高校专区
利用AI驱动的交互式患者化身实现可及的心理治疗培训
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Lucerne（卢塞恩大学）
AI总结 提出一个通过具身虚拟患者进行对话训练ACT心理治疗师的系统，利用大语言模型模拟患者行为，并提供基于ACT保真度标准的逐轮反馈，专家评估证实了高真实性和培训效果。
Journal ref 2026 IEEE 14th International Conference on Healthcare Informatics (ICHI), Minneapolis, MN, June 1-3, 2026, pp. 990-995
与你的数据对话：探索具身对话作为个人健康反思的界面
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）
AI总结 提出一种通过具身对话代理与可穿戴健康数据交互的新范式，采用双代理设计（观察者提取统计特征，呈现者以“口语化统计”沟通），通过模拟自我用户研究（N=5）与传统仪表盘对比，评估感知理解、行动具体性和认知转变。
Journal ref Joint Proceedings of the ACM Intelligent User Interfaces (IUI) Workshops 2026, Paphos, Cyprus, July 13-16, 2026
手部损伤和遮挡对增强现实应用中手部姿态估计精度的影响
机构 * KITE Research Institute, Toronto Rehabilitation Institute, University Health Network（大学健康网络多伦多康复研究所KITE研究所） ； Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所） ； Department of Health Sciences and Technology, ETH Zürich（苏黎世联邦理工学院健康科学与技术系） ； Department of Occupational Science & Occupational Therapy and the Rehabilitation Sciences Institute, University of Toronto（多伦多大学职业科学与职业治疗系及康复科学研究所）
AI总结 研究评估了HoloLens 2和多种姿态估计算法在手部损伤和物体遮挡条件下的精度，发现算法可泛化至手部损伤人群，透明物体略有优势。
发现功能选择性脑区：一种深度地形多模态模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出Topo-Omni模型，通过空间平滑微调预训练基础模型，在单一连续虚拟皮层上整合视觉、听觉和语言/认知处理，产生与人类神经影像一致的多模态聚类，并用于发现新脑区。
Comments Preprint. First two author contributed equally
KAN-SR：基于Kolmogorov-Arnold网络的符号回归框架
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出基于Kolmogorov-Arnold网络的KAN-SR框架，通过深度学习技术和简化策略恢复Feynman符号回归科学发现数据集的真实方程，并结合神经控制微分方程精确建模生物过程系统。
Journal ref Computers & Chemical Engineering, Volume 213, 2026, 109721
MedicalAgentsBench：复杂医学推理基准——比较内化推理模型与外化智能体框架
机构 * Program in Computational Biology & Biomedical Informatics, Yale University（计算生物学与生物医学信息学项目，耶鲁大学） ； Department of Biomedical Informatics & Data Science, Yale University（生物医学信息学与数据科学系，耶鲁大学） ； Department of Computer Science, Yale University（计算机科学系，耶鲁大学） ； Department of Biosystems Science and Engineering, ETH Zurich（生物系统科学与工程系，苏黎世联邦理工学院） ； Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Bioinformatics, UT Southwestern Medical Center（生物信息学系，德克萨斯西南医学中心）
AI总结 提出MedicalAgentsBench基准（862个复杂临床问题），比较内化推理模型与外化智能体框架在医学推理中的表现，发现两者效果可叠加，最优组合为o3-mini+MDAgents（准确率35.1%）。
GD$^2$PO: 通过组动态奖励解耦策略优化缓解多奖励冲突
机构 * Qwen Large Model Application Team, Alibaba（阿里巴巴通义千问大模型应用团队） ； Renmin University of China（中国人民大学） ； Peking University（北京大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出GD$^2$PO算法，通过冲突感知过滤机制屏蔽奖励不一致的rollout，并结合查询级重加权，解决多奖励优化中的信号抵消问题，提升RL训练效率。
Comments 24 pages, 9 figures
PROSE: 基于视觉语言模型的无训练自我中心场景配准
机构 * ETH Zurich（苏黎世联邦理工学院） ； VGG, University of Oxford（牛津大学VGG实验室） ； ETH AI Center（苏黎世联邦理工学院人工智能中心）
AI总结 提出PROSE方法，利用预训练视觉语言模型将RGB序列提升为对象级3D场景图，通过对象高度先验和相同/不同查询匹配实例，无需训练或深度传感器即可实现自我中心场景配准，在Aria基准上超越几何和场景图基线。
Comments Project page: https://rckola.github.io/prose/
NTIRE 2026图像去噪挑战赛第三轮：方法与结果
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Würzburg（维尔茨堡大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Tianjin University（天津大学） ； Nanjing University of Science and Technology（南京理工大学） ； University of Beira Interior（贝拉内大学） ； Siddaganga Institute of Technology（西达甘加理工学院） ； National Institute of Technology Karnataka（卡纳塔克邦国立理工学院） ； Sardar Vallabhbhai National Institute of Technology（萨达尔·瓦拉巴伊·帕特尔国立理工学院） ； University of Luxembourg（卢森堡大学） ； University of Twente（特温特大学） ； University of Kragujevac（克拉古耶瓦茨大学） ； Prince Sultan University（苏丹王子大学） ； University of Tunis El Manar（突尼斯埃尔马纳尔大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Wuhan University（武汉大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 报告NTIRE 2026高噪声图像去噪挑战赛，参赛团队采用先进神经网络架构，以PSNR为指标，在无约束条件下实现最先进性能。
Comments accepted by cvprw2026
我们是否拥有所需的知识？重新思考企业中的人机决策
机构 * ETH Zurich（苏黎世联邦理工学院） ； Department of Computer Science & ETH AI Center, ETH Zurich（苏黎世联邦理工学院计算机科学系与ETH AI中心） ； Department of Computer Science & Architecture, ETH Zurich（苏黎世联邦理工学院计算机科学与建筑系） ； Department of Management, Technology, and Economics, ETH Zurich（苏黎世联邦理工学院管理、技术与经济系） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）
AI总结 本文提出一个框架，根据任务属性和知识可用性推荐人机代理分配与控制机制，并应用于制造任务示例。
Comments Proceedings of AutomationXP26 Workshop of the 2026 CHI Conference on Human Factors in Computing Systems, April 14, 2026, Barcelona, Spain. ACM, New York, NY, USA, 8 pages
从帧到时间图：基于视觉语言模型的上下文第一人称动作识别
机构 * University of Alicante（阿利坎特大学） ； ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软）
AI总结 提出将视频转换为时间动作图，通过多阶段提示生成自然语言叙述并结构化，实现上下文学习，在EGTEA和Epic-Kitchens-100上显著提升零样本和少样本动作识别性能。
通过迭代策略更新的鲁棒共形CBF和CLF控制器
机构 * Automatic Control Laboratory, ETH Zürich（瑞士苏黎世联邦理工学院自动控制实验室） ； Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
AI总结 针对共形预测嵌入鲁棒控制时因分布偏移导致安全/稳定性保证失效的问题，提出迭代更新策略框架，结合对抗鲁棒共形预测与分布偏移预算，实现跨回合保证。
基于空间填充曲线的小型与有限数据视觉Transformer的空间先验
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 提出VIOLIN，一种轻量级掩码注意力机制，通过空间填充曲线编码空间结构，以极小的参数和计算开销为视觉Transformer注入空间归纳偏置，在小模型和有限数据场景下显著提升性能。
Comments ICML 2026
关于过参数化矩阵感知中权重归一化的优势
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文证明在过参数化矩阵感知中，权重归一化结合黎曼优化可实现线性收敛，相比未使用归一化的方法获得指数级加速，且过参数化程度越高，迭代和样本复杂度多项式级降低。
SED: 基于蒸馏的轻量级事件数据显著性预测
机构 * i3S/CNRS, Université Côte d’Azur（法国蔚蓝海岸大学i3S/CNRS实验室） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出轻量级网络SED，通过知识蒸馏和深度时空块（DSTconv）实现事件数据显著性预测，模型大小减少562倍，参数减少554倍，性能匹配或超越教师模型。
ORCA: 开源灵巧性研究平台
机构 * University of Oxford（牛津大学） ； ETH Zurich（苏黎世联邦理工学院） ； Orca Dexterity
AI总结 提出ORCA学习栈，统一灵巧手控制、仿真、遥操作和重定向，集成机器人学习框架，实现端到端灵巧操作研究。
Comments 15 pages
Every Eval Ever：AI评估结果的统一模式与社区仓库
机构 * Technical University Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Weizenbaum Institute（魏岑鲍姆研究所） ； Zuse Institute Berlin（柏林祖泽研究所） ； Evidence Prime ； Trustible ； Kitware ； ETH Zurich（苏黎世联邦理工学院） ； StickFlux Labs ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； IBM Research（IBM研究院） ； Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco（思科） ； University of Notre Dame（圣母大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Oxford（牛津大学） ； Ohio University（俄亥俄大学） ； Writer ； TCS Research（塔塔咨询服务研究院） ； Oxford University Press（牛津大学出版社） ； Queen Mary University of London（伦敦玛丽女王大学） ； Technical University Berlin（柏林工业大学） ； University of Delaware（特拉华大学） ； Cinemo ； Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； ELLIS（欧洲学习与智能系统实验室） ； Iowa State University（爱荷华州立大学） ； Meta FAIR ； University of Montreal（蒙特利尔大学） ； Mila Quebec AI Institute（Mila魁北克人工智能研究所） ； EleutherAI ； Yale University（耶鲁大学） ； Hugging Face ； University of Edinburgh（爱丁堡大学） ； Harvard University（哈佛大学） ； ETH AI Center（ETH人工智能中心） ； MIT（麻省理工学院） ； MIT-IBM Watson Lab（MIT-IBM沃森实验室）
AI总结 针对AI评估结果格式不统一、难以比较的问题，提出首个共享模式与社区众包仓库，通过标准化表示、自动转换器和社区数据库实现跨评估框架的统一。
利用远程磁驱动学习倒立摆的动态摆动控制
机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Strasbourg（斯特拉斯堡大学）
AI总结 针对电磁导航系统在远离平衡态轨迹跟踪中的空白，提出结合轨迹优化、时变LQR和迭代学习控制的方法，首次实现倒立摆的磁驱动摆动控制，六次迭代成功，并验证了ILC校正与高保真磁场模型预测的扭矩偏差高度吻合。
Crypto x AI, AI x Crypto: 综述
机构 * Initiative for CryptoCurrencies and Contracts (IC3)（加密货币与合同倡议（IC3）） ； Ava Labs（Ava实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell Tech（康奈尔科技） ； Flashbots ； Offchain Labs（离链实验室） ； Ritual Labs（仪式实验室） ； Technion（技术学院） ； University of Bern（伯恩大学） ； Princeton University（普林斯顿大学） ； ETH Zurich（苏黎世联邦理工学院） ； Teleport（Teleport；Flashbots(X)） ； Flashbots(X)（特拉维夫大学） ； Tel Aviv University
AI总结 本综述系统梳理了AI与区块链（crypto）的交叉研究，总结了现有工作、关键发现、开放问题及行业误解，指出两者仍处于早期融合阶段。
Muon 的免费重尾午餐：实证成功的理论证明
机构 * Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； Department of Mathematics, Technical University of Munich, Germany（慕尼黑技术大学数学系） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 本文在重尾非凸优化中证明，Muon 等非欧几里得方法在核范数平稳性下达到最优样本复杂度，避免了欧几里得方法的维度依赖，并通过大语言模型实验验证。
ZipSplat: 更少的高斯，更好的泼溅
机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软）
AI总结 提出 ZipSplat，一种基于令牌的前馈模型，通过聚类压缩视觉令牌并解码为高斯组，在无需重训练的情况下实现质量-效率权衡，以约6倍更少的高斯数在DL3DV和RealEstate10K上达到新最优。
可操作的可解释性必须根据对称性来定义
机构 * University of Oxford（牛津大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 本文论证AI可解释性研究存在根本性问题，提出可操作的可解释性应基于四种对称性来定义，以形式化可解释模型并统一可解释推理。
通过潜在视角评估LLM中的多元主义
机构 * University of Helsinki（赫尔辛基大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出一种领域无关的多层无监督框架，从LLM生成文本中提取潜在视角，评估多元主义差距，发现稀有视角仍被不成比例地低估。
Comments Pluralistic Alignment Workshop @ ICML 2026
路由何时变得可解释？对块注意力残差的因果探针
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 研究块注意力残差中路由的可解释性，发现仅当路由参与训练时才出现结构化深度路由，且路由权重与因果重要性存在分离，需用因果干预验证。
TetherCache: 基于门控召回与可信对齐的自回归长视频生成稳定性方法
机构 * Tsinghua University（清华大学） ； D-INFK, ETH Zürich（苏黎世联邦理工学院计算机科学系）
AI总结 提出TetherCache，一种无需训练、即插即用的缓存管理策略，通过门控召回（GRAB）和可信对齐编辑（TAME）缓解自回归视频扩散模型中的上下文漂移，实现稳定长视频生成。
Comments 17 pages, 8 figures
人工智能时代的民主
机构 * School of Computer Science, University of Leeds, Leeds, UK（利兹大学计算机科学学院） ； School of Energy Systems, LUT University, Finland（芬兰LUT大学能源系统学院） ； Computational Social Science, University of Konstanz, Konstanz, Germany（康斯坦茨大学计算社会科学学院） ； Computational Social Science, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院计算社会科学学院） ； Complexity Science Hub, Vienna, Austria（维也纳复杂科学中心）
AI总结 本文探讨如何利用人工智能升级民主制度，增强集体智慧、审议民主和自治系统，同时应对隐私、偏见和虚假信息等风险。
因果不变性在有限样本设置中对领域适应有多大用处？
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Causal Artificial Intelligence Lab, Columbia University（哥伦比亚大学因果人工智能实验室） ； Department of Statistics, Columbia University（哥伦比亚大学统计系）
AI总结 研究线性回归中因果不变性如何提升监督领域适应，通过候选预测器的目标风险边界和有限样本估计误差推导匹配上下界，证明当边界足够大时自适应聚合可避免负迁移。
GeoDial：面向几何问题求解的多模态对话式辅导数据集，包含可视化辅导轮次
机构 * 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） ； Bocconi University（博科尼大学）
AI总结 提出GeoDial数据集，包含1300+几何师生对话，通过可扩展标注协议整合对话行为、视觉高亮和反馈，微调视觉语言模型发现其难以生成准确图解高亮。
通过几何可定义性实现策略PAC可学习性
机构 * Weizmann Institute of Science（魏茨曼研究院） ； University of Waterloo（滑铁卢大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学）
AI总结 研究个体通过成本修改特征影响分类器决策的策略学习问题，证明在简单情况下策略行为可使易学问题变为不可学，并引入几何可定义性假设以控制样本复杂度。
DiskChunGS：基于分块内存管理的大规模3D高斯SLAM
机构 * Robotic Systems Lab, ETH Zurich（机器人系统实验室，瑞士苏黎世联邦理工学院） ； Google（谷歌）
AI总结 提出DiskChunGS，通过将场景划分为空间块并将非活跃区域存储于磁盘，突破GPU内存限制，实现大规模3D高斯SLAM，在多个数据集上完成全序列重建并提升视觉质量。
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, 2026
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