐式神经表示的潜在状态用于复杂地形中快速局部风查询与修正
机构 * Tsinghua University（清华大学） ； MBZUAI ； Columbia University（哥伦比亚大学） ； EPFL（苏黎世联邦理工学院） ； The Arctic University of Norway（挪威北极大学）
AI总结 WindINR通过隐式神经表示框架实现复杂地形中高分辨率局部风查询和稀疏观测修正，利用潜在状态解码器提升查询效率，实现快速修正和高精度风力预测。
你的模拟运行但解错了物理：基于PDE的意图验证用于LLM生成的多物理场模拟代码
机构 * Cornell University（康奈尔大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出基于PDE的意图验证方法，用于检查LLM生成的多物理场模拟代码是否符合预期物理，通过确定性重构和比较PDE结构提升代码的意图保真度。
Comments Preprint
Neuroprobe：评估自然刺激下的颅内脑响应
机构 * MIT CSAIL, CBMM（MIT CSAIL，CBMM） ； MIT McGovern Institute（MIT McGovern研究所） ； Caltech（加州理工学院） ； Columbia University（哥伦比亚大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 Neuroprobe通过高分辨率颅内EEG数据研究多模态语言处理，提供评估框架比较不同模型架构，揭示语言处理在大脑中的时间与空间动态。
Comments 38 pages, 7 main figures, 16 supplementary figures, 13 tables
连续机器人建模与动作条件流匹配
机构 * Department of Mechanical Engineering, Columbia University（哥伦比亚大学机械工程系）
AI总结 本文提出基于动作条件的连续机器人自建模方法，通过轻量3D打印平台和RGB-D数据采集管道，学习点云流匹配模型，实现电机驱动连续机器人（TDCR）在稳态下的几何预测，实验验证了其在CD和EMD指标下的精度提升。
Comments 14 pages, 9 figures
概念基础差距：LLMs如何以不同于人类的方式锚定抽象概念的含义
机构 * Department of Informatics（信息学院） ； Athens University of Economics and Business（雅典经济与商业大学） ； Archimedes, Athena Research Center（阿基米德·雅典研究中心） ； Instituto de Telecomunicações（电信研究所） ； Department of Computer Science（计算机科学系） ； Columbia University（哥伦比亚大学）
AI总结 研究比较了LLMs与人类对抽象概念的锚定方式，发现LLMs过度依赖词关联，缺乏情感和内部状态属性，导致基础差距显著。
事件场：学习隐式事件结构用于波形基础模型
机构 * University of Science and Technology of China（中国科学技术大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出一种新的波形基础模型，通过将生理时间序列建模为隐式事件过程的实现，而非传统序列表示。该方法通过自监督学习框架，促使波形的随机分割和时间频率投影之间的一致性，提升模型对信号扰动的鲁棒性并保持事件层面的组织结构。
格点推演变换器
机构 * Amherst College（阿默斯特学院） ； Axiom ； Barnard College, Columbia University（哥伦比亚大学巴纳德学院）
AI总结 本文提出LDT，一种递归变换器，通过在正向传递间的格点投影近似逻辑严谨的推演。LDT在Sudoku-Extreme和Snowflake Sudoku上达到100%准确率，且训练成本远低于先前的小型递归推理器。
PHMForge：通过MCP原生、算法基础的工具评估LLM代理在工业预测维护中的表现
机构 * Columbia University（哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； IBM, New York（IBM，纽约）
AI总结 PHMForge通过MCP原生工具评估LLM代理在工业预测维护中的可靠性，揭示了静态检索在预测计算中的局限性，展示了不同框架和模型的表现差异。
Comments 23 pages, 3 figures
隐性英雄与梯度膨胀：层间冗余在Transformer中的反向归因
机构 * Department of Computer Science, Fu Foundation School of Engineering and Applied Science, Columbia University, New York, NY, USA（计算机科学系，工程与应用科学基金会学院，哥伦比亚大学，纽约，纽约州，美国）
AI总结 研究揭示Transformer中梯度归因方法在层间冗余下的系统性失效，早期层的梯度膨胀被高估，晚期层的隐性英雄被低估，导致归因可靠性下降。
Comments 9 pages, 6 figures, under review at ICML 2026 Workshop on Mechanistic Interpretability
用于准确且稳定分数基密度比估计的最小方差路径原理
机构 * School of Mathematics, South China University of Technology（华南理工大学数学学院） ； School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息工程学院） ； School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院） ； Department of Electrical Engineering, Columbia University（哥伦比亚大学电气工程系） ； Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系）
AI总结 本文提出最小方差路径原理，通过减少路径方差提升分数基密度比估计的准确性与稳定性，基于Kumaraswamy混合模型实现数据自适应路径学习。
Journal ref The Fourteenth International Conference on Learning Representations,2026
探测人工智能推理的临界点（CritPt）：一个前沿物理研究基准
机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Tech（弗吉尼亚理工大学） ； Ohio State University（俄亥俄州立大学） ； Independent（独立） ； Northeastern University（东北大学） ； Caltech（加州理工学院） ； University of Florida（佛罗里达大学） ； University of Waterloo（滑铁卢大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Columbia University（哥伦比亚大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） ； University of Connecticut（康涅狄格大学） ； University of Cologne（科隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） ； Paul Scherrer Institute（保罗·谢尔研究所）
AI总结 本文提出CritPt基准，用于测试LLM在未发表的科研级推理任务中的能力，涵盖现代物理多个领域，发现当前LLM在复杂科研挑战中表现有限，仅能实现5.7%的准确率。
Comments 40 pages, 6 figures, 6 tables
DUET：基于可验证奖励的强化学习中优化令牌预算分配
机构 * Cornell University（康奈尔大学） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学）
AI总结 DUET通过联合调整令牌预算分配的两个维度，提升强化学习的推理质量和训练效率，同时在多个基准测试中表现优异，且在预算减少时性能优势扩大。
基于局部贝叶斯优化的差分隐私超参数调优
机构 * Department of Statistics Columbia University（统计学系哥伦比亚大学）
AI总结 本文提出DP-GIBO框架，通过高斯过程代理私密近似梯度，实现高维空间下的差分隐私超参数调优，优于非隐私随机搜索和全局贝叶斯优化方法。
Comments 26 pages, 6 figures
玩乐的动机：前沿LRMs与人类游戏学习者的行为与大脑对齐
机构 * University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 本文研究了前沿LRMs在游戏学习中的行为与大脑活动对齐情况，发现其在游戏发现阶段更接近人类行为，并能更准确预测大脑活动。
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