高校专区
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
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。
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。
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
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。
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