高校专区
长视界终端任务的递归合成
机构 * Tencent HY LLM Frontier（腾讯HY大模型前沿团队） ； University of Georgia（佐治亚大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Indiana University（印第安纳大学） ； National University of Singapore（新加坡国立大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出RST递归合成框架，低成本规模化生成3.7万余个长视界终端任务，经微调或PPO优化后，多款Qwen模型在多个终端基准任务上性能显著提升，且递归过程无明显上限。
通过模型重编程防御图神经网络的模型提取攻击
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Central Florida（中佛罗里达大学）
AI总结 针对图神经网络的模型提取攻击，提出主动防御框架GraphRP，通过结构感知门控机制构建动态结构防火墙，可显著降低攻击有效性且保留良性效用。
Comments Accepted by KDD 2026
ThinkRetrieve：用于测试时缩放的检索增强推理轨迹
机构 * IIT Bombay（印度理工学院孟买分校） ； University of Maryland, College Park（马里兰大学帕克分校） ； Adobe Research（奥多比研究院）
AI总结 针对大型推理模型测试时缩放的负面效果，提出ThinkRetrieve框架，通过每步动态检索已解决示例注入推理轨迹，在四个数据集上对五个模型实现最高60%的相对准确率提升。
无引导星自适应光学与非对称孔径
机构 * Rice University（Rice大学） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出一种无需引导星或波前传感器的闭环自适应光学系统，利用非对称孔径和机器学习实现实时波前校正，通过自然场景测量估计PSF并重建相位畸变，实验验证其在密集自然场景中优于现有方法。
Comments Accepted to ACM Transactions on Graphics (TOG)
Journal ref ACM Transactions on Graphics, Volume 45, Issue 5, Article 39 (2026)
机构 * Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息研究所） ； University of Maryland, College Park, Department of Civil and Environmental Engineering（马里兰大学学院市分校土木与环境工程系）
Comments 13 pages, 1 figure
Journal ref ICCS 2025, LNCS, 2025
无任何监督的在线策略自蒸馏
机构 * UC San Diego（加州大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； ByteDance（字节跳动）
AI总结 本研究提出无监督在线策略自蒸馏（U-OPSD），仅用模型自身生成结果实现在线策略自蒸馏，在多数学基准上优于基础模型，部分场景超越OPSD、GRPO等监督方法。
Comments Project page at https://williamium3000.github.io/u-opsd/ and code at https://github.com/williamium3000/u-opsd
LLMRouter：用于开发、评估和部署LLM路由器的统一基础设施
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland, College Park（马里兰大学帕克分校） ； Nanyang Technological University（南洋理工大学） ； Purdue University（普渡大学） ； University of Illinois Chicago（芝加哥伊利诺伊大学）
AI总结 针对现有LLM路由器难以公平比较和扩展的问题，研究提出LLMRouter统一基础设施，构建含多类任务的基准xRouteBench，发现学习型路由器等的性能优势。
作为视听模态声场的物体
机构 * University of Maryland, College Park（马里兰大学帕克分校）
AI总结 本文针对现有碰撞声建模方法成本高或需大量数据的问题，提出AV-MSF表示，结合3D高斯溅射与模态参数实现少样本重建，在真实数据集上达最优渲染性能，还支持接触定位等下游应用。
Comments ECCV 2026, Project page: https://zisenshao.github.io/AV-MSF/
Compliance2LoRA：通过超网络生成的LoRA适配器对任意策略子集进行按需安全对齐
机构 * University of Maryland College Park（马里兰大学帕克分校）
AI总结 Compliance2LoRA是一种自适应超网络框架，可通过生成LoRA适配器，在单个大型推理模型上实现对任意安全策略子集的按需对齐，且不牺牲任务性能。
VISA: VLM引导的实例语义审计用于3D占据世界模型
机构 * University of Maryland College Park（马里兰大学帕克分校） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； Stanford University（斯坦福大学） ； Motional AD Inc.（Motional AD公司）
AI总结 提出VISA方法，利用离线VLM对每个物理对象实例进行结构化语义审计，并通过可靠性加权损失蒸馏到3D占据模型中，无需VLM推理即可提升封闭集占据mIoU。
基于空间掩码与通道融合的深度多模态融合检测
机构 * KTH Royal Institute of Technology（KTH皇家理工学院） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 本文针对现有多模态融合检测的过拟合问题，提出Attention-Driven Complementarity Resampling框架，通过语义掩码交换与可学习通道竞争实现跨模态目标检测的性能提升，在多数据集上取得了有竞争力的结果。
大型语言模型能理解创伤的影响吗？对枪支暴力幸存者访谈的LLM编码的成本与收益
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文研究了使用LLM对枪支暴力幸存者访谈进行主题编码的可行性，发现尽管某些配置能识别重要代码，但整体相关性低且易受数据处理影响，同时指出LLM的限制和伦理挑战。
Comments Accepted to Findings of the Association for Computational Linguistics (2026)
Journal ref Findings of the Association for Computational Linguistics (2026)
StoryScope：探究人工智能小说中的个体差异
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出StoryScope方法，通过分析叙事层面的特征区分AI和人类生成的故事，发现AI故事在主题解释和情节结构上更单一，而人类故事更具道德模糊性和时间复杂性。
TS-Reasoner：将时间序列基础模型与大语言模型推理能力对齐
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 TS-Reasoner通过两阶段训练将时间序列基础模型与大语言模型对齐，在多个基准上性能优于同类模型且数据效率更高，解决了时间序列模型推理能力不足的问题。
Comments Accepted to Transactions on Machine Learning Research, 2026
小车-摆杆起摆与稳定的可达性保证
机构 * Department of Aerospace Engineering（航空航天工程系） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 针对欠驱动小车-摆杆系统，提出基于能量/LQR切换控制的可达性分析，通过Lyapunov函数和LaSalle不变性原理证明从紧致初始集到竖直平衡的收敛，并设计切换区域保证起摆到稳定的形式化过渡。
VEGA: 从野外自我中心视频中通过几何轨迹监督学习导航VLA
机构 * University of Maryland, College Park（马里兰大学帕克分校）
AI总结 提出VEGA方法，利用未标注的自我中心视频通过重建场景几何生成障碍感知轨迹，训练流匹配VLA导航策略，在VEGA-Bench上碰撞减少33.0%，真实世界成功率提升至少150.0%。
相同问题，不同答案：超越准确率评估大语言模型的可靠性
机构 * University of Maryland, College Park（马里兰大学帕克分校）
AI总结 研究大语言模型在不同等效表述问题下的答案变化，发现其输出依赖措辞，准确率指标掩盖不稳定性，实例级行为不稳定，提出自释义策略可恢复潜在知识提升性能，强调评估一致性对展现模型可靠性的重要性。
有效参数、真实行为：机器人技术的重整化——从无限电子质量到模拟与现实差距
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Stanford University（斯坦福大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 研究机器人技术中弥合模拟与现实差距的问题，提出基于重整化的方法，通过有效参数吸收模拟器遗漏细节以重现真实行为，经分析论证及实例展示该方法，并给出实用程序，为跨越模拟与现实差距提供补充路径。
变分神经信念参数化用于多模态不确定性下的鲁棒灵巧抓取
机构 * Department of Electrical & Computer Engineering and Institute for Systems Research, University of Maryland, College Park, MD, USA（电气与计算机工程系和系统研究所，马里兰大学，College Park, MD, USA） ； Maryland Applied Graduate Engineering, A. James Clark School of Engineering, University of Maryland, College Park, MD, USA（马里兰应用研究生工程学院，A. James Clark工程学院，马里兰大学，College Park, MD, USA）
AI总结 本文提出变分推理方法，通过可微高斯混合模型表示信念，利用Gumbel-Softmax和位置-尺度重参数化实现平滑采样，提升抓取鲁棒性并减少规划时间。
Comments 11 pages, 10 figures. Accepted for publication at IROS 2026. Code, simulation assets, and dataset at https://github.com/coenwerem/vnb-grasp
调查回应生成：利用大语言模型生成闭合式调查回应
机构 * University of Mannheim（曼海姆大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Maryland, College Park（马里兰大学学院公园分校） ； GESIS Cologne（科隆社会研究所） ； CSH Vienna（维也纳认知科学研究所）
AI总结 本文研究了不同调查回应生成方法对模拟调查回应的影响，发现受限生成方法效果最佳，推理输出不总能提升对齐度。
Journal ref ACL 2026
谱主路径：大语言模型中线性表示形成的谱视角
机构 * University of Maryland, College Park（马里兰大学 College Park 分校） ； North Carolina State University（北卡罗来纳州立大学） ； Genbio AI
AI总结 提出输入空间线性假设和谱主路径框架，利用谱理论解释大语言模型中线性表示的形成与稳定性，并给出严格保证。
Comments 21 Pages. In Conference on Language Modeling (COLM), 2026
超越情节性评估：序列式具身问答中的内存架构瓶颈
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究序列式具身问答中不同内存架构表现，发现仅保留现有记忆不足，短视情节数据训练的智能体有时间不匹配问题。强调结构化、基于空间记忆的必要性，实验表明其能打破准确性-效率权衡，对真实机器人连续智能操作至关重要。
Comments Accepted to IROS 2026
视觉对比自蒸馏
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； Duke University（杜克大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 研究提出视觉对比自蒸馏（VCSD），将图像内容去除转换为策略内自蒸馏信号，通过对比突出相关候选者，锐化教师原始图像分布并蒸馏到学生中，在多个模型上优于匹配的OPSD，且无需外部教师等额外条件。
Comments 15 pages
RouterVLA：将冒烟测试转化为异构VLA选择的监督信号
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Tsinghua University（清华大学）
AI总结 提出RouterVLA方法，利用预部署评估的冒烟测试记录来监督异构VLA策略的选择，通过结果分离的交叉拟合和透明规则，在LIBERO-Plus数据集上将保留集成功率提升14.64个百分点。
Comments v2: revised title, updated author list, restructured the experiments
用于统一世界建模的掩码视觉动作
机构 * Stanford University（斯坦福大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； Harvard University（哈佛大学）
AI总结 研究如何将动作传达给视频模型用于机器人世界建模，提出掩码视觉动作这一像素空间控制接口，经微调后单个检查点在多场景和实施例中表现出色，在下游操作中能辅助策略评估、改进决策和支持逆建模。
Comments Project webpage: https://masked-visual-actions.github.io
FVRuleLearner：基于操作级推理树（OP-Tree）的规则学习用于形式验证
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 本文提出FVRuleLearner，通过操作级推理树模型，提升形式验证中SVA操作符选择的准确性和效率，显著提高语法和功能正确性。
Comments Accepted to IEEE VTS'26
M-RAG：使RAG更快、更强和更高效
机构 * Southwestern University of Finance and Economics（西南财经大学） ； Zhida AI, Zhida Technology（智达AI，智达科技） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 M-RAG提出一种无片段检索策略，通过提取结构化元标记提升检索与生成效率，实验证明其在低资源环境下优于传统RAG方法。
交通流建模中物理信息机器学习的潜在失败：理论与实验分析
机构 * University of Maryland, College Park, MD 20742, United States（马里兰大学学院公园分校） ； Florida Atlantic University, Boca Raton, FL 33431, United States（佛罗里达 Atlantic 大学）
AI总结 研究探讨物理信息机器学习在交通流建模中失败的原因，定义失败情形，指出有效更新条件难满足致PIML失败，通过理论分析建立物理残差MSE下界，解释基于LWR的PIML能优于ARZ的原因。
Comments Technical errors in the bound proof
TSRouter：用于时间序列推理的动态模态-模型选择
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； MBZUAI（Mohamed Bin Zayed University of Artificial Intelligence）
AI总结 研究针对时间序列推理中不同模型能力互补及特性差异问题，提出基于图的TSRouter动态路由框架，通过构建异构图并将路由设为候选评分问题来选择最优模态-模型对，在多任务评估中性能显著提升，还具备零样本泛化等优势。
Comments Accepted to COLM 2026
UPLiFT：高效像素密集特征上采样与局部关注者
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； Meta
AI总结 UPLiFT通过高效局部关注者操作符实现低成本的像素密集特征上采样，优于现有方法。
Comments Accepted to CVPR 2026 as conference paper. Website: see https://www.cs.umd.edu/~mwalmer/uplift/. Code and Models: see https://github.com/mwalmer-umd/UPLiFT
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