高校专区
基于视觉的人形代理
机构 * Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Tongji University（同济大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Michigan（密歇根大学）
AI总结 本文提出基于视觉的人形代理，通过两层架构实现自主行为，解决数字人主动行为在新环境中的问题，提升任务成功率和减少碰撞。
Comments Project page: https://alvinyh.github.io/VGHuman/
$\oslash$ 源模型泄露不应泄露的信息：通过对抗优化在领域适应中消除零样本转移
机构 * Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research（微软研究院）
AI总结 本文研究了领域适应中源模型泄露敏感信息的问题，提出SCADA-UL方法通过对抗优化和重新标定策略实现有效消除，实验表明其在基准数据集上表现优异。
Comments CVPR 2026
面向CPS调试的反事实解释与断言推断
机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
AI总结 本文提出DeCaF框架，通过反事实引导生成最小必要输入变化，推断可解释的断言条件，提升CPS调试的准确性和可解释性。
分解、观察与推理：用于视觉语言模型的强化潜在推理
机构 * Emory University（埃默里大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文提出DLR框架，通过动态分解查询、提取连续视觉潜在表示和基于 grounded rationales 推理，提升视觉语言模型在复杂视觉推理中的表现，实验表明其优于现有基线方法。
从原始状态轨迹推断主动奖励机
机构 * Robotics Department, University of Michigan, Ann Arbor, MI（密歇根大学安娜堡分校机器人系） ； Independent Researcher（独立研究员） ； Electrical Engineering and Computer Science Department, University of Michigan, Ann Arbor, MI（密歇根大学安娜堡分校电气工程与计算机科学系）
AI总结 本文提出从原始状态轨迹直接学习奖励机的方法，无需人工指定标签函数，在信息稀缺情况下通过主动学习提升数据与计算效率。
流匹配适应于流形结构
机构 * Booth School of Business, University of Chicago（芝加哥大学布斯商学院） ； Department of Statistics, University of Michigan（密歇根大学统计系） ； Department of Mathematics, University of Maryland, College Park（马里兰大学帕克分校数学系）
AI总结 本文研究流匹配在流形支持下的收敛性，证明其在高维数据中适应数据几何并避免维度灾难。
视频并行扩展：聚合多样化的帧子集用于VideoLLMs
机构 * EverEx ； University of Michigan（密歇根大学） ； KAIST（韩国科学技术院） ； ETH Zürich（苏黎世联邦理工学院） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Yonsei University（延世大学）
AI总结 本文提出Video Parallel Scaling方法，通过并行处理不同帧子集提升VideoLLMs的时序推理能力，实验表明其在不同模型架构和规模上均显著提升性能，且比其他并行方法更高效。
Comments CVPR Findings 2026; code: https://github.com/hyungjin-chung/VPS
在LLM推理数据选择中的步长混淆问题
机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering, MoE, Jilin University（吉林大学符号计算与知识工程教育部重点实验室） ； Alibaba Cloud Computing（阿里云） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Mathematics, University of Michigan（密歇根大学数学系） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心）
AI总结 本文分析了自然性基于的数据选择方法在LLM推理数据中系统性偏好长推理步骤的问题，并提出ASLEC-DROP和ASLEC-CASL方法以缓解此混淆。
Comments Accepted by Findings of ACL 2026. 15 pages, 9 figures. Code: https://github.com/wangbing1416/ASLEC
Foundry：基于模板的CUDA图上下文材料化用于快速LLM服务冷启动
机构 * University of Michigan（密歇根大学） ； UC Berkeley（加州大学伯克利分校） ； Duke（杜克大学）
AI总结 Foundry通过模板化CUDA图上下文材料化，减少LLM服务冷启动延迟，提升启动速度并保持吞吐量。
基于人工智能的数据库研究
机构 * UC Berkeley（加州大学伯克利分校） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Meta ； Workday ； University of Michigan（密歇根大学） ； Maven AGI
AI总结 本文提出利用大语言模型自动化发现数据库性能优化方案，通过共进化设计评估器与解决方案，展示了在缓冲管理、查询重写和索引选择中的有效性，实现了优于现有方法的性能提升。
盲性拒绝：语言模型拒绝帮助用户规避不公正、荒谬和不合法的规则
机构 * Vanderbilt University（范德堡大学） ； University of Michigan（密歇根大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨语言模型在面对不公正规则时的拒绝行为，发现模型在无安全风险情况下仍拒绝帮助，且其拒绝行为与规范推理能力脱节。
Comments 9 pages body text, 38 pages total, 4 figures
RLBoost: 为在大语言模型上高效强化学习利用可中断资源
机构 * UC Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Google（谷歌） ； CMU（卡内基梅隆大学） ； University of Washington（华盛顿大学）
AI总结 RLBoost通过高效利用可中断GPU资源提升大语言模型强化学习的效率和成本效益，采用混合架构和三种关键技术实现状态less和 embarrassingly parallel的rollout阶段与可中断资源的匹配。
迈向可证明的可扩展具身AI系统的概率安全
机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； School of Computer, Liaocheng University（聊城大学计算机学院） ； Department of Automation, Southeast University（东南大学自动化学院） ； Department of Mechanical and Aerospace Engineering, George Washington University（乔治华盛顿大学机械与航空航天工程系） ； University of Michigan Transportation Research Institute（密歇根大学交通研究所） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
AI总结 本文提出可证明的概率安全范式，旨在解决具身AI系统在复杂环境中安全验证的挑战，通过结合可证明保证与渐进式达成概率安全边界，提升系统可行性和可扩展性。
快速空间记忆与弹性测试时间训练
机构 * MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Michigan（密歇根大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出弹性测试时间训练方法，用于改进长上下文3D重建中的灾难性遗忘问题，通过引入弹性权重巩固，提升模型在处理任意长序列时的稳定性和适应性。
Comments Project Page: https://fast-spatial-memory.github.io/
分步积分在线置信预测用于具有多步覆盖保证的安全动态适应
机构 * Robotics Department, University of Michigan, Ann Arbor, MI, USA（密歇根大学安娜堡分校机器人系）
AI总结 本文提出SI-OCP算法，通过积分评分函数量化扰动和学习误差，提供长期覆盖保证，用于安全关键控制器中提升系统安全性。
Comments Submitted to CDC 2026
DualDiffusion: 一种用于掩码扩散模型的推测解码策略
机构 * University of Michigan（密歇根大学）
AI总结 DualDiffusion结合高效近似模型与准确验证模型，通过多步轻量级生成后单步验证，实现生成步骤与准确性之间的更优帕累托前沿。
改进稀疏记忆微调
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文提出稀疏记忆微调方法，通过局部更新显式内存层参数，解决持续学习中的灾难性遗忘问题，并在消费级硬件上验证了其有效性。
从使用到监督：心理模型如何影响用户在AI写作助手中的行为和输出
机构 * McGill University（麦吉尔大学） ； Microsoft Research（微软研究院） ； University of Michigan（密歇根大学）
AI总结 研究探讨了心理模型对用户在AI写作助手中的控制行为和写作结果的影响，发现系统理解虽提高但可能导致更多语法错误。
何时交接，何时协作：通过并发交互扩展人机协同创作
机构 * School of Computing, KAIST（韩国科学技术院计算学院） ； Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系）
AI总结 研究探讨人机协同创作中并发交互的模式与能力需求，提出决策模型和标注数据集，揭示并发交互提升委托效果的核心作用。
Comments Check the demo videos on the website: https://cleo.kixlab.org/
QuantVLA: 用于视觉-语言-动作模型的可扩展后训练量化
机构 * The Ohio State University（俄亥俄州立大学） ； University of Michigan（密歇根大学） ； City University of Hong Kong（香港城市大学）
AI总结 QuantVLA是一种无需训练的后训练量化框架，首次应用于视觉-语言-动作系统，并成功量化了扩散变换器（DiT）动作头，通过三种可扩展组件实现了高效的低比特量化，显著提升任务成功率并降低内存消耗。
Comments CVPR2026
检索增强的时间序列预测
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文提出检索增强预测框架RAF，用于提升时间序列预测的准确性，尤其在大规模模型中效果更显著。
面向非线性模型的基于贝叶斯的最优实验设计：利用马尔可夫链蒙特卡罗方法
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； Sandia National Laboratories（桑迪亚国家实验室）
AI总结 本文提出一种面向预测目标的贝叶斯最优实验设计方法，用于非线性模型，通过马尔可夫链蒙特卡罗方法估计预测目标的期望信息增益，提升实验设计的效率和准确性。
Comments 28 pages, 19 figures
Journal ref SIAM/ASA Journal on Uncertainty Quantification 14 (2026) 19-47
基于强化学习的变分序列最优实验设计
机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
AI总结 本文提出变分序列最优实验设计方法，结合变分后验近似和强化学习，实现基于信息论准则的最优实验设计，展示其在工程和科学中的高效性。
Journal ref Computer Methods in Applied Mechanics and Engineering 444 (2025) 118068
子空间控制：将受约束的模型操控转化为可控的谱优化
机构 * OPTML, Michigan State University（OPTML，密歇根州立大学） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM Watson AI Lab，IBM研究院） ； University of Minnesota（明尼苏达大学） ； University of Michigan（密歇根大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 本文提出子空间控制框架，通过分析谱交叉任务干扰并利用一阶解正交化合并子空间，引入SIFT方法，实现可控更新以缓解目标与约束冲突，在四个应用中均取得显著性能提升。
将树搜索、生成模型和纳什谈判概念结合在博弈论强化学习中
机构 * Google DeepMind（谷歌DeepMind） ； University of Waterloo（滑铁卢大学） ； University of Michigan（密歇根大学）
AI总结 本文提出基于深度博弈论强化学习的多智能体训练框架，通过生成最佳响应算法GenBR和纳什谈判理论构建对手混合策略，提升在不完全信息域中的对手建模能力。
Comments Accepted by IJCAI'25 main track
Journal ref Proc. 34th Int. Joint Conf. Artif. Intell. (IJCAI 2025), pp. 161-169
当幻觉何时出现？从图视角看路径复用和路径压缩的演变
机构 * Michigan State University（密歇根州立大学） ； University of Michigan（密歇根大学） ； Independent Researcher（独立研究员）
AI总结 本文从图视角分析大语言模型中幻觉产生的机制，揭示路径复用与路径压缩对推理幻觉的影响，提出统一解释框架。
算子学习用于薛定谔方程：幺正性、误差界与时间泛化
机构 * University of Michigan（密歇根大学）
AI总结 本文提出一种线性估计器，用于学习时间依赖薛定谔方程的演算算子，保留弱幺正性并建立误差界与时间泛化界，实验显示其精度优于现有方法。
Comments 37 pages
SPRIG：通过系统提示优化提升大语言模型性能
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） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； LG AI Research（LG AI 研究院）
AI总结 本文提出SPRIG，一种基于编辑的遗传算法，通过优化通用提示提升大语言模型性能，发现系统提示与任务提示结合可进一步提升效果。
Comments Accepted at ICLR 2026
基于备份的安全过滤器：备份CBF、模型预测屏蔽和gatekeeper的比较综述
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文通过统一框架比较三种备份安全过滤器，揭示其共同结构与算法差异，指出MPS是gatekeeper的特例，并分析备份安全过滤器的保守性来源。
Comments Project page: https://www.taekyung.me/backup-safety-filters
Ambig-IaC：交互式云基础设施即代码合成的多级消歧
机构 * University of Michigan（密歇根大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出Ambig-IaC框架，通过多级消歧方法提升IaC配置生成的准确性，针对IaC配置的不可逆性，设计了基于结构分歧的评估框架，在结构和属性评估上分别提升18.4%和25.4%。
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