高校专区
Flat-Pack Bench: 通过家具组装评估大视觉-语言模型的时空理解
机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； MBZUAI（麦吉尔-伯克利-浙江大学人工智能研究院） ； UC Berkeley（伯克利大学）
AI总结 本文提出Flat-Pack Bench基准，用于评估大视觉-语言模型在复杂视频场景中的时空理解能力，发现当前模型在细粒度时空推理上存在显著不足。
Comments CVPR 2026
通过示例预测符号程序和提示程序的性能
机构 * Nanayang Technological University, Singapore（南洋理工大学，新加坡） ； Massachusetts Institute of Technology, USA（麻省理工学院，美国） ； Cornell University, USA（康奈尔大学，美国）
AI总结 本文研究了通过示例预测程序性能的问题，提出了一种基于简单硬币翻转模型的方法，利用观察到的执行结果和性能先验知识来预测程序性能，并开发了RAP方法来构建代理先验以提高预测效果。
自适应信号复苏：用于稀疏视觉网络的通道级后剪枝修复
机构 * Department of Mathematical and Statistical Sciences, Marquette University（马歇尔大学数学与统计科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cornell Ann S. Bowers College of Computing and Information Science, Cornell University（康奈尔大学安·S·博尔斯计算与信息科学学院）
AI总结 本文提出了一种无需训练的通道级修复方法ASR，用于解决高稀疏度下因后剪枝修复粒度不匹配导致的精度下降问题，通过估计每个输出通道的方差匹配修正并结合数据驱动的收缩规则，提升稀疏视觉网络的性能。
半参数高效双层梯度估计
机构 * Université Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔INP、LJK实验室） ； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院（UCL）的Gatsby计算神经科学单位） ； Cornell University（康奈尔大学） ； Netflix Research（Netflix研究）
AI总结 本文提出一种半参数去偏理论，用于消除双层梯度估计中的一阶偏差，通过交叉拟合的正交超梯度估计器实现了渐近正态性，并在二次损失下简化为基于条件均值 nuisances 的双重鲁棒分数。
智能体安全是系统问题
机构 * Google（谷歌） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； EmbraceTheRed ； Gray Swan AI ； Cornell University（康奈尔大学）
AI总结 本文提出智能体安全应作为系统问题来解决，强调通过系统层面的安全不变量来保障AI模型的安全性，而非仅仅依赖模型鲁棒性。文章基于系统安全领域的技术，提出了设计可预测安全保证的智能体系统的核心原则，并分析了实际攻击案例和实现这些原则面临的挑战。
在寻找更少歧视性算法中统计保证
机构 * MIT（麻省理工学院） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 本文研究了在高风险领域中，企业为减少对受保护群体的歧视性影响而寻找更少歧视性算法的统计保证问题，提出了一种自适应停止算法以确定何时停止搜索以证明进一步搜索不会带来有意义的改进。
Comments 38 pages, 10 figures
通过量子计算增强的强化学习过程合成
机构 * Department of Chemical and Biomedical Engineering, West Virginia University（西弗吉尼亚大学化学与生物医学工程系） ； R.F. Smith School of Chemical and Biomolecular Engineering, Cornell University（康奈尔大学R.F. Smith化学与生物分子工程学院）
AI总结 本文提出了一种基于量子强化学习的过程合成方法，通过构建通用框架将过程合成问题形式化为马尔可夫决策过程，并引入量子增强的强化学习算法以提高可扩展性，同时通过经典强化学习作为基准进行比较，展示了量子方法在过程合成中的竞争力。
一种语义和遮挡感知的GM-PHD滤波器
机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学机械与航空航天工程系）
AI总结 本文提出了一种包含从深度学习中提取的语义信息的新出生模型，以创建一种遮挡感知的高斯混合概率假说密度（GM-PHD）滤波器。与以往依赖简单或统一假设的方法不同，所提出的语义-遮挡感知（S-OA）出生模型通过显式考虑遮挡区域并利用环境的语义信息来定义初始化项。这使滤波器能够准确表示新物体更可能出现的位置，从而在复杂和高密度的驾驶场景中提高跟踪性能。该方法通过蒙特卡洛模拟和KITTI数据集的实验进行评估。性能通过测量首次检测与跟踪初始化之间的延迟、平均绝对数量误差以及最优子模式分配（OSPA）度量来评估。结果表明，S-OA出生模型在遮挡密集的环境中减少了初始化延迟，在约70%的情况下匹配或优于最强基线。还提供了出生模型权重的敏感性分析。总体而言，研究结果强调了在自动驾驶中将遮挡推理和语义先验整合到贝叶斯跟踪框架中的优势。
Comments Accepted at ICRA 2026
意图优先的空中车对车通信用于战术协调与分离：协议与性能在密度和干扰下的表现
机构 * Cornell University（康奈尔大学）
AI总结 本研究提出了一种意图优先的空中车对车（V2V）协议，用于密集的无人机交通管理（UTM）操作，通过部署的邻近通信机制提供新鲜可信的信息以实现局部协调，该协议结合刷新的状态和意图信标，用于局部感知、协同感知和降级模式评估，并通过事件触发的消息进行让行、排序、释放和应急协调。
Comments Submitted to IEEE Transactions on Intelligent Transportation Systems
$Δ$ynamics: 一种基于语言的表示方法，用于从视频中推断刚体动力学
机构 * Cornell University（康奈尔大学） ； Amazon（亚马逊）
AI总结 本文提出$Δ$YNAMICS框架，通过语言统一表示刚体动力学，利用结构化文本生成物理模拟场景配置，结合自然语言运动推理和光流输入提升泛化能力，在CLEVRER数据集上实现了7倍于现有VLMs的分割IoU，并在新数据集上展示了良好的迁移能力。
Comments Accepted to CVPR 2026. Project page: https://iandrover.github.io/2026_dynamics
人类大脑中的柏拉图表示：无监督恢复通用几何
机构 * Department of Cognition, Development and Education Psychology, University of Barcelona（巴塞罗那大学认知、发展与教育心理学系） ； Institute of Neurosciences, University of Barcelona（巴塞罗那大学神经科学研究所） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Bellvitge Institute for Biomedical Research, Spain（西班牙贝尔维德生物医学研究 institute）
AI总结 该研究探讨了人类大脑是否能无监督地恢复通用几何结构，通过自监督编码器在fMRI数据中学习个体特定的嵌入表示，并证明这些表示可以通过几何变换在不同个体间转换。
Comments Code available at https://github.com/memory-formation/platonic-representations-fmri
在结构互动学习中模型崩溃何时发生？
机构 * School of Operations Research and Information Engineering, Cornell University（卡内基梅隆大学运营管理与信息工程学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系）
AI总结 研究探讨了在结构互动学习环境中，生成模型性能下降（模型崩溃）的发生条件，通过分析交互图拓扑结构，推导出模型崩溃的必要和充分条件，并通过数值实验验证理论结果。
Comments 57 pages, 12 figures
面向网络的双线性分块化用于脑功能连接表示学习
机构 * Department of Radiology, Weill Cornell Medicine, New York, NY, USA.（韦尔·科恩医学中心放射科, 纽约, NY, 美国） ； School of Electrical and Computer Engineering, Cornell University and Cornell Tech, New York, NY, USA.（康奈尔大学电气与计算机工程学院及康奈尔科技, 纽约, NY, 美国）
AI总结 本文提出了一种面向网络的双线性分块化方法，用于改进脑功能连接的表示学习，通过重新定义功能连接的分块方式，提升模型在跨群体评估中的稳定性和可迁移性。
Comments Author-submitted version, provisionally accepted at MICCAI 2026
我们距离真正的自动研究还有多远？
机构 * Cornell University（康奈尔大学）
AI总结 本文通过ResearchArena评估了不同代理生成的论文质量，发现虽然代理能生成看似有竞争力的论文，但实际实验严谨性不足，存在伪造结果、实验能力不足和计划与执行不匹配等问题，表明自动研究仍需进一步发展。
OmniCode: 一个评估软件工程代理的基准
机构 * Cornell University（康奈尔大学） ； Independent contributor（独立贡献者） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； Jadavpur University（贾瓦伊普尔大学） ； New York University（纽约大学）
AI总结 本文提出OmniCode，一个涵盖更广泛任务类别的软件工程基准，旨在评估软件代理在不同软件开发方面的性能。
领域专精的幻觉：揭示混合专家模型中的领域不变‘ standing committee ’
机构 * The Fin AI（Fin AI） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； The University of Manchester（曼彻斯特大学）
AI总结 本研究质疑混合专家模型通过稀疏路由实现领域专精的假设，提出COMMITTEEAUDIT框架分析专家组而非个体专家的路由行为，发现领域不变的standing committee，揭示模型存在向集中计算偏倚的结构倾向，表明混合专家模型中的专精程度远低于预期。
Comments Accepted by ACL 2026 main conference. Camera-ready version
面向LLM推理和AI代理的吞吐量最优调度算法
机构 * School of Operations Research and Information Engineering, Cornell University（Cornell大学运筹学与信息工程学院） ； Operations Management, Booth School of Business, University of Chicago（芝加哥大学博斯商学院运营管理系） ； Decision, Risk and Operations, Columbia Business School, Columbia University（哥伦比亚大学哥伦比亚商学院决策、风险与运营系）
AI总结 本文从排队论角度研究了LLM推理系统的吞吐量优化问题，证明了工作保持调度算法在DAG和Fork-Join路由拓扑中能实现最大吞吐量，并揭示了批量处理网络中K-FCFS调度的流极限框架，评估了Orca和Sarathi-Serve的吞吐量最优性，同时指出批量大小限制和循环路由拓扑对吞吐量的影响。
通过流匹配学习无偏排列
机构 * Department of Computer Science（计算机科学系） ； Cornell University（康奈尔大学）
AI总结 本文提出PermFlow框架，通过在具有单位行和列和的矩阵仿射子空间上直接操作，学习多模态排列分布，避免了基于熵正则化Sinkhorn方法在模糊性下的崩溃问题。
突变进步的普遍动力学
机构 * Department of Information Science, Cornell University（康奈尔大学信息科学系） ； Center for Science of Science and Innovation, Northwestern University（西北大学科学与创新中心） ； McCormick School of Engineering, Northwestern University（西北大学工程学院） ； Kellogg School of Management, Northwestern University（西北大学管理学院） ； Ryan Institute on Complexity, Northwestern University（西北大学复杂性研究院） ； Northwestern Innovation Institute, Northwestern University（西北大学创新研究院）
AI总结 本文研究了科学和技术前沿突变进步的动力学，通过分析9个不同领域的历史数据，发现三个普遍规律：突变间等待时间服从重尾分布，前沿记录积累速率呈亚线性增长，记录突破事件在时间上存在相关性。作者提出一个包含激进创新和渐进改进的模型，揭示了突变进步的普遍动力学机制。
你的反事实能错到什么程度？在没有对照组的情况下，为连续治疗量化混杂偏倚
机构 * Department of Economics, Cornell University（康奈尔大学经济学系） ； Department of Family and Consumer Sciences, California State University, Long Beach（加州州立大学长滩分校家庭与消费者科学系） ； Society Hub, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）社会枢纽）
AI总结 本文提出一种因果压力测试框架，通过假设未观测混杂因素对结果和宏观经济变量的加性影响，量化连续治疗下的混杂偏倚，并分析两种估计方法的误差界。
扩散对偶性，第二章：Ψ-采样器
机构 * EPFL, Lausanne, Switzerland（苏黎世联邦理工学院，洛桑分校） ； Microsoft AI（微软人工智能） ； Cornell Tech, NY（康奈尔科技）
AI总结 本文提出了一种通用的预测-校正采样器，用于离散扩散模型，提升了语言和图像建模的生成质量，并展示了其在训练效率上的优势。
抑制注意力：因果注意力门控用于自动驾驶中的鲁棒轨迹预测
机构 * University of Alberta（阿尔伯塔大学） ； Noah’s Ark Laboratory, Huawei Technologies Canada（华为加拿大诺亚实验室） ； Cornell University（康奈尔大学）
AI总结 本文提出CRiTIC模型，通过因果发现网络识别agent间因果关系，并引入因果注意力门控机制提升轨迹预测的鲁棒性和泛化能力，实验表明模型在对抗非因果扰动时鲁棒性提升54%。
Comments Accepted ICRA 2025
掩码语言模型上Glauber动力学的混合时间
机构 * Department of Statistics and Data Science（统计与数据科学系） ； Cornell University（康奈尔大学） ； Department of Mathematics（数学系）
AI总结 研究掩码语言模型迭代生成时的全局分布行为，通过Glauber动力学马尔可夫链分析其混合时间，揭示在不同温度下混合行为的相变现象。
Comments 21 pages, 7 figures
CurveBench：一种用于嵌套乔丹曲线精确拓扑推理的基准
机构 * Maastricht University（马斯特里赫特大学） ； Cornell University（康奈尔大学） ； TU Wien（维也纳技术大学） ； Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 CurveBench是一个用于从视觉输入中进行层次拓扑推理的基准，包含756张非相交的乔丹曲线图像，通过结构预测任务恢复由曲线诱导的根树结构。
从失败到反馈：群体修订解锁对象级 grounding 的难题
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学人工智能研究所） ； Technical University of Munich（慕尼黑技术大学） ； University of Science and Technology of China（中国科学技术大学） ； Cornell University（康奈尔大学）
AI总结 本文提出群体修订优化方法，通过生成改进候选响应提升硬案例学习效果，改进奖励和优势函数以增强高质量修订影响，优于现有GRPO方法。
Comments 8 pages, 5 figures, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026
中国模型会说中文吗？
机构 * Cornell University（康奈尔大学）
AI总结 本文通过比较中西方开源大模型的多语言能力，发现中国模型在多数语言上表现与西方模型相似，但对部分中国少数民族语言识别能力较弱，揭示了多语言发展中的优先级与权衡。
Comments First and second author contribute equally
PACER：从大规模干预数据中进行无环因果发现
机构 * Swiss Federal Technology Institute of Lausanne (EPFL), Switzerland（瑞士联邦理工学院洛桑分校） ； Cornell University, USA（康奈尔大学） ； ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院）
AI总结 PACER通过构建无环性保证的因果发现框架，在大规模高维干预数据中实现高效且准确的因果结构推断，优于现有方法。
Comments Accepted at the 43rd International Conference on Machine Learning (2026)
TokenButler：令牌重要性是可预测的
机构 * Cornell University（康奈尔大学） ； Intel Labs（英特尔实验室）
AI总结 TokenButler通过高粒度查询感知预测器识别关键令牌，减少KV缓存瓶颈，提升解码效率与准确性。
模态无关、患者特异性的数字双胞胎建模时变消化运动
机构 * Computer and Information Science, Cornell University（康奈尔大学计算机与信息科学系） ； Department of Medical Physics, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心医学物理系） ； University Medical Center Utrecht（乌得勒支大学医学中心） ； Department of Radiation Physics, University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心放射物理系） ； Carl E. Ravin Advanced Imaging Laboratories and Center for Virtual Imaging Trials, Duke University Medical Center（杜克大学医学中心卡尔·E·拉文高级影像实验室和虚拟影像试验中心） ； Department of Radiation Oncology, University of Michigan（密歇根大学放射肿瘤学系）
AI总结 本文提出一种模态无关的患者特异性数字双胞胎建模方法，用于评估变形图像配准方法的准确性，通过生成21个运动阶段的4D序列，评估DIR方法的性能。
Comments This work is still review, it contains 7 Pages, 6 figures, and 4 tables
Journal ref Phys. Med. Biol. 71 (2026) 015029
VerbalValue：面向销售驱动直播电商的社会智能虚拟主持人
机构 * Cornell University（康奈尔大学）
AI总结 本文提出VerbalValue，一种以销售转化为导向的虚拟主持人，通过构建产品知识库和销售术语词典，结合大语言模型微调，提升直播电商中的信息传达和说服力。
Comments Accepted to the CVPR 2026 HiGen Workshop
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