高校专区
EconCausal: 面向大语言模型的上下文感知经济推理基准
机构 * Graduate School of Data Science, KAIST（韩国科学技术院数据科学研究生院） ； College of Business, KAIST（韩国科学技术院商学院） ； Data Science for Humanity Group, MPI-SP（马克斯·普朗克所际数据科学为人类集团） ； School of Computing, KAIST（韩国科学技术院计算学院） ； Division of Social Science, HKUST（香港科技大学社会科学系）
AI总结 提出EconCausal基准，包含从顶级经济金融期刊提取的10,490个上下文标注因果三元组，评估大语言模型在指定上下文中推断因果方向及随上下文变化调整判断的能力。
循环扩散语言模型
机构 * KAIST（韩国科学技术院） ； KRAFTON（KRAFTON公司） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出LoopMDM，通过选择性循环早期-中间Transformer层，在训练时实现深度缩放效果而不增加参数，在推理时通过调整循环次数灵活扩展计算量，从而提升掩码扩散模型的训练效率和性能。
Comments 23 pages
法庭类比：不确定性感知分类的新视角
机构 * Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology（工业与系统工程系，韩国科学技术院）
AI总结 提出法庭类比框架，通过结构化混合狄利克雷分布建模分类中的不确定性聚合，并设计单次前馈神经网络MoDEX实现高效、可解释的不确定性量化。
Comments ICML 2026
个性化再存储：面向长时程智能体的个性化记忆基准测试与学习
机构 * KAIST（韩国科学技术院）
AI总结 针对现有基于大语言模型的记忆系统采用通用静态策略忽略用户间存储上下文差异的问题，提出首个个性化记忆基准PerMemBench和会话级存储门控框架，验证个性化能显著提升记忆保留但精确门控仍是关键挑战。
Comments preprint
缺失非随机识别的扩散插补模型
机构 * KAIST（韩国科学技术院） ； Seoul National University（首尔国立大学）
AI总结 针对缺失非随机（MNAR）问题，提出缺失模式识别扩散插补模型（PRDIM），通过模式识别器和EM算法最大化联合分布似然，实现精确插补。
CounterFlow: 一种用于反事实视频拟音生成的两阶段推理时采样方法
机构 * Kim Jaechul Graduate School of AI, KAIST（金 Jaechul人工智能研究生院，韩国科学技术院）
AI总结 提出CounterFlow，一种两阶段推理时采样方案，用于预训练的流匹配VT2A模型，以生成与视觉证据矛盾但时间同步的反事实视频拟音，并通过新指标评估替换质量。
Comments accepted to CVPR 2026 Workshop on Sight and Sound
多模态晶体流：面向统一晶体建模的任意模态生成
机构 * Graduate School of AI, KAIST, Seoul, South Korea（韩国科学技术院人工智能研究生院，首尔，韩国） ； Materials Intelligence Lab, LG AI Research, Seoul, South Korea（LG AI研究所材料智能实验室，首尔，韩国）
AI总结 提出多模态晶体流（MCFlow），一种统一的多模态流模型，通过原子类型和晶体结构的独立时间变量实现多种晶体生成任务，并在MP-20和MPTS-52基准上达到与任务特定基线竞争的性能。
超越最终答案：评估工具增强型智能体的推理轨迹
机构 * Graduate School of Data Science, KAIST, Daejeon, South Korea（数据科学研究生院，韩国科学技术院，大田，韩国） ； Department of Industrial and Systems Engineering, KAIST, Daejeon, South Korea（工业与系统工程系，韩国科学技术院，大田，韩国） ； Department of Artificial Intelligence, Yonsei University, Seoul, South Korea（人工智能系，延世大学，首尔，韩国）
AI总结 针对工具增强型LLM，提出无参考框架TRACE，通过证据库多维度评估推理轨迹的效率、幻觉和适应性，并用元评估数据集验证其有效性。
Comments International Conference on Machine Learning (ICML) 2026
越狱以保护：通过临时越狱进行缓冲和强化以实现大型语言模型的安全微调
机构 * School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院电子工程学院）
AI总结 针对微调即服务中安全对齐被有害微调攻击削弱的问题，提出一种基于梯度分析的缓冲与强化框架，通过临时越狱适配器减少有害更新并利用QR分解合并强化安全，实现无需额外安全数据的高效防御。
Comments ICML 2026 Spotlight
PairFlow: 离散流模型中用于少步生成的闭式源-目标耦合
机构 * KAIST（韩国科学技术院）
AI总结 提出PairFlow，一种轻量级预处理方法，通过闭式反演构建源-目标配对样本，无需预训练教师即可实现离散流模型的少步采样，匹配甚至超越两阶段微调性能。
Comments ICLR 2026
超关系知识图谱上的生成式表示学习：基于掩码离散扩散
机构 * School of Computing（计算学院） ； Department of AI Computing, KAIST, Daejeon, South Korea（人工智能计算系，韩国科学技术院，大田，韩国）
AI总结 针对超关系知识图谱中任意掩码查询的补全与事实生成任务，提出基于掩码离散扩散的生成式表示学习方法KREPE，统一链接预测与事实生成，性能达到最优。
Comments 28 pages, 16 figures, 18 tables, 43rd International Conference on Machine Learning (ICML 2026)
折扣Beta-Bernoulli奖励估计用于基于可验证奖励的样本高效强化学习
机构 * KAIST（韩国科学技术院）
AI总结 针对基于可验证奖励的强化学习样本效率低的问题，提出折扣Beta-Bernoulli奖励估计方法，利用历史奖励统计量降低估计方差并避免方差崩溃，在多个推理基准上显著提升性能。
Comments 14 pages, 3 figures
MoBiQuant: 面向令牌自适应任意精度LLM的混合比特量化
机构 * University of Arizona（亚利桑那大学） ； Duke University（杜克大学） ； Sungkyunkwan University（成均馆大学） ； Panasonic AI Lab（松下人工智能实验室） ； Korea Advanced Institute of Science and Technology（韩国科学技术院）
AI总结 针对动态运行时约束下大语言模型任意精度量化的泛化性问题，提出基于令牌敏感度的混合比特量化框架MoBiQuant，通过多合一递归残差量化和令牌感知路由器实现灵活推理，在匹配或超越前沿单精度PTQ的同时显著节省内存并提升吞吐量。
Comments 20 pages, 10 figures
多模态分布匹配用于视觉-语言数据集蒸馏
机构 * Visual Intelligence Lab., KAIST（韩国科学技术院视觉智能实验室）
AI总结 提出多模态分布匹配（MDM）框架，通过数据、模型和损失层面的几何感知组件，高效压缩视觉-语言数据集并保持跨模态对齐。
Comments Accepted for publication at CVPR 2026. Project Page: https://andyj1.github.io/mdm
预算限制下多LLM裁判的实例最优估计
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； ICL EEE（国际计算机语言研究所电子工程系） ； KTH EECS（皇家理工学院电子工程系）
AI总结 针对预算限制下异构裁判的评估分配问题，提出基于乐观偏差方差估计的自适应算法EST-IVWE，并证明其达到实例最优的局部极小极大下界。
Comments 53 pages, 4 figures; the first two authors contributed equally
对比分布匹配用于离散扩散中的摊销序贯蒙特卡洛
机构 * KAIST（韩国科学技术院） ； University of Michigan（密歇根大学） ； NVIDIA（英伟达）
AI总结 提出对比分布匹配（CDM）框架，通过正负样本学习参数化扭曲函数，摊销序贯蒙特卡洛（SMC）推理成本，在离散扩散中高效采样奖励倾斜分布。
Comments Project Page: https://cdm-smc.github.io/
没有理解的趋同：当语言模型在表示上一致但在推理上分歧时
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
AI总结 本研究通过分析16个语言模型在800个推理问题上的表示相似性，发现模型在表示上趋同但推理策略不同，表明表示趋同反映的是共享的输入处理约束而非共享的推理策略。
标签高效的数据集剪枝通过半监督伪标签
机构 * Graduate School of AI, KAIST（人工智能研究生院，韩国科学技术院）
AI总结 提出 SemiPrune 框架，利用少量随机标注子集通过半监督学习生成伪标签，使监督剪枝方法可应用于未标注数据，基于伪标签训练动态估计样本难度并选择核心集，在领域特定、图像损坏和长尾数据集上达到最优性能。
Comments 10 pages
LQ-rPPG：一种用于远程生理测量的标签量化粗到细学习框架
机构 * Electronics and Telecommunications Research Institute（电子电信研究院） ； School of Electrical Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院电气工程学院）
AI总结 提出LQ-rPPG框架，通过标签量化模块将连续PPG信号转换为多比特量化伪标签，并结合粗到细估计模型进行分层监督，以解决训练标签噪声导致的过拟合问题，实现鲁棒的远程光电容积描记（rPPG）估计。
小分子学习的共折叠模型表示的系统评估
机构 * KAIST（韩国科学技术院）
AI总结 本研究利用现代共折叠模型Boltz2，通过系统探测和蒸馏，评估其原子级配体表示在小分子任务中的表现，发现共折叠表示在ADMET基准上匹配或超越现有模型，加速分子生成建模，并提高结构引导配体优化的样本效率，表明蛋白质-配体共折叠是小分子表示学习的有前景的预训练范式。
BOOST: 一种用于贝叶斯优化中核函数与采集函数自动联合选择的数据驱动框架
机构 * Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology（化学与生物分子工程系，韩国科学技术院） ； Department of AX, Korea Advanced Institute of Science and Technology（AX系，韩国科学技术院） ； Saudi Aramco-KAIST CO2 Management Center（沙特阿美-KAIST二氧化碳管理中心）
AI总结 提出BOOST框架，通过离线评估阶段自动选择最优的核函数与采集函数组合，以提升贝叶斯优化性能。
Comments 25 pages
WorldKV: 通过世界检索和压缩实现高效的world内存
机构 * KAIST AI（韩国科学技术院人工智能实验室） ； Naver AI Lab（Naver人工智能实验室）
AI总结 本文提出WorldKV，一种无需训练的框架，通过世界检索和压缩技术，在保持一致性的同时提高效率，实现在Matrix-Game-2.0和LingBot-World-Fast数据集上达到或超越全KV内存保真的性能。
Comments Project Page: https://cvlab-kaist.github.io/WorldKV/
正式定理推理中应有的对称性是什么？
机构 * University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； TU Wien（维也纳技术大学） ； AITHYRA
AI总结 本文探讨了正式定理推理中应尊重的对称性，提出了基于范畴论的重写范畴框架，用于形式化证明等价性和成功不变性，并通过测试时方法改进了LLM基定理证明器的鲁棒性和性能。
IdleSpec: 通过投机规划利用空闲时间用于LLM代理
机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智慧实验室） ； Together AI
AI总结 本文提出IdleSpec，一种利用空闲时间提升LLM代理性能的方法，通过在空闲期间生成计划候选并减少延迟开销，从而在多种代理场景中显著提高性能。
ExComm：探索阶段通信用于容错的代理测试时间扩展
机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； Together AI
AI总结 本文提出ExComm，一种用于探索阶段的代理测试时间扩展通信协议，通过定期审计代理信念状态以检测跨代理事实冲突，并通过专用工具验证循环解决冲突，从而提升测试时间扩展的容错能力。
重新思考高维数据同化中的分数基非线性数据同化前向过程
机构 * KAIST（韩国科学技术院）
AI总结 本文提出了一种针对数据同化问题的改进前向过程，用于高维非线性系统的状态估计，通过改进的分数基滤波器在测量空间中转换系统状态，提高了同化性能。
统一多种生成顺序及超越的掩码扩散模型
机构 * Graduate School of AI, KAIST, South Korea（韩国延世大学人工智能研究生院）
AI总结 本文提出Order-Expressive Masked Diffusion Model (OeMDM)和Learnable-Order Masked Diffusion Model (LoMDM)，统一了不同生成顺序的扩散生成过程，并通过单目标学习生成顺序和扩散骨干，提升了文本生成性能。
Comments Accepted at ICML 2026
解开转换匹配之谜：何时以及为何它能超越流匹配
机构 * KAIST（韩国科学技术院） ； Amazon Web Services（亚马逊网络服务）
AI总结 本文研究了转换匹配（TM）在何时以及为何能超越流匹配（FM），通过证明在单峰高斯分布下TM具有更低的KL散度，并分析了在高斯混合分布中TM在局部单峰区域的优势，以及在目标方差非可忽略时TM的优越性。
Comments Code: https://github.com/amazon-science/TransitionFlowMatching (AISTATS 2026)
加速测试时间缩放与模型无关的推测采样
机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； AirSignal
AI总结 本文提出STAND，一种无需模型的推测解码方法，通过利用推理轨迹中的冗余性，显著提升推理效率而不牺牲准确性，经多个模型和任务评估，STAND在保持准确性的同时将推理延迟降低了60-65%。
Comments EMNLP 2025 Oral
视觉模型是否编码物体层面的语义相关性？一种受认知心理学启发的基准
机构 * Department of Computer Science（计算机科学系） ； Seoul Women’s University（首尔女子大学） ； LG Energy Solution（LG能源解决方案） ； School of Electrical Engineering（电气工程学院） ； KAIST（韩国科学技术院）
AI总结 本文通过一种受认知心理学启发的基准，探讨了视觉模型是否能编码物体层面的语义相关性，研究了两种仅基于图像的测试集，并揭示了分类准确率之外的表征特性。
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