高校专区
不要抛弃你的光束：通过光束搜索改进大语言模型中的基于一致性不确定性的方法
机构 * ETH Zurich（苏黎世联邦理工学院） ； MBZUAI（穆萨伊人工智能研究院）
AI总结 本文提出通过光束搜索改进大语言模型中的基于一致性的不确定性量化方法，减少方差并提升性能，实验证明其在六个问答数据集上达到最先进的性能。
子流形稀疏卷积网络用于计算机断层扫描中肾脏及肾肿瘤的自动三维分割
机构 * ETH Zürich, Institute for Particle Physics and Astrophysics（苏黎世联邦理工学院，粒子物理与天体物理研究所） ； University of Cambridge, Department of Physics（剑桥大学，物理系） ； University of Cincinnati, Department of Physics（辛辛那提大学，物理系） ； University of Cambridge, Department of Radiology（剑桥大学，放射学系）
AI总结 本文提出基于体素稀疏化和子流形稀疏卷积网络的两阶段3D分割方法，用于提高CT图像中肾脏及肿瘤的分割效率与精度，实验表明其在速度和内存使用上均优于现有方法。
Comments 15 pages, 6 figures
通过强化LLM进化搜索获得Zarankiewicz数的新界
机构 * Massachusetts Institute of Technology（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学）
AI总结 本文首次确定三个Zarankiewicz数的精确值，并通过强化LLM进化搜索方法为41个数建立下界，展示了LLM引导的进化搜索在数学研究中的潜力。
Comments *Jay Bhan and Nicole Nobili contributed equally to this work as first authors, and their order was determined via coin flip
神经符号证明生成用于系统软件验证的扩展
机构 * State Key Laboratory of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室） ； School of Computer Science, Nanjing University, China（南京大学计算机科学学院） ； Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； School of Computing and Mathematical Sciences, Birkbeck, University of London, UK（伦敦大学伯克贝克学院计算与数学科学学院）
AI总结 本文提出一种神经符号证明生成框架，通过结合大语言模型和交互式定理证明工具，实现系统级验证的自动化证明搜索，有效提升软件验证的可扩展性。
Comments Published as a conference paper at OSDI'2026, and code is available at \url{https://github.com/SoaringE/seL4-proof-search}
语法对意义不确定性的影响：跨语言证据、神经相关性及临床相关性
机构 * Grammar and Cognition Lab, Department of Translation & Language Sciences, Universitat Pompeu Fabra（语法与认知实验室，翻译与语言科学系，庞培法布拉大学） ； School of Foreign Studies, Guangzhou University（外语学院，广州大学） ； Department of Neurology Sant Pau Memory Unit, Hospital de la Santa Creu i Sant Pau Biomedical Research Institute Sant Pau（圣帕乌记忆单位神经科，圣帕乌生物医学研究机构） ； Frontotemporal Disorders Unit, Department of Neurology, Massachusetts General Hospital, Harvard Medical School（前额叶疾病单位，神经科，马萨诸塞总医院，哈佛医学院） ； Ace Alzheimer Center Barcelona, Universitat Internacional de Catalunya（巴塞罗那阿尔茨海默病中心，国际加泰罗尼亚大学） ； Networking Research Center on Neurodegenerative Diseases (CIBERNED), Instituto de Salud Carlos III（神经退行性疾病网络研究机构（CIBERNED），卡洛斯三世健康研究所） ； Department of Language Science and Technology, Saarland University（语言科学与技术系，萨尔兰大学） ； Department of Operation and Management, Zhuhai People's Hospital (The Affiliated Hospital of Beijing Institute of Technology, Zhuhai Clinical Medical College of Jinan University)（珠海人民医院（北京理工大学附属珠海临床医学院）） ； Department of Statistics, Zhuhai People's Hospital (The Affiliated Hospital of Beijing Institute of Technology, Zhuhai Clinical Medical College of Jinan University)（珠海人民医院（北京理工大学附属珠海临床医学院）） ； Faculty of Medicine, Macau University of Science and Technology（医学学院，澳门科技大学） ； CIDCL, Escuela de Fonoaudiología, Universidad de Valparaíso（CIDCL，语言治疗学系，瓦尔帕莱索大学） ； Department of Psychiatry and Psychotherapy, University of Marburg（精神病学与心理学系，马尔堡大学） ； Marburg University, School of Medicine, Department of Psychiatry and Psychotherapy（马尔堡大学，医学院，精神病学与心理学系） ； Department of Adult Psychiatry and Psychotherapy, University of Zurich（成人精神病学与心理学系，苏黎世大学） ； Neuroscience Center Zurich, University of Zurich and ETH Zurich（苏黎世神经科学中心，苏黎世大学和ETH苏黎世联邦理工学院） ； Center for Clinical Neuroscience and Cognition and Department of Psychiatry, University of Groningen, University Medical Center Groningen（临床神经科学与认知中心及精神病学系，格罗宁根大学，格罗宁根大学医学中心） ； Douglas Mental Health University Institute, Department of Psychiatry, McGill University（道格拉斯大学心理健康研究所，精神病学系，麦吉尔大学） ； Department of Medical Biophysics, Schulich School of Medicine and Dentistry, Western University（医学生物物理系，施吕赫尔医学院及牙科学院，西部大学） ； Robarts Research Institute, Schulich School of Medicine and Dentistry, Western University（罗巴茨研究所，施吕赫尔医学院及牙科学院，西部大学） ； Institut Català de Recerca i Estudis Avançats (ICREA), Barcelona, Spain（加泰罗尼亚高级研究与研究机构（ICREA），巴塞罗那，西班牙）
AI总结 研究探讨语法如何跨语言压缩意义不确定性，通过神经机制和临床案例揭示语言处理的核心原理。
无需注册的可学习多视角面部密集语义对应捕捉
机构 * Institute of Robotics, Athena Research Center（机器人研究所，雅典研究中心） ； School of ECE, NTUA（电子工程学院，NTUA） ； HERON – Hellenic Robotics Center of Excellence（希腊机器人 excellence 中心） ； MPI for Intelligent Systems（智能系统研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌）
AI总结 本文提出MOCHI框架，无需注册数据直接从多视角图像预测3D面部，通过伪线性逆运动学求解器确保拓扑一致性，改进损失函数提升重建精度。
Comments 19 pages, CVPR 2026
通过移位寄存器多路复用实现高吞吐量的可扩展传感器读取用于灵巧机械手
机构 * Soft Robotics Lab, IRIS, D-MAVT, ETH Zurich（软机器人实验室，IRIS，D-MAVT，苏黎世联邦理工学院） ； Integrated Systems Laboratory, ETH Zurich（集成系统实验室，苏黎世联邦理工学院）
AI总结 本文提出一种基于串入并出移位寄存器原理的可扩展模拟传感器读取架构，支持异构模拟输出传感器的集成与扩展，实现高吞吐量的传感器数据采集，验证了其在机械手上的应用效果。
稀疏表示学习用于血管
机构 * Department of Quantitative Biomedicine, University of Zurich, Switzerland（苏黎世大学定量生物医学系） ； ETH AI Center, ETH Zurich, Switzerland（苏黎世联邦理工学院人工智能中心） ； Department of Diagnostic Radiology, National University of Singapore, Singapore（新加坡国立大学诊断放射科）
AI总结 本文提出VAEsslSparse模型，通过稀疏卷积和注意力机制实现亚毫米级血管网络的高效表示，提升临床诊断和血管生成的性能。
地球系统基础模型（ESFM）：一个用于异质数据整合和预测的统一框架
机构 * Swiss Data Science Center (SDSC), ETH Zurich & EPFL（瑞士数据科学中心（SDSC）、苏黎世联邦理工学院与洛桑联邦理工学院） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； Federal Office for Meteorology and Climatology MeteoSwiss（联邦气象与气候办公室MeteoSwiss） ； Institute of Geodesy and Photogrammetry, ETH Zurich（苏黎世联邦理工学院测绘与摄影测量研究所） ； Computational and Applied Mathematics Laboratory, ETH Zurich（苏黎世联邦理工学院计算与应用数学实验室） ； Institute for Atmospheric and Climate Science (IAC), ETH Zurich（大气与气候科学研究所（IAC）、苏黎世联邦理工学院） ； Scalable Parallel Computing Lab, ETH Zurich（可扩展并行计算实验室、苏黎世联邦理工学院） ； Dep. of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系、剑桥大学）
AI总结 本文提出ESFM，一个基于3D Swin UNet的开放模型，通过扩展编码方案和轴向注意力机制，实现对多源异质数据的整合与预测，提升气候科学应用性能。
Comments ESFM is available on https://github.com/swiss-ai/ESFM. 48 pages, 29 figures, 18 tables
2026 年人工智能与机器学习在智能制造中的路线图
机构 * Center for Industrial Artificial Intelligence, Department of Mechanical Engineering, University of Maryland, College Park（工业人工智能中心，机械工程系，马里兰大学College Park分校） ； Department of Management, Economics and Industrial Engineering, Politecnico di Milano（管理、经济与工业工程系，米兰理工学院） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（工业与系统工程系，香港理工大学） ； Centre for Advanced Manufacturing & Supply Chains, World Economic Forum（先进制造与供应链研究中心，世界经济论坛） ； Department of Mechanical Engineering, Indian Institute of Technology Indore（机械工程系，印度理工学院Indore分校） ； Future Information Innovative College, Fudan University（未来信息创新学院，复旦大学） ； Department of Mechanical Engineering, Seoul National University（机械工程系，首尔国立大学） ； Department of Mechanical and Information Engineering, University of Seoul（机械与信息工程系，首尔大学） ； Onepredict Corp.（Onepredict公司） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） ； Singapore Centre for 3D Printing, Nanyang Technological University（新加坡3D打印中心，南洋理工大学） ； Mechanical Engineering, Purdue University（机械工程系，普渡大学） ； Digital Twin International Research Center, International Institute for Interdisciplinary and Frontiers, Beihang University（数字孪生国际研究中心， interdisciplinary and Frontiers 国际研究院，北京航空航天大学） ； School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Center for Advanced Manufacturing, University of Southern California（先进制造中心，南加州大学） ； School of Sustainability Engineering and Environmental Engineering, Purdue University（可持续工程与环境工程系，普渡大学） ； School of Mechanical Engineering, Sungkyunkwan University（机械工程系，全南大学） ； Intelligent Maintenance and Operations Systems, EPFL（智能维护与运营系统，苏黎世联邦理工学院） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学） ； Department of Mechanical and Process Engineering, ETH Zürich（机械与工艺工程系，苏黎世联邦理工学院）
AI总结 本文探讨人工智能与机器学习在智能制造中的发展现状与未来方向，涵盖基础理论、应用领域及新兴技术，旨在推动创新与产业应用。
Comments This paper has been accepted for publication in the Journal Machine Learning: Engineering
超越'差异'：应对代理软件开发中的代理熵
机构 * Dipartimento Tecnologie Innovative, SUPSI（技术创新部，SUPSI） ； Dalle Molle Institute for Artificial Intelligence (IDSIA), SUPSI（达勒莫利人工智能研究所（IDSIA），SUPSI） ； Management in Networked and Digital Societies (MINDS) Department, Kozminski University（网络化与数字化社会管理（MINDS）系，科津斯基大学） ； Institute of Biomedical Ethics and History of Medicine, University of Zurich（生物医学伦理与医学史研究所，苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出一种过程导向的可解释框架，通过时间、工具调用和架构边界揭示代理决策过程，解决代理行为与架构意图的偏离问题，为代理监控提供意图层面的 telemetry。
Comments Camera-ready version of the position paper accepted to the Human-Centered Explainable AI (HCXAI) Workshop at CHI 2026
速度为王：单步扩散的零样本深度补全
机构 * DTU - Technical University of Denmark（丹麦技术大学） ； Pioneer Centre for AI（先锋人工智能中心） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出Marigold-SSD框架，通过单步晚融合方法结合强扩散先验，降低测试时优化成本，实现高效鲁棒的3D感知。该方法在四个室内和两个室外数据集上表现优异，显著缩小了扩散模型与判别模型间的效率差距。
用人类注视建模主观城市感知
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出基于注视行为的城市感知框架，通过结合注视数据与场景表示，提升对主观城市感知的预测能力。
ScreenParse：超越稀疏标注的完整屏幕解析监督
机构 * IBM Research Zurich, Zurich, Switzerland（IBM苏黎世研究实验室，瑞士苏黎世） ； ETH Zurich, Computer Vision（苏黎世联邦理工学院，计算机视觉） ； ETH AI Center, Switzerland（苏黎世联邦理工学院人工智能中心，瑞士） ； ETH Zurich, Photogrammetry（苏黎世联邦理工学院，摄影测量学） ； Microsoft, Switzerland（微软公司，瑞士）
AI总结 ScreenParse通过大规模完整屏幕解析标注，训练出性能优异的ScreenVLM模型，显著提升了密集解析能力和迁移表现。
Comments Accepted at ICML 2026. 28 pages, 15 figures
基于边缘神经形态硬件的实时帧级和事件级目标检测：设计、部署与基准测试
机构 * Department of Electrical and Photonics Engineering, Technical University of Denmark（电气与光子工程系，丹麦技术大学） ； Autonomous Systems Lab, ETH zürich（自主系统实验室，苏黎世联邦理工学院）
AI总结 本文提出了一种针对神经形态平台的通用SNN检测架构设计方法，并在Intel Loihi 2上进行部署与基准测试，展示了SNN在低功耗实时目标检测中的优势。
Comments 11 figures, 7 tables, 53 pages
机器人学习的世界模型：全面综述
机构 * Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； The University of Tokyo（东京大学） ； University of Oxford（牛津大学） ； Microsoft（微软公司） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 综述从机器人学习角度系统回顾世界模型的快速发展，探讨其与机器人策略的耦合、作为强化学习模拟器的作用以及机器人视频世界模型的发展，总结关键范式与挑战。
Comments 43 pages, 6 figures
基于条件扩散后验对齐的稀疏视图CT重建
机构 * Swiss Data Science Center (SDSC) in Paul Scherrer Institute (PSI)（瑞士数据科学中心（SDSC）在保罗·舍勒研究所（PSI）） ； Swiss Data Science Center (SDSC) and ETH Zurich（瑞士数据科学中心（SDSC）和苏黎世联邦理工学院） ； Swiss Data Science Center (SDSC) and Paul Scherrer Institute (PSI)（瑞士数据科学中心（SDSC）和保罗·舍勒研究所（PSI））
AI总结 本文提出CDPA方法，结合条件扩散与显式数据一致性，解决稀疏视图CT重建中3D体积扩展问题，通过2D U-Net模型提升切片一致性，并在合成和真实CBCT数据上取得最佳性能。
基于人工智能的亚历山大数据库扩展与应用
机构 * Research Center Future Energy Materials and Systems of the University Alliance Ruhr（鲁尔大学联盟未来能源材料与系统研究中心） ； ICAMS, Ruhr University Bochum, Universitätsstraße 150, D-44801 Bochum, Germany（鲁尔大学波恩分校ICAMS研究中心） ； Department of Materials, ETH Zürich, Zürich, CH-8093, Switzerland（苏黎世联邦理工学院材料系） ； CFisUC, Department of Physics, University of Coimbra, Rua Larga, 3004-516 Coimbra, Portugal（科英布拉大学物理系） ； ACEworks GmbH, Hagen-Hof-Weg 1, 44797 Bochum, Germany（ACEworks GmbH） ； Department of Physics, West Virginia University, Morgantown, WV 26506, USA（西弗吉尼亚大学物理系）
AI总结 本文提出一种新型多阶段工作流程，通过生成模型、机器学习势能和图神经网络，成功将亚历山大数据库扩展至580万结构，新增13万DFT验证化合物，并展示了改进的GRACE模型在基准测试中的准确性。
关于在惊奇理论中正确处理单位的探讨
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 本文探讨了在惊奇理论中正确处理语言单位的重要性，提出应明确区分单位定义与预测区域选择，并统一框架处理任意单位库。
Comments ACL 2026 (main conference)
通过惩罚正则化实现约束探索的全局最优性
机构 * Florian Wolf: , Ilyas Fatkhullin: , Niao He: 1The Computing \& Mathematical Sciences Department, California Institute of Technology, Pasadena, CA. 2Department of Computer Science, ETH Zurich, Switzerland. 3ETH AI Center, ETH Zurich, Switzerland.
AI总结 本文提出Policy Gradient Penalty方法，通过二次惩罚正则化解决约束下的探索问题，实现全局收敛性和近优策略。
重新审视RaBitQ和TurboQuant：方法、理论和实验的对称比较
机构 * ETH Zurich（苏黎世联邦理工学院） ； Nanyang Technological University（南洋理工大学） ； University of Michigan（密歇根大学） ； Tsinghua University（清华大学） ； HKUST（香港科技大学）
AI总结 本文对比了RaBitQ和TurboQuant在方法、理论和实验证据上的表现，发现TurboQuant在内积估计、最近邻搜索和KV缓存量化任务中表现不如RaBitQ，并指出TurboQuant论文中的一些运行时间和召回率结果无法复现。
有界比率强化学习
机构 * ETH Zurich（苏黎世联邦理工学院） ； MPI for Intelligent Systems（智能系统研究所） ； University of Alberta（阿尔伯塔大学） ； Dartmouth College（达特茅斯学院） ； Balgrist University Hospital（巴尔格里斯特大学医院）
AI总结 本文提出BRRL框架，通过建立正则化约束策略优化问题，推导出分析最优解，并证明其保证性能单调提升。BPO算法通过最小化策略与BRRL最优解之间的优势加权分歧，实现稳定性和最终性能优于PPO。
Comments 23 pages, 9 figures; Project page and code available at https://bounded-ratio-rl.github.io/brrl/
对齐感知、推理、建模与交互：物理AI的综述
机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； 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） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（云网智能技术有限公司） ； Peking University and Beijing International Center for Mathematical Research（北京大学和北京国际数学研究中心）
AI总结 本文综述了物理AI，探讨了理论物理推理与应用物理理解的区别，并分析了基于物理的方法如何提升AI在现实世界中的理解能力，推动更安全、可推广的AI系统。
StereoSpace：通过端到端扩散在规范空间中实现无深度的立体几何合成
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Bologna（博洛尼亚大学） ； HUAWEI Bayer Lab（华为贝加尔实验室）
AI总结 StereoSpace通过端到端扩散模型在规范空间中实现无深度的立体几何合成，采用视角条件化方法，无需显式深度或变形，通过端到端生成对应关系和填补遮挡区域，提升立体生成的清晰度和鲁棒性。
Comments CVPR 2026 Findings. Project page: https://hf.co/spaces/prs-eth/stereospace
基于事实性的不确定性量化用于验证检索增强生成的输出
机构 * ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（穆斯林人工智能研究所）
AI总结 本文提出FRANQ方法，通过不同不确定性量化技术区分事实性和检索忠实性，提升RAG输出的事实性检测准确性。
PiGGO：用于在不确定性下的非线性动态结构虚拟传感的物理引导可学习图卡尔曼滤波器
机构 * Department of Civil, Environmental and Geomatic Engineering, ETH Zürich（土木、环境与地理工程系，苏黎世联邦理工学院） ； Future Resilient Systems（未来韧性系统）
AI总结 本文提出PiGGO框架，结合物理引导的图神经ODE与扩展卡尔曼滤波，实现非线性动态结构的在线虚拟传感和不确定性感知状态估计，优于传统方法和开环图神经模型。
FloatSOM：GPU加速、分布式、拓扑灵活的自组织映射
机构 * John Curtin School of Medical Research, Australian National University（澳大利亚国立大学约翰·库廷医学研究学院） ； Department of Information Technology and Electrical Engineering, ETH Zürich（苏黎世联邦理工学院信息科技与电气工程系） ； Mathematical Data Science Centre, Australian National University（澳大利亚国立大学数学数据科学中心） ； Walter and Eliza Hall Institute（沃尔特和伊丽莎白·霍尔研究所）
AI总结 FloatSOM通过多GPU执行、内存盘流式传输和新型拓扑结构，提升了大规模自组织映射的性能与效率，降低量化误差并实现高吞吐量分布式训练。
动量守恒图神经网络用于变形物体
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； ETH Zürich（苏黎世联邦理工学院） ； University of Bonn（波恩大学） ； Fraunhofer Institute for Algorithms and Scientific Computing（弗劳恩霍夫算法与科学计算研究所）
AI总结 本文提出MomentumGNN，通过构造性跟踪动量，解决传统GNN在预测变形物体动量守恒时的不足，采用物理导向损失进行无监督训练，在关键场景中表现更优。
Comments Accepted to 3DV 2026
JumpLoRA: 大型语言模型中持续学习的稀疏适配器
机构 * Bitdefender（Bitdefender公司） ； ETH Zurich（苏黎世联邦理工学院） ； University of Bucharest（布加勒斯特大学）
AI总结 JumpLoRA通过JumpReLU门控在LoRA块中诱导稀疏性，实现动态参数隔离，提升IncLoRA性能并超越ELLA方法。
面向无人机图像的鲁棒深度学习Rumex Obtusifolius检测
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文研究了通过无人机图像对Rumex进行分类的领域适应问题，发现基于ResNet的CNN模型在目标域表现不佳，而预训练的Vision Transformer在领域转移中表现更优，公开了包含15次飞行数据的AGSMultiRumex数据集。
Comments under review
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