高校专区
你的预训练扩散模型秘密知道修复
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文揭示预训练扩散模型固有修复能力，通过直接学习文本编码器输出的提示嵌入解锁，提出扩散桥框架解决训练与推理不一致问题，实现高效修复模型。
Comments Project page: https://sudraj2002.github.io/yptpage/
一个标记值得一个标记：高效生成世界建模与Delta标记
机构 * Amazon（亚马逊） ； Eindhoven University of Technology（埃因霍温理工大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出DeltaTok和DeltaWorld，通过将视频特征差值编码为单个连续标记，实现高效生成世界建模，减少参数和计算量，提升预测多样性。
Comments CVPR 2026. Code and weights: https://deltatok.github.io
什么使多语言推理有效？通过可测量的特征解构推理痕迹
机构 * University of Maryland（马里兰大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文通过定义可测量的推理特征，研究多语言环境下有效推理的特征，并发现这些特征在不同语言中的关联强度差异显著，挑战了以英语为中心的奖励设计。
Comments 31 pages, 7 figures
DeonticBench: 一个用于规则推理的基准
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出DeonticBench，包含6232个任务，涵盖美国联邦税收、航空行李政策等真实领域，研究复杂规则推理问题，结合语言推理与符号计算，评估LLM在非符号和符号环境下的规则推理能力。
ShieldNet: 针对代理系统中新兴供应链注入的网络级防护
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； University of Chicago（芝加哥大学） ； University of Georgia（佐治亚大学） ； United States Military Academy（美国军事学院） ； eBay ； Johns Hopkins University（约翰霍普金斯大学） ； UCSB（加州大学圣塔芭芭拉分校） ； Virtue AI
AI总结 本文提出ShieldNet，通过观察真实网络交互检测供应链注入，优于现有工具，检测性能达0.995 F-1，误报率低。
InferenceEvolve：通过自演化AI实现自动因果效应估计器
机构 * Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学彭博公共卫生学院） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）
AI总结 本文提出InferenceEvolve框架，利用大语言模型发现并迭代优化因果方法，在多个基准测试中优于现有方法，展示了语言模型引导的进化在因果推断中的潜力。
GENFIG1：学术工作的视觉摘要对视觉-语言模型的挑战
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 GENFIG1基准测试要求视觉-语言模型生成能清晰表达论文核心思想的图表，强调科学理解与视觉合成的结合，揭示生成高质量学术图表的难度。
PIMMUR 原则：确保 LLM 社会集体行为的有效性
机构 * Chinese University of Hong Kong（香港中文大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； Renmin University of China（中国人民大学）
AI总结 本文通过审计39项研究，识别出六个普遍缺陷，指出89.7%的研究违反至少一个原则，导致模拟有效性受损。通过复现实验发现，当遵循PIMMUR原则时，报告的集体现象往往消失或反转，表明许多'涌现'行为可能是方法学伪影而非真实社会动态。
Comments 13 pages, 9 figures, 3 tables; add more papers in our systematic audit (39 in total)
当模型知道更多 than 它说：探测类比推理在 LLMs 中
机构 * Cambridge University（剑桥大学） ； Northeastern University（东北大学） ； Athenahealth ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨了LLMs在类比推理任务中的表现，发现探测内部表示比提示性能更优，揭示了任务依赖性和提示机制的局限性。
注意你的HEARTBEAT！Claw背景执行本质上使内存污染静默
机构 * Nanyang Technological University（南洋理工大学） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR）） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 研究揭示Claw个人AI代理中因心跳驱动背景执行导致的内存污染漏洞，通过MissClaw实验发现社会可信度驱动行为影响，内存污染可进入长期记忆并影响用户行为。
Comments 26 pages, 6 figures, 7 tables; identifies a vulnerability in the heartbeat mechanism of Claw systems with version-scoped evaluation (pre-fix OpenClaw, February 2026)
NePPO：近势策略优化用于一般和多智能体强化学习
机构 * UC Berkeley（加州大学伯克利分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出NePPO方法，通过学习玩家无关的势函数近似纳什均衡，解决多智能体强化学习中一般和合作-竞争环境下的收敛问题，实验证明其优于IPPO和MAPPO。
XModBench：多模态能力与一致性在多语言模型中的基准测试
机构 * Advanced Micro Devices（超威半导体） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Rochester（罗彻斯特大学）
AI总结 XModBench通过大规模三模态基准测试，评估多语言模型在跨模态一致性中的能力，揭示模型在不同模态下的推理偏差和不平衡问题。
Journal ref Published as a conference paper at ICLR 2026
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