高校专区
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
神经混沌：平方可积可预测过程的最优适配逼近
机构 * Department of Mathematics, McMaster University（麦基尔大学数学系） ； Vector Institute（向量研究所） ； The London School of Economics（伦敦政治经济学院） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系）
AI总结 研究\(\mathbb{R}^{d}\)值可预测平方可积过程表示计算难题，提出神经混沌架构，仅用驱动布朗运动有限次评估生成\(\mathcal{H}^2_T(\mathbb{R}^{d})\)元素，证明其稠密性及逼近率，通过实验验证有效性，提升随机分析和数学金融建模效率与表现力。
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
EgoHTR：以自我为中心的人类地形穿越的4D演示
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； TU Munich（慕尼黑工业大学）
AI总结 研究针对非结构化地形部署人形机器人的问题，提出EgoHTR数据集，通过多传感器设置捕获人类运动序列，经评估有高准确性，还利用数据训练运动策略并实现硬件部署，助力构建上下文感知机器人。
Comments Project webpage: https://egohtr.github.io
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
OmniPMNet：通过全查询神经过程弥合离散和网格化的PM10预测
机构 * ColorfulClouds Technology Co., Ltd.（彩云科技有限公司） ； School of Systems Science, Beijing Normal University（北京师范大学系统科学学院） ； D-ITET, ETH Zurich（苏黎世联邦理工学院动态信息与电气工程系）
AI总结 研究旨在弥合离散和网格化的PM10预测。核心方法是基于卷积条件神经过程的OmniPM-Net，融合化学传输模型与图神经网络预测。主要贡献是提升预测准确性，降低误差，在高浓度尾部和沙尘事件中有显著改进，还能提供网格化场。
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
关于CVPR 2026@AdvML研讨会挑战赛的技术报告
机构 * Beihang University（北京航空航天大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Tongji University（同济大学） ； iFLYTEK Co., Ltd.（科大讯飞股份有限公司） ； Anhui Laboratory for Safe Artificial Intelligence in the Yangtze River Delta（长三角安全人工智能安徽实验室） ； Wenzhou Business College（温州商学院） ； Jiangnan University（江南大学） ； Guangzhou City University of Technology（广州理工学院） ； Inceptio Technology（智元机器） ； Institute of Dataspace（数据空间研究所） ； Zhongguancun Laboratory（中关村实验室） ； Tsinghua University（清华大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； BAAI（北京智源人工智能研究院） ； Meta ； Johns Hopkins University（约翰·霍普金斯大学） ； University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学）
AI总结 介绍CVPR 2026@AdvML研讨会针对自动驾驶VLAs的对抗性多模态攻击挑战赛，基于多视图视觉问答，参赛者要生成对抗图像和文本扰动。阐述任务设计等，研究领先提交作品发现后缀惩罚等模式，为多模态自动驾驶系统相关工作提供参考。
PAKE：利用部分运动学嵌入学习全身移动操作
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究针对高自由度机器人全身移动操作面临的挑战，提出将其分解为部分参考运动生成和低级模仿控制的框架，用KNF模型生成参考运动，经高低级控制器实现精确控制，在模拟和硬件实验中均表现优异，为相关操作提供实用方案。
通过温度采样和方差校正时间偏移实现扩散多样化
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌）
AI总结 研究针对扩散模型难以达到罕见模式的问题，提出方差校正时间偏移方法，并结合温度采样，无需重新训练就能提升样本多样性，在多个模型中以低成本实现质量和保真度提升，还能实现从粗到细的控制。
Comments Webpage: https://peizhuoli.github.io/diversify-diffusion
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。
频谱去混杂梯度提升
机构 * Seminar for Statistics, ETH Zürich（统计系，苏黎世联邦理工学院） ； IFZ, Lucerne University of Applied Sciences and Arts（IFZ，卢塞恩应用科学与艺术大学）
AI总结 研究针对机器学习中隐藏混杂问题，为梯度提升开发非线性频谱去混杂框架，用频谱损失取代平方误差损失，通过频谱收缩与正则化相互作用实现去混杂，扩展方法到一般似然和非线性混杂，实验证明其能改善目标函数估计且更具可扩展性。
ProofCouncil：用于解决开放性数学问题的语言模型智能体
机构 * ETH Zurich（苏黎世联邦理工学院） ； Aarhus University（奥胡斯大学） ； Leiden University（莱顿大学）
AI总结 研究旨在提升大型语言模型解决数学开放性问题的性能，介绍了ProofCouncil智能体，它采用作者-评论家架构，在FirstProof挑战及其他问题测试中表现出色，还介绍了其开发及相关构建库并开源。
Comments 25 pages, 7 figures. ProofCouncil appears as System A (IMProofBench ProofCouncil) in the official FirstProof second-batch report (arXiv:2606.18119). Code and agent-building library: https://github.com/eth-sri/proof-council
STEEL：用于在AMD的XDNA NPU上进行节能长序列推理的稀疏感知融合注意力
机构 * AMD Research and Advanced Development (RAD)（AMD研究与先进开发） ； Integrated Systems Laboratory (IIS)（集成系统实验室） ； ETH Zürich（苏黎世联邦理工学院） ； Department of Electrical, Electronic and Information Engineering (DEI)（电气电子信息工程系） ； University of Bologna（博洛尼亚大学）
AI总结 研究针对笔记本级SoC上节能推理，提出STEEL这一针对类似XDNA的NPU的FlashAttention开源实现，通过引入预填充注意力数据流公式化及稀疏感知流水线布局，降低能耗与延迟，相比CPU和GPU有显著性能提升。
Comments Accepted at IEEE COINS 2026
用于动作分割数据集压缩的自适应潜在轨迹锚定
机构 * National University of Singapore（新加坡国立大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 该研究针对动作分割数据集压缩问题，提出利用去噪扩散隐式模型，将动作段表示为噪声流形中由稀疏潜在点锚定连续轨迹的方法，并引入自适应分配机制。实验表明，该框架显著优于现有方法，在保持低压缩率时实现与真实数据训练相当的性能。
Comments 16 pages, 5 figures, accepted to ECCV 2026
FlowDAgger：在潜在空间中对生成式机器人策略进行人工参与的自适应调整
机构 * Microsoft Research（微软研究院） ； University of Washington（华盛顿大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究针对预训练生成式机器人策略在实际部署中出现的问题，提出FlowDAgger方法，通过动作反转从人工干预获取监督，在模拟及现实操纵中评估，该方法优于基线且能保留预训练技能，为机器人基础模型自适应调整提供实用路径。
基于神经跳ODEs的非参数滤波、估计与分类
机构 * Department of Mathematics ETH Zurich（数学系，苏黎世联邦理工学院） ； Department of Statistics UC Berkeley（统计系，伯克利大学） ； Department of Mathematics Albert-Ludwigs-Universität Freiburg（数学系，弗赖堡阿尔伯特-路易斯大学）
AI总结 本文提出基于神经跳ODEs的非参数滤波与分类方法，通过理论保证和实验证明其在复杂分布下的优越性能，适用于金融和健康监测等实时性要求高的领域。
Journal ref Statistics & Risk Modeling, vol. 42, no. 3-4, 2025, pp. 55-90
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