高校专区
基于绝热谱子流形的数据驱动软体机器人控制
机构 * Institute for Mechanical Systems, ETH Zürich（机械系统研究所，苏黎世联邦理工学院） ； Autonomous Systems Lab, Stanford University（自主系统实验室，斯坦福大学） ； Automatic Control Laboratory, ETH Zürich（自动控制实验室，苏黎世联邦理工学院）
AI总结 针对软体机器人在非线性区域控制难题，提出基于绝热谱子流形（aSSM）的模型预测控制策略，通过数据驱动构建低维吸引子流形，实现高精度轨迹跟踪，性能提升达10倍。
Comments 41 pages, 24 figures, IJRR (2026) in press
度量辛条件流匹配用于耗散动力学
机构 * Rochester Institute of Technology, Rochester, NY, USA（罗切斯特理工学院） ； Automatic Control Laboratory, ETH Zürich, Switzerland（自动控制实验室）
AI总结 提出度量辛条件流匹配（MCFM）方法，通过将保守-耗散分解融入向量场和结构保持采样器，学习耗散动力学，保证能量单调递减和长期稳定性。
槽、转换、循环：学习可组合的ARC世界模型
机构 * University of Tübingen（图宾根大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出Loop-OWM架构，通过颜色原型槽、演示条件任务摘要和循环转换模型，学习ARC任务中的视觉符号规则，在ARC-1和ARC-2上超越基线。
通过可逆潜在分解学习凸集并集用于路径规划
机构 * Korea University（高丽大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出ILD框架，联合学习可逆映射和潜在空间中的显式凸多面体并集，实现路径规划，并通过可见性引导采样保持凸集连通性，在多种环境中取得更高成功率。
SG2Loc: 基于3D场景图的顺序视觉定位
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； TU Munich（慕尼黑工业大学） ； Microsoft（微软）
AI总结 提出一种轻量级顺序视觉定位方法，利用紧凑的3D场景图表示环境，通过粒子滤波和语义匹配实现高效定位，显著降低存储需求。
Comments The code will be available at https://github.com/DmblnNicole/sg2loc
SPEAR: 一种后量化误差自适应恢复系统，实现高效低比特LLM服务
机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； University of Bristol（布里斯托大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 针对低比特量化导致LLM质量下降的问题，提出SPEAR系统，通过输入感知的门控误差补偿器（EC）选择性修正高误差层，结合自适应内核融合调度和SLO感知调度器，在<1%内存开销下恢复W4与FP16之间56-75%的困惑度差距。
用不确定性感知神经网络建模磁性材料性质
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Tokyo（东京大学） ； National Institute for Materials Science（国家材料科学研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
AI总结 针对新材料发现中数据稀缺和分布外预测的不确定性问题，采用高斯负对数似然损失和基于dropout的贝叶斯近似量化预测不确定性，并迁移至微观结构预测矫顽力任务，证明不确定性量化可增强预测可信度且可迁移。
Comments pre print, unreviewed version
整流流中对比速度匹配的几何擦除
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出GEM框架，通过对比速度匹配实现整流流模型中的概念擦除，结合生成流网络与教师引导的流匹配，有效抑制有害内容生成。
学习注入：通过强化学习实现自动化提示注入
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 提出AutoInject，一种基于强化学习的黑盒框架，自动学习对抗性后缀进行提示注入，在AgentDojo上优于模板攻击和多种自适应攻击，并突破专门防御模型。
基于推理时间强化学习的开放材料生成
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 提出OMatG-IRL框架，通过策略梯度强化学习直接作用于学习的速度场，无需显式计算得分，实现晶体结构预测中的能量目标强化，采样效率提升一个数量级。
Comments 25 pages, 12 figures, 6 tables
利用合成数据为未解析偏微分方程构建强化学习闭合模型
机构 * ETH Zurich/ Harvard University（苏黎世联邦理工学院/哈佛大学） ； Harvard University（哈佛大学） ； Argonne National Laboratory（阿贡国家实验室）
AI总结 本文提出利用合成数据和强化学习为未解析偏微分方程构建闭合模型，通过伯格斯方程和输运方程验证方法有效性，并展示闭合模型可从非均匀方程泛化到均匀方程。
基于网格强化学习的粗粒化偏微分方程闭合发现
机构 * ETH Zurich（苏黎世联邦理工学院） ； Harvard SEAS（哈佛大学工程学院）
AI总结 本文提出利用网格强化学习系统性地识别粗粒化偏微分方程中的闭合项，通过数值解验证了该方法在预测和加速计算方面的有效性。
Comments Conference on Parsimony and Learning (CPAL)
广义共形预测系统在分布偏移下的应用
机构 * IDLab Seminar for Statistics（统计研究所研讨会） ； Department of Electronics（电子系） ； ETH Zurich（苏黎世联邦理工学院） ； Information Systems Zurich, Switzerland（苏黎世信息系统，瑞士） ； Ghent University（根特大学）
AI总结 针对分布偏移，通过观测特定置换权重编码偏移，扩展广义共形预测系统，提出偏移感知预测系统，并引入权重不确定性框构建鲁棒共形预测系统包络，提供有限样本或渐近置信保证。
Comments 27 pages, 10 figures
评估智能体环境中的自动化提示注入攻击
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 研究在智能体环境中，黑盒优化方法（TAP）比梯度方法（GCG）更有效，且攻击效果依赖于攻击者模型，任务通用攻击可迁移但跨模型迁移受限。
5% > 100%: 平坦性偏好是您进行多模态参数高效微调所需的一切
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang University（浙江大学） ； ETH Zürich（苏黎世联邦理工学院） ； Anhui University of Science and Technology（安徽理工大学） ； Tsinghua University（清华大学） ； State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室）
AI总结 揭示参数高效微调方法中普遍存在的平坦性偏好，即少量尖锐维度主导泛化，并提出FlatPO方法优化这些维度以提升泛化性能。
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
重新审视视觉问答中的贪婪解码：一种校准视角
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Toronto（多伦多大学） ； MBZUAI（穆桑比克人工智能研究所）
AI总结 针对视觉问答任务，从校准角度理论证明贪婪解码优于随机采样，并提出适用于推理模型的贪婪解码方法，实验验证其有效性。
知情非对称Actor-Critic：利用超越全状态访问的特权信号
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。
Comments Accepted at ICML 2026
迷失在序列化中：LLM图推理器的不变性与泛化能力
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM图推理器对图表示对称性的缺乏不变性，通过分解序列化因素并评估微调影响，发现大模型更鲁棒，微调降低节点重标敏感但增加结构和格式敏感，且不保证泛化。
Comments ICML 2026 Workshop on Graph Foundation Models
立场：机器学习社区必须构建AI增强的同行评审生态系统
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对ML领域稿件激增导致同行评审危机，本文主张将AI辅助评审作为优先研究课题，提出利用大语言模型作为协作工具，增强事实核查、评审指导、作者改进和决策支持，并强调需要更细粒度的评审数据。
Comments 18 pages, 3 figures. Accepted (Oral) at the ICML 2026 Position Paper Track
LaRI: 用于单视图3D几何推理的分层射线交点
机构 * ETH Zurich（苏黎世联邦理工学院） ； Adobe Research（Adobe研究）
AI总结 提出LaRI方法，通过分层点图预测射线与多个表面的交点，实现单次前馈的完整场景重建，支持物体级和场景级任务。
Comments Project page: https://ruili3.github.io/lari
Journal ref ICML 2026
RAPTOR: 机器人快速空中抓取与运输物体
机构 * Soft Robotics Lab, ETH Zurich, Switzerland（软机器人实验室，苏黎世联邦理工学院，瑞士）
AI总结 提出一种结合软材料Fin Ray夹爪和Fast DDS中间件的四旋翼平台RAPTOR，实现高速飞行中对不同几何形状物体的灵活抓取，平均抓取成功率83%，有效载荷达先前工作的四倍。
Comments 7 pages, 10 figures, accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2022. Video: https://youtu.be/KHkBlBABsC8 Project page: https://srl-ethz.github.io/RAPTOR
因果评估形式语言任务的可学习性
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Copenhagen（哥本哈根大学）
AI总结 通过引入分箱半环控制目标属性频率，结合因果图模型和分解KL散度，证明标准相关性评估在形式语言任务可学习性分析中存在混淆偏差。
通过动态等距保持持续学习中的可塑性
机构 * University of Amsterdam（阿姆斯特丹大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文通过动态等距机制保持深度神经网络在持续学习中的可塑性，提出等距正则化方法和AdamO优化器，在多个基准上匹配或超越现有方法。
Comments ICML26
Journal ref Forty-Third International Conference on Machine Learning (ICML 2026)
HDSL：一种用于结构化3D室内场景生成和基于LLM智能体局部编辑的层次化领域特定语言
机构 * SIGS, Tsinghua University（清华大学深圳国际研究生院） ； Nankai University（南开大学） ； University of Arizona（亚利桑那大学） ； Zhejiang University（浙江大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出HDSL语言，以树结构表示室内场景，结合LLM智能体生成、多模态检索和力导向布局优化，实现结构化场景生成与局部编辑，显著提升对象覆盖率和编辑效率。
基于事件的光学触觉传感器的稠密力估计
机构 * Sony Advanced Visual Sensing, Zurich, Switzerland（索尼高级视觉传感公司，苏黎世，瑞士） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出首个利用事件相机重建稠密3D力场的方法，通过事件数据估计表面位移并映射为力，平均误差(0.14N,0.10N,0.93N)，工作频率100Hz。
现在你（仍然）能看到我：检测大语言模型中的隐蔽隐写载荷
机构 * UCL Centre for AI（UCL人工智能中心） ； University College London（伦敦大学学院） ； ML Alignment Theory Scholars（机器学习对齐理论学者） ； Department of Computer Science（计算机科学系） ； School of Computing and Communications（计算与通讯学院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Sussex（Sussex大学） ； Imperial College London & University of Oxford（伦敦帝国学院与牛津大学）
AI总结 针对大语言模型隐写外泄风险，提出一种基于非线性MLP探针的对抗性微调方法可系统规避现有线性探针检测，但通过信息论指导的数据级干预可恢复检测能力。
我们能否利用飞行时间相机的反馈来稳定倒立摆？
机构 * Institute for Dynamic Systems and Control, ETH Zürich（苏黎世联邦理工学院动态系统与控制研究所）
AI总结 本文证明低成本、低分辨率的飞行时间相机能够提供足够反馈，可靠且精确地平衡推车上的倒立摆，挑战了其无法用于精确反馈控制的普遍观点。
反事实传输流用于离线保守轨迹细化
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出反事实传输流框架，通过检索高反馈轨迹构建局部偏好对，实现离线决策的保守轨迹细化，在D4RL基准上提升历史回报表现。
Comments accepted at RLxF @ ICML 2026
主动流扩展用于分布外发现：从理论到分子
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH AI 中心） ； University of Pennsylvania（宾夕法尼亚大学） ； Caltech（加州理工学院） ； FutureHouse
AI总结 提出Active Flow Expansion (ActFlow)方法，通过验证器反馈和主动探索扩展预训练流模型的生成集，覆盖更多有效设计空间，理论证明统计学习保证，在分子和蛋白质任务上优于现有方法。
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