高校专区
当伦理与收益相悖时：道德两难情境下的大语言模型智能体
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根人工智能研究所） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究道德要求与利润激励冲突时LLMs在道德两难博弈中的行为，引入\msim评估九个模型，通过ATEs估计因果效应、分析推理轨迹，发现模型道德行为有情境脆弱性，揭示了部署风险。
在真实机器人上在线强化学习中什么至关重要
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google DeepMind（谷歌DeepMind）
AI总结 本研究探讨了在真实机器人上实现稳定在线强化学习的关键设计选择，发现某些默认设置可能有害，而稳健的设计选择能提高学习稳定性。
接触网-受电弓系统中弧光检测的多模态学习
机构 * Chair of Structural Mechanics & Monitoring, ETH Zürich（苏黎世联邦理工学院结构力学与监测教授职位） ； Intelligent Maintenance and Operations Systems Lab, EPFL（洛桑联邦理工学院智能维护与运营系统实验室）
AI总结 本文提出多模态学习框架，结合图像与力数据，有效检测接触网-受电弓系统中的弧光事件，提升检测鲁棒性和准确性。
重要的不是你说了什么，而是你怎么说：评估大语言模型对信念表达的回应
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 研究用户信念表达形式对大语言模型的影响，引入基于语言维度的类型学，生成可控查询对，评估不同架构、规模和训练阶段的16个LLMs，发现响应行为差异及能显著说服模型的特定信念表达，揭示语言框架对模型情境整合的影响。
Comments Published at ACL 2026
飞行、跟踪、着陆：一种无基础设施的磁感应定位用于异构无人机-地面车辆协同
机构 * Department of Engineering, University of Perugia（工程系，佩鲁吉亚大学） ； Multi-Robot Systems Group, Faculty of Electrical Engineering, Czech Technical University in Prague（多机器人系统组，电气工程系，布拉格捷克技术大学） ； D-ITET Department, ETH Zürich（D-ITET部门，苏黎世联邦理工学院）
AI总结 该研究提出一种无基础设施的磁感应定位系统，使无人机在移动地面车辆上实现厘米级精度的自主悬停、跟踪和着陆。
Comments Revised version submitted to Robotics and Autonomous Systems (Elsevier). Supplementary video available
推理模型中的流体表示
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Toronto（多伦多大学）
AI总结 研究揭示了推理模型通过上下文细化令牌表示提升抽象问题解决能力的机制，提出流体推理表示概念。
Comments EMNLP 2026
从较少数据进行基准预测如何失准
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究大语言模型基准预测方法，通过对11种方法在19个基准上评估，发现现有方法依赖模型相似性，新模型出现时效果不佳。提出受增强逆倾向加权启发的新方法，虽能改进但提升有限，揭示基准预测在评估前沿失效的问题。
NaP-Control: 为多功能和快速字符控制导航扩散先验
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出NaP-Control方法，通过强化学习操控任务无关的扩散策略先验的潜在噪声，实现快速、鲁棒且高保真的字符控制，同时通过环境交互优化任务奖励，提升成功率并适应挑战性场景。
Comments ECCV 2026. Project page: https://chiawenchen.github.io/nap-control-project/
无传感器、本征柔顺的人形肌理手驱动电液执行器
机构 * Soft Robotics Lab, ETH Zurich, Switzerland（苏黎世联邦理工学院软机器人实验室，瑞士） ； The University of Tokyo, Japan（东京大学，日本）
AI总结 本文提出一种无传感器、本征柔顺的人形肌理手，利用电液执行器实现高运动灵活性与物理柔顺性，通过机械放大机构提升抓取能力，实验验证了其在复杂环境中的安全性和抓取性能。
Comments Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2026
TinyGLASS: 工业质量控制中的实时自监督传感器异常检测
机构 * ETH Zurich（苏黎世联邦理工学院） ； Interdisciplinary Transformation University of Austria（奥地利跨学科转型大学） ； Swiss Engineering Partners AG（瑞士工程伙伴公司）
AI总结 TinyGLASS通过轻量级改进实现实时边缘和传感器异常检测，压缩参数8.6倍，达到94.2%的AUROC并在8MB内存下以20FPS运行。
Comments Accepted at the 8th International Conference on Artificial Intelligence Circuits and Systems (AICAS) 2026
基于共识交替方向乘子法的粒子图像测速细化用于主动流体控制
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 研究针对传统粒子图像测速法及机器学习方法在流量量化中的不足，提出将其作为多估计器融合问题，采用基于交替方向乘子法的共识框架，经实验验证该方法能提升性能，并成功应用于实际主动流体控制中。
Comments Accepted for presentation at, and publication in the proceedings of, the 2026 65th IEEE Conference on Decision and Control (CDC). Code available at https://github.com/antonioterpin/flowgym
CityLoc：基于高斯表示的大规模场景文本描述的6自由度姿态分布定位
机构 * Computer Vision Lab, ETH Zurich（苏黎世联邦理工学院计算机视觉实验室） ； University of Pisa（比萨大学） ； University of Trento（特伦托大学）
AI总结 研究大规模场景文本描述的6自由度姿态分布定位问题，核心方法是用基于扩散架构结合预训练文本编码器细化姿态，经3D高斯渲染提高精度，通过与标准方法对比验证其在多数据集上的优越性。
生成式编译：人工智能生成代码时的即时编译器反馈
机构 * ETH Zurich（苏黎世联邦理工学院） ； Sofia University ``St. Kliment Ohridski''（索菲亚大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究针对人工智能生成代码时的问题，提出生成式编译方法，核心是sealor技术，能在生成中获取编译器反馈，在Rust编码任务中评估，减少非编译输出、提高功能正确性，使编译器在生成阶段发挥更重要作用。
整体融合：基于因子图的与任务和设置无关的机器人定位与状态估计
机构 * ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）
AI总结 研究针对移动机器人定位与状态估计问题，提出整体融合方法，通过因子图公式融合多类型测量，注重局部平滑性与一致性，能在典型硬件上实现低延迟、平滑在线估计及低漂移全局定位，在多场景验证了框架有效性。
Comments 21 pages, 25 figures, 9 tables, Transactions on Robotics, accepted
Journal ref Transactions on Robotics 2026
选择树提升的超参数
机构 * Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计研究所）
AI总结 本文通过59个数据集比较了多种超参数优化方法，发现SMAC方法显著优于其他方法，并揭示了超参数调优的关键因素。
NORACL：为无 oracle 的资源自适应持续学习的神经发生
机构 * Institute of Neuroinformatics University of Zurich & ETH Zurich（神经信息学研究所 集中理工大学苏黎世分校 & 伯尔尼联邦理工学院）
AI总结 NORACL通过生物神经发生机制解决持续学习中的稳定性与可塑性矛盾，动态扩展网络结构以适应不同任务需求，实现更高效的持续学习性能。
Comments 26 pages, 7 figures and 6 tables
在机器人运动强化学习中预训练Actor-Critic算法
机构 * Robotic Systems Lab, ETH Zürich（苏黎世联邦理工学院机器人系统实验室） ； Section of Microengineering, EPFL（日内瓦联邦理工学院微工程系） ； ETH AI Center（苏黎世联邦理工学院人工智能中心）
AI总结 本研究提出了一种在机器人运动强化学习中预训练Actor-Critic算法的方法，通过预训练模型提升样本效率和任务性能。
Comments Published in IEEE Robotics and Automation Letters (RA-L)
价值漂移：在大语言模型训练后追踪价值对齐
机构 * Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
AI总结 研究大语言模型训练后价值对齐问题，通过实验区分训练后算法和数据集影响，测量价值漂移，发现SFT阶段确立模型价值，后续偏好优化难重对齐，不同算法在偏好数据不变时也有不同结果，为相关选择提供见解。
Comments TACL 2026
克服语言障碍：对2023年瑞士隐私法影响的多语言分析
机构 * ETH Zurich（苏黎世联邦理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究2023年瑞士隐私法与欧盟法规对齐对瑞士网站隐私政策的影响，开发基于大语言模型的管道提取法律信息，应用于超35000个网站隐私政策，发现政策中数据主体权利披露增加，还揭示了政策生成器对披露率的影响。
Journal ref Proceedings on Privacy Enhancing Technologies 2026(4) 703-723
达尔文语言模型：大语言模型的进化结构化剪枝
机构 * MBZUAI ； ETH Zurich（苏黎世联邦理工学院） ； ISTA ； Red Hat AI（红帽人工智能）
AI总结 研究针对大语言模型计算成本高的问题，提出达尔文语言模型（DarwinLM），基于进化搜索过程，通过变异生成后代模型并经多步训练选择最优者，在多个模型上实验验证，实现结构化剪枝最优性能，压缩后训练所需数据更少。
Comments Accepted by COLM 2026 Code: https://github.com/IST-DASLab/DarwinLM
归纳推理任务中Transformer的不变学习动态
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford（斯坦福大学）
AI总结 该研究提出理论框架解释Transformer语言模型归纳推理能力，研究广义归纳任务，证明其训练动态可限制在低维不变流形，刻画数据统计对学习竞争的影响，探讨初始化作用并展示坐标框架用途，向Transformer学习预测理论迈进。
平滑算子：一种基于实时采样的运动学手部重定向算法
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； mimic robotics（模仿机器人公司）
AI总结 针对基于梯度的手部重定向算法易收敛到不同局部最小值影响数据质量的问题，提出基于采样的无梯度重定向方法SBR，经模拟和真实用户研究评估，其总体任务成功率最高且显著降低操作员疲劳，为灵巧操作提供高效重定向器及基准测试方法。
Comments Minor cosmetic updates to figures
基于潜在语法流的神经符号微分方程发现
机构 * ETH AI Center and Institute of Structural Engineering（苏黎世联邦理工学院人工智能中心和结构工程研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心）
AI总结 本文提出Latent Grammar Flow框架，通过生成微分方程来理解系统，结合符号方法与深度学习，实现可解释性和迁移性。
Comments Accepted to the Structured Probabilistic Inference & Generative Modeling Workshop at ICML 2026 in Seoul, South Korea
轨迹方差：鸟类鸣叫发育中无监督的发声可塑性度量
机构 * Institute of Neuroinformatics, University of Zurich and ETH Zurich（苏黎世大学和瑞士联邦理工学院神经信息学研究所）
AI总结 研究鸟类鸣叫发育中发声变化，提出轨迹方差这一可塑性得分，用位移模型预测自动编码器潜在空间中年龄条件变化，其预测方差量化发声变化，能区分习得音节与先天鸣叫且与频谱平坦度相关。
弥合潜在推理与显式推理之间的差距：循环Transformer
机构 * UW-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； ETH Zürich（苏黎世联邦理工学院） ； KRAFTON（魁匠团） ； Ludo Robotics
AI总结 提出LOTUS方法，利用循环Transformer在潜在空间进行多步推理，通过并行监督潜在块上的CoT令牌，首次在3B规模弥合与显式CoT的差距，并将推理延迟降低2.5-6.9倍。
层次化和整体化的开放词汇功能3D场景图用于室内空间
机构 * Tsinghua University（清华大学） ； ETH Zürich（苏黎世联邦理工学院） ； MPI for Informatics（信息研究所） ； Dalian University of Technology（大连理工大学） ； Microsoft（微软） ； Stanford University（斯坦福大学） ； University of Lugano（卢加诺大学）
AI总结 本文提出一种开放词汇管道，结合2D视觉定位和3D图优化，解决小规模密集相似实例的场景图推理问题，通过时间图优化和全局层次塑造提升室内空间的功能3D场景图生成能力。
通过动作生成与动作追踪学习全身体态的人形运动
机构 * Robotic Systems Lab, ETH Zuirch（苏黎世联邦理工学院机器人系统实验室） ； Simon Fraser University（西蒙弗雷泽大学） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； EPFL（苏黎世联邦理工学院）
AI总结 本文提出结合参考动作学习与地形感知适应的全身体态人形运动框架，通过扩散模型预测地形感知参考动作，并利用强化学习训练全身体态追踪器，提升在不同地形上的适应能力。
弥合气候科学与机器学习之间的差距：在气候模型模拟中的应用
机构 * Cluster of Excellence Machine Learning University of Tübingen（图宾根大学机器学习卓越中心） ； Institute for Atmospheric and Climate Science ETH Zurich（大气与气候科学研究所，苏黎世联邦理工学院）
AI总结 本文提出整合气候科学与机器学习的方法，解决模拟器在气候决策中的应用障碍，通过设计易用且可靠的模拟器促进两领域融合。
通过模仿学习实现自主软机器人血管内导航
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Stanford University（斯坦福大学） ； McGill University（麦吉尔大学） ； University of Maryland（马里兰大学） ； Swiss Federal Institute of Technology in Lausanne (EPFL)（日内瓦联邦理工学院（EPFL）） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究旨在实现自主软机器人血管内导航，开发基于变压器的模仿学习框架，通过目标条件等实现通用导航，在多种几何结构上训练并评估，策略成功率高，还进行了相关研究及扩展，提升了在未见几何结构上的成功率。
基于强化学习的目标导航方法中什么重要？实证研究与统一框架
机构 * Computer Vision and Geometry Group, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机视觉与几何组） ； Robotics and Perception Group, University of Zurich, Switzerland（苏黎世大学机器人与感知组） ； Robotic Systems Lab, ETH Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室） ； Princeton Robotic Intelligence and SysteMs group, Princeton University, USA（普林斯顿大学机器人智能与系统组） ； Microsoft, Switzerland（微软公司）
AI总结 研究目标导航中基于强化学习方法各组件影响，通过分解导航管道为感知、策略和测试时增强三组件进行实证研究，引入统一框架，构建增强系统达领先性能，提供见解与建议，凸显当前智能体与人类导航差距。
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