高校专区
记忆诅咒：扩展回忆如何在LLM代理中侵蚀合作意图
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Foundations of Cooperative AI Lab (FOCAL)（合作人工智能基础实验室） ； University of Michigan（密歇根大学） ； Harvard University（哈佛大学）
AI总结 研究发现扩展回忆会系统性地削弱多代理社会困境中的合作意图，通过三种分析揭示记忆内容对合作的影响，证明记忆是影响多代理行为的主动因素。
扩散模型可以忽略维度：基于熵的理论
机构 * Department of Mathematics, University of Michigan（数学系，密歇根大学）
AI总结 本文从信息论角度探讨扩散采样收敛性，证明高维数据下采样效率由潜在表示熵决定，而非环境维度，为高维空间高效采样提供理论支持。
GATO：用于可扩展边缘模型预测控制的GPU加速和批处理轨迹优化
机构 * School of Engineering and Applied Science, Columbia University（哥伦比亚大学工程与应用科学学院） ； University of Michigan（密歇根大学） ； Barnard College, Columbia University and Dartmouth College（哥伦比亚大学巴纳德学院和达特茅斯学院）
AI总结 GATO通过算法、软件和计算硬件的协同设计，实现对中等批量大小的实时轨迹优化，提升边缘模型预测控制的性能。
Comments Accepted to ICRA 2026. 8 pages, 8 figures, 2 tables
重新思考LLM策略优化中的重要性采样：从累积token视角
机构 * UIUC（伊利诺伊大学香槟分校） ； University of Michigan（密歇根大学） ； Amazon（亚马逊）
AI总结 本文提出CTPO，通过累积token重要性采样比解决偏倚-方差困境，结合位置自适应裁剪提升稳定性，实现更一致的正则化，在数学推理基准上表现最佳。
MedAction：迈向主动多轮临床诊断LLMs
机构 * National Chengchi University（国立中正大学） ； Georgetown University（乔治城大学） ； University of Michigan（密歇根大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； National Taiwan University of Science and Technology（台湾科技大学） ； Far Eastern Memorial Hospital（东方纪念医院）
AI总结 本文提出MedAction，通过LLM与环境交互生成高质量多轮诊断轨迹，解决现有模型在动态证据下推理不足的问题，提升开源医疗LLMs性能。
从早期经验学习代理路由
机构 * AI Lab, Princeton University（普林斯顿大学人工智能实验室） ； University of Michigan（密歇根大学） ； Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University（清华大学交叉信息学院） ； Shanghai Jiao Tong University（上海交通大学） ； University of Edinburgh（爱丁堡大学） ； King’s College London（伦敦国王学院）
AI总结 本文研究在冷启动条件下如何在轻量级LLM推理与完整代理执行间进行路由，提出无需训练的BoundaryRouter框架，通过早期行为经验和指导性推理决定是否直接使用LLM还是升级至代理，实验显示其在降低推理时间与提升性能方面优于其他方法。
Comments 17 pages
通过推理空间压缩实现结构性理性提炼
机构 * University of Calgary（卡尔加里大学） ； University of Michigan（密歇根大学）
AI总结 本文提出D-RPC方法，通过压缩推理空间约束教师模型生成一致且多样化的推理路径，提升学生模型在数学和常识推理任务中的表现，优于多种基线方法。
Dr. Post-Training：一种数据正则化视角下的LLM后训练
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学）
AI总结 本文提出Dr. Post-Training框架，通过将通用训练数据作为数据诱导正则化器，防止模型过拟合稀缺目标数据，从而提升LLM后训练效果。
上下文收集决策过程：一种用于代理搜索的POMDP框架
机构 * University of Michigan（密歇根大学） ； Netflix
AI总结 本文提出CGDP框架，通过将LLM行为建模为近似汤普森采样，引入谓词方法分解搜索过程，并设计两种干预措施提升多跳推理能力。
Comments 25 pages
你只堆叠一次（YOSO）：一种运动过滤的深度学习框架，用于检测微弱移动源
机构 * Dept. of Astronomy \& the DiRAC Institute, University of Washington, Seattle, USA ； Facultad de Ciencias Físicas y Matemáticas (FCFM), University of Chile, Beauchef 850, 851, Santiago, Chile ； LSST Interdisciplinary Network for Collaboration ； Department of Astronomy ； Planetary Science, Northern Arizona University, Flagstaff, USA ； Harvard-Smithsonian Center for Astrophysics, 60 Garden Street, MS 51, Cambridge, MA 02138, USA ； Jet Propulsion Laboratory, California Institute of Technology, 4800 Oak Grove Dr., Pasadena, CA 91109 USA ； Brigham Young University, Department of Physics ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Michigan Institute for Data ； AI in Society, University of Michigan, Ann Arbor, MI 48109, USA ； Department of Astronomy, University of Michigan, Ann Arbor, MI 48109, USA ； eScience Institute, Department of Astronomy, University of Washington, Seattle, WA 98195-1580, USA ； Planets Laboratory, Carnegie Institution for Science, Washington, DC 20015
AI总结 YOSO通过运动过滤技术检测宽视场天文调查中的微弱慢速太阳系天体，其核心方法是Gaussian Motion Filter，能有效提升信噪比，发现45个已知天体和11个新冥王星特异天体，适用于大规模调查及行星成像等领域。
Comments Accepted to The Astronomical Journal; 13 pages, 9 figures
Bi3：一个双平台、双文化、双人数据集用于社交机器人导航
机构 * Department of Robotics, University of Michigan（机器人系，密歇根大学） ； LAAS-CNRS, University of Toulouse（LAAS-CNRS，图卢兹大学） ； INRIA, University of Lorraine（INRIA，洛林大学）
AI总结 Bi3数据集通过双平台、双文化、双人交互，为社交机器人导航提供多样性模型复杂性的基准，用于研究人类与机器人在受限环境中的协同活动。
Comments ICRA 2026
基于物理的数字孪生用于集成热能系统的主动学习
机构 * a Department of Nuclear Engineering ； Radiological Sciences, University of Michigan, Ann Arbor, MI 48109, United States ； b Department of Computer Science ； Engineering, University of Michigan, Ann Arbor, MI 48109, United States ； c Nuclear Science \& Technology Division, Idaho National Laboratory, Idaho Falls, ID 83415, United States
AI总结 本文提出结合物理模型与数据驱动方法的主动学习框架，用于高效准确地控制热能分布系统，通过减少模拟轨迹数量提升预测精度和计算效率。
Comments 23 pages, 12 figures, and 2 tables
MolmoAct2：面向现实部署的动作推理模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊公司） ； University of Michigan（密歇根大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出MolmoAct2，一个完全开放的动作推理模型，通过改进架构和引入新数据集，在五个方面提升性能，展示了在多个基准测试中优于现有模型的成果。
Comments 31 pages, project page: https://allenai.org/blog/molmoact2
像AI一样看待：LLMs如何应用（并误用）维基百科中立规范
机构 * University of Michigan（密歇根大学）
AI总结 研究评估LLMs在检测和纠正偏见维基百科编辑时的表现，发现其在中立性检测上准确率低，但生成任务表现较好，但存在额外非中立性修改，引发对社区规范执行与公众认知之间差异的思考。
Comments Appeared at ICWSM 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