高校专区
ArtiFixer：利用自回归扩散模型增强和扩展3D重建
机构 * NVIDIA ； NVIDIA Santa Clara USA（NVIDIA） ； NVIDIA Zurich Switzerland（NVIDIA） ； Cornell University（康奈尔大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 ArtiFixer通过自回归扩散模型提升3D重建质量，解决现有方法在未观测区域的外推问题。
Comments Video results: https://artifixer2026.github.io/
大语言模型可通过非策略强化学习进行推理
机构 * Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 本文提出OAPL算法，通过接受非策略性解决LLM强化学习中的策略滞后问题，在竞赛数学和编码任务中表现优异，训练效率更高。
视频帧插值中的速度歧义消除
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Cornell University（康奈尔大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； OtoNexus Medical Technologies（OtoNexus医疗科技公司） ； Snap Inc（Snap公司）
AI总结 本文提出距离索引方法，通过显式提示对象移动距离来提升视频帧插值的精度和质量。
Comments ECCV2024 Oral; TPAMI
对大型语言模型代理中集体行为和社会动态的实证研究
机构 * Cornell University（康奈尔大学）
AI总结 本研究通过分析LLM代理的社会互动，发现其存在偏见和排斥行为，并提出CoST方法以防止有害内容的产生。
Comments Accepted at EACL 2026
CMT-Benchmark：由专家研究人员构建的凝聚态理论基准
机构 * Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； University of Zürich（苏黎世大学） ； Stanford Institute for Materials and Energy Sciences（斯坦福材料与能源科学研究所） ； SLAC National Accelerator Laboratory（斯坦福直线加速器实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National Taiwan University（台湾大学） ； San José State University（圣何塞州立大学）
AI总结 CMT-Benchmark通过专家设计的50个凝聚态理论问题评估LLM在物理推理能力上的不足，揭示当前模型在复杂科学问题上的局限性。
Comments CMT-Benchmark dataset is available at https://huggingface.co/datasets/JVRoggeveen/cmt_benchmark. CMT-Benchmark was referenced in the Gemini 3 Deep Think (February 2026) release at https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/
Journal ref International Conference on Learning Representations (ICLR) main conference 2026
工作流中的公平性：大型科技公司机器学习实践者如何在推荐系统中处理公平性
机构 * Cornell University（康奈尔大学） ； Loyola University Maryland（洛约拉大学马里兰州）
AI总结 研究探讨了大型科技公司如何在推荐系统中处理公平性，识别了技术团队与法律、数据团队在公平性工作中的挑战，并提出可行的实践建议。
Comments CHI 2026
机器去学习并不如你所想：生成式AI政策与研究的启示
机构 * The GenLaw Center（GenLaw中心） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Center for Democracy & Technology（民主与科技中心） ； Princeton（普林斯顿） ； Google（谷歌） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； Cornell Tech（康奈尔科技） ； Cornell Law School（康奈尔法学院） ； Cornell University（康奈尔大学） ； Lighthouse ； Stanford Law School（斯坦福法学院） ； UC Berkeley（伯克利大学） ； Independent（独立研究者） ； Northeastern University（东北大学） ； Harvard Business School（哈佛商学院） ； W. Virginia University College of Law（维珍尼亚大学法学院）
AI总结 本文指出机器去学习并非通用解决方案，揭示其在生成式AI政策与研究中的局限性。
Comments NeurIPS 2025 (Oral)
在方向稳定自适应实验后高效的推断
机构 * University College London（伦敦大学学院） ； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院计算神经科学单元） ； Cornell University（康奈尔大学） ； Netflix ； Google DeepMind（谷歌DeepMind） ； Rutgers University（罗格斯大学）
AI总结 本文提出方向稳定性条件，证明在自适应数据下估计量保持渐近正态性和半参数效率，并为LinUCB采样下的常规标量目标提供了首个半参数效率保证。
Comments 34 pages
D-Flow SGLD：基于流匹配的源空间后验采样用于科学反问题
机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（科尼尔大学机械与航空航天工程学院） ； Department of Aerospace and Mechanical Engineering, University of Notre Dame（诺丁汉大学航空航天与机械工程系）
AI总结 D-Flow SGLD是一种基于流匹配的源空间后验采样方法，通过可微源推断与预条件随机梯度兰格-多夫动态相结合，实现科学反问题中高效且保真的后验采样。
高效的机会性可接近性
机构 * Google Research（谷歌研究） ； Cornell University（康奈尔大学）
AI总结 本文提出了一种高效的机会性可接近性算法，实现了$O(T^{-1/4})$的可接近率，并在低维情况下达到最优速率。
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
BabyLM四周年暨多语言研究：2026年BabyLM研讨会征文通知
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； University of Groningen（格罗宁根大学） ； NYU（纽约大学） ； Boston University（波士顿大学） ； University of Cambridge（剑桥大学） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（南加州大学） ； Georgetown University（乔治城大学）
AI总结 BabyLM研讨会征文通知，聚焦多语言预训练与认知建模，包含训练效率、小规模数据集、模型评估等主题
Comments 8 pages, 1 table. arXiv admin note: substantial text overlap with arXiv:2502.10645
SimToolReal: 一种面向零样本灵巧工具操作的对象中心策略
机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学）
AI总结 SimToolReal提出了一种通用的模拟到现实强化学习策略，通过程序生成多种工具状物体并训练单一策略，实现无需特定任务或物体训练的零样本灵巧工具操作。
停止-思考-自动回归：结合潜在扩散规划的语言建模
机构 * Department of Computer Science, Cornell University（计算机科学系，康奈尔大学）
AI总结 STAR-LDM通过引入思考阶段的潜在扩散规划，实现了更高效的全局规划和生成，显著提升了语言理解和叙事连贯性任务的表现。
Comments COLM 2025
通过主动重建学习检测语言模型训练数据
机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 本文提出主动数据重建攻击方法，通过强化学习主动诱导模型重建文本以检测语言模型训练数据，实验表明其在检测预训练、后训练和蒸馏数据方面表现优于现有方法。
SAGE: 适用于具身人工智能的可扩展代理3D场景生成
机构 * NVIDIA ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学）
AI总结 SAGE通过代理框架生成可扩展的3D环境，用于具身人工智能的策略训练和泛化能力提升。
Comments Project Page: https://research.nvidia.com/labs/dir/sage/
多模态大语言模型如何支持视障人士获取视觉信息：一项与盲人和低视力人士的日记研究
机构 * Cornell University（康奈尔大学）
AI总结 本研究探讨了多模态大语言模型如何通过视觉助手技能支持视障人士获取视觉信息，并发现其在实际应用中的表现及改进方向。
Comments 24 pages, 17 figures, 7 tables, appendix section, to appear main track CHI 2026
辅助人类学习的AI决策制定
机构 * Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Ben-Gurion University（本·古里安大学）
AI总结 本文研究了人工智能辅助决策中人类学习的权衡问题，提出了一种基于算法耐心和人类学习能力的最优特征选择方法。
Comments This paper appeared in Proceedings of the 26th ACM Conference on Economics and Computation (EC '25)
概率因果的通用样本量分析：基于delta方法的方法
机构 * Department of Statistics, Florida State University（佛罗里达州立大学统计学系） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Department of Computer Science, University of California Los Angeles（美国加州大学洛杉矶分校计算机科学系） ； Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系）
AI总结 本文提出基于delta方法的通用样本量分析框架，用于确定概率因果分析所需的样本量，以稳定估计其界限。
通过上下文蒸馏更新参数化知识可保留训练后能力
机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系）
AI总结 本文提出DiSC方法，通过上下文蒸馏实现持续知识适应，有效平衡新知识学习与原有能力保持。
Comments 15 pages. Preprint, under review
TabImpute: 通用零样本填补表格数据
机构 * Industrial Engineering \& Operations Research, Columbia University, New York, USA ； Department of Statistics, Columbia University, New York, USA ； Operations Research \& Information Engineering, Cornell Tech, New York, USA
AI总结 TabImpute通过预训练Transformer实现通用零样本表格数据填补，采用高效特征化和合成数据生成提升填补速度与准确性。
对不起，我没听清那个：语音模型忽视最关键的东西
机构 * TogetherAI ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学）
AI总结 该研究发现语音模型在现实应用中对高风险短语音转录存在显著误差，通过合成数据生成方法显著提升了非英语主要说话人的转录准确性。
Comments Preprint
超越掩码扩散语言模型的扩展
机构 * Department of Computer Science, Cornell Tech, NYC, USA（康奈尔科技学院计算机科学系） ； Department of Computer Science, Cornell University, Ithaca, USA（康奈尔大学计算机科学系） ； School of Computer and Communication Sciences, EPFL Lausanne, Switzerland（洛桑联邦理工学院计算机与通信科学学院） ； Department of Computer Science, University of Chicago, Illinois（芝加哥大学计算机科学系） ； NVIDIA, Santa Clara, USA（英伟达）
AI总结 本文研究了统一状态和插值离散扩散方法的扩展定律，发现掩码扩散在FLOPs效率上可提升12%，并展示了统一状态扩散在GSM8K任务中的优越表现
Comments code: https://github.com/s-sahoo/scaling-dllms
无监督的MR-US多模态图像配准与多级相关金字塔优化
机构 * School of Artificial Intelligence and Robotics, Hunan University, Changsha, Hunan, China（人工智能与机器人学院，湖南大学，长沙，湖南，中国） ； National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University, Changsha, Hunan, China（机器人视觉感知与控制技术国家工程研究中心，湖南大学，长沙，湖南，中国） ； National University of Singapore（新加坡国立大学） ； Cornell University（康奈尔大学）
AI总结 本研究提出基于多级相关金字塔优化的无监督多模态图像配准方法，以解决术前与术中多模态图像的配准问题，实现了在ReMIND2Reg任务中的优异表现。
Comments first-place method of ReMIND2Reg Learn2Reg MICCAI 2025
基于Cramér-von Mises统计的促进真实数据共享方法
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学）
AI总结 本文提出基于Cramér-von Mises统计的激励机制，促进真实数据共享，通过理论分析和实验验证其有效性。
Comments NeurIPS 2025
想法才是关键：评估前沿大语言模型在有害话题上的说服尝试
机构 * Université de Montréal, MILA（蒙特利尔大学，MILA） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT, Center for Research and Teaching in Economics（麻省理工学院，经济研究与教学中心） ； Cornell University, University of Regina（康奈尔大学， Regina大学） ； Cornell University, MIT（康奈尔大学，麻省理工学院）
AI总结 本文提出APE基准测试，评估前沿大语言模型在有害话题上的说服意愿，揭示模型在有害情境下尝试说服的倾向及风险。
利用变分量子方法求解稀疏图上的锥程序：最优功率流案例
机构 * Elmore Family School of Electrical and Computer Engineering, Purdue University, West Lafayette, Indiana 47906, USA（电子与计算机工程系，普渡大学） ； School of Electrical and Computer Engineering, Cornell University, Ithaca, New York 14853, USA（电子与计算机工程系，康奈尔大学）
AI总结 本文提出一种变分量子方法，用于在稀疏图上求解锥程序，包括OPF问题，通过量子电路优化实现高效计算。
Comments 21 pages, 7 figures, 2 tables
N²：一种统一的Python包和测试平台，用于基于最近邻的矩阵补全
机构 * Cornell University（康奈尔大学） ； Columbia University（哥伦比亚大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出N²，一种统一的Python包和测试平台，用于基于最近邻的矩阵补全，展示了新的NN变体和现实世界数据集的基准测试，证明NN方法在现实应用中的优越性。
Comments 21 pages, 6 figures
发现具有自适应粒度的基于层次结构的领域以实现临床领域泛化
机构 * Department of Computer Science, Stevens Institute of Technology（斯蒂文斯理工学院计算机科学系） ； Weill Cornell Medicine Graduate School of Medical Sciences, Cornell University（韦尔医学院医学研究生院，康奈尔大学）
AI总结 UdonCare通过利用医学本体发现基于层次结构的动态患者领域，提升临床领域泛化性能。
DHPLT：大规模多语言历时语料库及词表示用于语义变化建模
机构 * University of Oslo（奥斯陆大学） ； Cornell University（康奈尔大学）
AI总结 DHPLT提供大规模多语言历时语料库及词表示，用于语义变化建模，填补了多语言资源的空白。
Comments LChange'26 workshop at the EACL 2026 conference
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