高校专区
TrackDeform3D: 无标记和自主的3D关键点跟踪及变形物体数据集采集
机构 * Department of Robotics at the University of Michigan（密歇根大学机器人系）
AI总结 本文提出了一种低成本自主框架，利用RGB-D相机采集变形物体的3D数据集，通过3D关键点跟踪和运动一致性约束提升几何和跟踪精度，构建了包含6种变形物体的高质量大规模数据集。
通过扩散合成在多样场景中进行快速且安全的轨迹规划
机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院）
AI总结 针对动态环境规划难题，提出能量参数化扩散规划框架，结合轻量级安全过滤器和场景无关的数据生成管道，实现多样场景下快速安全规划，仿真与真实实验验证了其有效性、鲁棒性和适用性。
Sign-SZPO：具有未知链接函数的基于可证明偏好的强化学习
机构 * University of Michigan（密歇根大学）
AI总结 研究具有未知链接函数的基于偏好的强化学习问题，提出Sign-SZPO零阶策略优化算法，该算法仅估计价值函数差的符号来构建更新方向，可证明收敛到平稳策略，实证显示其在链接函数错误指定下具有鲁棒性。
一个样本就能带偏所有：单次GRPO打破对齐
机构 * University of Michigan（密歇根大学） ； Northwestern University（西北大学）
AI总结 研究发现，仅用单个有偏样本进行一步GRPO训练就能诱导大语言模型产生系统性偏见，且刻板印象推理泛化到多种属性、类别和基准测试，揭示了对齐机制的关键脆弱性。
Comments COLM 2026
延迟-响应理论模型：通过响应准确性和思维链长度评估大语言模型
机构 * Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Statistics, University of Michigan（密歇根大学统计系）
AI总结 针对大语言模型评估问题，提出延迟-响应理论（LaRT）模型，联合考虑响应准确性和思维链长度，通过引入关键参数建模，推导高效算法估计参数，经理论和模拟研究验证其优势，实际数据评估中表现优于项目反应理论（IRT）。
AutoSpec：神经网络规范的自动生成
机构 * University of Michigan（密歇根大学） ； Microsoft Research（微软研究院） ； Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对神经网络在学习增强系统中对模型安全鲁棒性需求，AutoSpec提出首个自动生成和评估神经网络规范的综合框架，通过基于树算法、统计认证框架及评估框架，经实验验证其性能优于手动定义规范和现有基线算法。
REST：基于零样本目标导航的视界探索Steiner树
机构 * State Key Laboratory of Internet of Things for Smart City, University of Macau（智能城市物联网国家重点实验室，澳门大学） ； University of Michigan（密歇根大学）
AI总结 REST通过构建开放词汇3D地图、生成以代理为中心的路径树以及利用LLM推理选择最佳路径，在多个基准测试中实现了高成功率和高效路径效率。
Comments Accepted to IROS'26
Idea2Plan：探索人工智能驱动的研究规划
机构 * University of Michigan（密歇根大学） ； Microsoft Research（微软研究院）
AI总结 探讨大语言模型从概念研究想法到结构化研究计划的过渡能力，通过引入Idea2Plan任务、基准及JudgeEval评估，实验发现GPT-5表现最佳但仍有提升空间，为LLMs研究规划能力研究提供新见解和基础。
并非所有线索都能被发现：事实分布和“不要编造”提示如何影响长上下文语言模型中的检索、推理和幻觉
机构 * Department of Electrical Engineering & Computer Science University of Michigan（电气工程与计算机科学系 密歇根大学）
AI总结 研究大语言模型中事实分布和反幻觉提示对检索、推理及幻觉的影响，通过扩展基准评估多个模型，识别出分布崩溃和安全代价两种失败模式，发现许多失败源于无效上下文利用，强调特定模型稳健性和上下文管理的重要性。
Comments 16 pages, 8 figures, 2 tables. Accepted at the FAGEN Workshop @ ICML 2026
视觉语言模型中的自我中心偏差
机构 * Cognitive Science Program, University of California, Berkeley（加州大学伯克利分校认知科学项目） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； School of Computer Science, Georgia Institute of Technology & Emory University（佐治亚理工学院计算机科学学院及埃默里大学） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Cognitive Science, University of California San Diego（加州大学圣地亚哥分校认知科学系） ； Equal Advising Department of Computer Science & Wilmer Eye Institute, Johns Hopkins University（约翰霍普金斯大学计算机科学系及威尔默眼科研究所） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Weinberg Institute for Cognitive Science, University of Michigan（密歇根大学韦恩伯格认知科学研究所）
AI总结 本文提出FlipSet基准，揭示视觉语言模型在第二级视觉视角推理中存在系统性自我中心偏差，表明模型在整合社会认知与空间操作方面存在根本性不足。
Comments Accepted at CogSci 2026 (Best Undergraduate Student Paper)
SheetMind：一个由端到端大语言模型驱动的用于电子表格自动化的多智能体框架
机构 * Cornell University（康奈尔大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology (GZ)（香港科学与技术大学）
AI总结 介绍由大语言模型驱动的多智能体框架SheetMind用于电子表格自动化，其分层系统含三个智能体，经评估在SheetCopilot基准测试中执行成功率达100%、功能正确性54.8%超对手，消融研究验证配置优势，还集成到谷歌表格。
FARS：一个大规模部署的全自动研究系统
机构 * Analemma ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； University College Dublin（都柏林大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； ByteDance（字节跳动） ； ShanghaiTech University（上海科技大学） ； University of Warwick（华威大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； Tencent（腾讯） ； The University of Hong Kong（香港大学） ； Shanghai Innovation Institute（上海创新研究院） ； Nex-AGI Team（Nex-AGI团队）
AI总结 提出FARS系统，通过分阶段智能体协作自动生成研究项目，在67个AI/ML主题上产出166篇论文，经282份评审验证其可产出有价值成果，同时暴露实验范围窄、方法局限和诚信问题。
近似图激发爆轰晶格
机构 * Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
AI总结 本文提出基于图论的新型算法，用于精确分割和测量爆轰细胞，解决传统2D边缘检测方法的局限性，通过分割模型实现无训练的准确提取细胞模式。
Comments 3D Detonation; Soot Foil; Graph; Cell Classification; Cellular Detonation; Detonation Lattice; SAM Model
基于大语言模型的社会模拟需要边界
机构 * Osaka University（大阪大学） ； Nagoya University（名古屋大学） ； University of Michigan（密歇根大学） ； Kyoto University（京都大学）
AI总结 探讨基于大语言模型的社会模拟，指出其因输出同质化限制对复杂社会动态行为多样性的捕捉。通过回顾研究发现验证实践与问题异质性要求不符，建议匹配验证深度、明确报告方差并合理限制结论，倡导有边界意识的方法为社会科学提供见解。
Comments ICML 2026 Position Paper Track
通过BREW改进语言智能体：引导式经验学习环境知识
机构 * University of Michigan（密歇根大学） ； Independent（独立研究者） ； Microsoft（微软） ； Apple（苹果公司）
AI总结 研究基于LLM的智能体无法从经验学习的问题，提出BREW框架，通过提炼交互轨迹成知识库、引入EG-MCTS算法及适应事后重标记等方法，在多基准测试中提升任务成功率并减少执行步骤，且知识库具有良好特性。
固定预算下带验证的多指标自适应实验设计
机构 * University of Michigan（密歇根大学） ； Amazon（亚马逊）
AI总结 针对在线实验中多指标测试的统计功效及AED推断统计量不足的问题，提出固定预算多指标AED框架，含探索与验证两阶段。提出SHRVar方法，其错误概率指数级降低，数值实验验证了该方法的性能与鲁棒性。
Comments Published in AISTATS 2026
GenDA：基于无分类器扩散引导的复杂城市区域生成式数据同化
机构 * Applied Mathematics Department, ETSIAE-School of Aeronautics, Universidad Politécnica de Madrid, Spain（马德里理工大学应用数学系） ； Department of Aerospace Engineering, University of Michigan, Ann Arbor, MI 48109, USA（密歇根大学航空航天工程系）
AI总结 针对仅靠稀疏传感器数据进行城市风流重建的难题，提出GenDA框架，利用多尺度图扩散架构及无分类器引导机制，在RANS模拟实验中表现出色，相比其他方法降低误差、提高相似性指数，为复杂领域环境监测提供可扩展路径。
LiveOIBench：大语言模型在信息学奥林匹克竞赛中能超越人类参赛者吗？
机构 * University of Michigan（密歇根大学）
AI总结 研究大语言模型在信息学奥林匹克竞赛中的表现，引入含403个专家策划问题的LiveOIBench基准，通过四个关键特性评估34个模型，发现GPT - 5等不及顶级人类参赛者，还表明强大推理模型特点及基准数据污染少。
Comments ICML 2026 Camera Ready
通过隐式时间步长快速学习软机器人控制
机构 * Horizon Robotics ； University of Michigan（密歇根大学）
AI总结 研究针对软机器人模拟框架稀缺及策略学习难的问题，采用隐式时间步长，以DisMech模拟器及增量自然曲率控制方法，经与Elastica对比实验，证明该方法能在不牺牲准确性的情况下显著加速软机器人策略学习。
Comments Accepted to IROS 2026. Code: https://github.com/QuantuMope/dismech-rl
基于轨迹评分器的零人类示范端到端自动驾驶
机构 * Institute of Trustworthy Embodied AI（可信具身人工智能研究所） ； Fudan University（复旦大学） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； NVIDIA ； University of Michigan（密歇根大学） ； East China Normal University（华东师范大学）
AI总结 研究提出ZTRS，一种基于强化学习的端到端自动驾驶规划范式，仅依靠真实世界图像和规则奖励训练，无需人类示范。通过详尽策略优化，能更好推广到长尾驾驶场景，在相关数据集上展现出优于模仿学习方法的性能。
基于LLM驱动多模态扩散的结节对齐潜在空间学习：用于肺结节进展预测
机构 * Department of EECS, University of Michigan（电子工程与计算机科学系，密歇根大学） ； University of Michigan Medical School（密歇根大学医学学院）
AI总结 本文提出NAMD框架，通过生成1年随访CT图像预测肺结节进展，利用结节对齐潜在空间和LLM驱动控制机制，在NLST数据集上实现优于基线和现有方法的性能。
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
DynamixSFT：指令微调集合的动态混合优化
机构 * University of Michigan（密歇根大学） ； Microsoft Research（微软研究院） ； KAIST AI（韩国科学技术院人工智能研究所） ； Drexel University（德雷塞尔大学）
AI总结 针对不断涌现的指令微调数据集，提出DynamixSFT动态自动优化方法。将问题转化为多臂老虎机设置，采用Prior-scaled Boltzmann Exploration和1-Step Look-ahead Reward更新采样概率，有效优化数据集并减少计算开销。
Comments ACL 2026 Findings
Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pp. 39590-39603
多环境数据的贝叶斯不变性建模
机构 * Department of Applied Mathematics and Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Department of Statistics, Columbia University（统计学系，哥伦比亚大学） ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Warrington College of Business, University of Florida（佛罗里达大学沃林顿商学院） ； Department of Statistics, University of Michigan（统计学系，密歇根大学）
AI总结 研究多环境数据的不变性预测问题，提出贝叶斯不变性预测模型BIP，通过将不变特征索引编码为潜在变量并后验推断恢复，证明后验一致性等，设计变分近似VI-BIP，在模拟和真实数据中表现更优。
基于强化学习的自动驾驶运动规划综述：从驾驶任务角度吸取的经验教训
机构 * College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（教育部道路与交通工程重点实验室） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Hagler Institute for Advanced Study, Texas A&M University（德克萨斯大学A&M分校哈格勒先进研究学院）
AI总结 综述基于强化学习的自动驾驶运动规划，先概述强化学习方法基础，再调研其在运动规划中的应用，分析特定场景特征与任务要求，总结关键设计经验并为未来实施提供指导，还探讨前沿挑战及应对策略。
Comments 20 pages, 3 figures
基于标准化车牌字体的单目车辆距离估计
机构 * Department of Computer and Information Science, University of Michigan-Dearborn（1计算机与信息科学系，密歇根大学-迪尔伯恩分校） ； Department of Industrial and Manufacturing Systems Engineering, University of Michigan-Dearborn（2工业与制造系统工程系，密歇根大学-迪尔伯恩分校）
AI总结 本文提出了一种利用美国标准化车牌字体作为被动标记进行车辆距离估计的方法，通过显式的几何先验知识解决尺度模糊问题，无需训练数据或主动照明，实现了鲁棒的距离、相对速度和碰撞预警。
Comments 29 pages, 12 figures
通过蒸馏视觉基础模型快速部署设备端眼动追踪
机构 * Meta Reality Labs（Meta现实实验室） ； University of Michigan（密歇根大学）
AI总结 本文提出DistillGaze框架，通过合成数据和真实数据蒸馏视觉基础模型，实现高精度设备端眼动追踪，减少58.62%的中位眼动误差，模型轻量适合实时部署。
生成树自回归视觉生成
机构 * Yonsei University（延世大学） ； Korea Institute of Science and Technology（韩国科学技术院） ； LG AI Research（LG人工智能研究） ； University of Michigan（密歇根大学） ； Seoul National University（首尔国立大学）
AI总结 提出生成树自回归（STAR）建模，通过均匀生成树的遍历顺序在保持采样性能的同时提供灵活序列顺序，支持图像编辑。
Comments Published as a main conference paper at ECCV 2026
单调随机优化的半强盗学习
机构 * Indian Institute of Technology Bombay（印度理工学院孟买分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan（密歇根大学）
AI总结 针对未知分布下的单调随机优化问题，提出一种半强盗在线学习算法，在仅观测被探测变量样本的情况下，实现相对于最优近似算法的√(T log T)遗憾界，并扩展到删失和二元反馈场景。
Comments Full version (and extension) of FOCS 2024 paper. Fixes some missing assumptions in our results for continuous distributions. Also adds extensions to censored and binary feedback settings (along with applications) Revision: We improved the $k$ dependence
局部语义图像动态不确定性校准
机构 * Robotics Department, University of Michigan（密歇根大学机器人系）
AI总结 本文提出OCULAR算法，通过感知信息对未见环境提供不确定性量化保障，无需环境特定数据，有效区分高低不确定性状态动作输入，适用于概率安全规划。
Comments 26 pages, 8 figures. Accepted to the 17th World Symposium on the Algorithmic Foundations of Robotics (WAFR) 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