高校专区
R1-Code-Interpreter: LLMs通过监督学习和多阶段强化学习进行代码推理
机构 * MIT / Harvard（麻省理工学院/哈佛大学） ； 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） ； MIT（麻省理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Harvard（哈佛大学）
AI总结 R1-Code-Interpreter通过监督学习和多阶段强化学习提升LLM的代码推理能力，实现对多样化任务的高效处理，显著提升模型性能。
Comments 29 pages
通过推理时扩散缩放进行组合式视觉规划
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学）
AI总结 本文提出通过推理时扩散缩放进行组合式视觉规划，利用Tweedie估计强制边界一致，实现长时间范围的稳定规划。
具有对称感知异构图神经网络的张力结构机器人端帽-地面接触估计
机构 * University of Michigan（密歇根大学）
AI总结 本文提出利用对称感知异构图神经网络实现张力结构机器人端帽-地面接触估计，通过本体感觉数据提升状态估计的准确性和鲁棒性。
Comments Preprint; 7 pages, 5 figures, 3 tables
LLM-MLFFN: 通过大语言模型的多级自动驾驶行为特征融合
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； Systems Engineering Program, Cornell University（康奈尔大学系统工程项目） ； Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院）
AI总结 LLM-MLFFN通过大语言模型的多级特征融合提升自动驾驶行为分类的准确性和鲁棒性。
BiMotion: B-spline 动作 for 文本引导的动态 3D 人物生成
机构 * University of Edinburgh（爱丁堡大学） ； Cornell University（康奈尔大学） ； University of Michigan（密歇根大学） ； Voxel51
AI总结 BiMotion 通过 B-spline 曲线生成高质量文本引导的动态 3D 人物动作，提升动作生成的表现力和质量。
Comments Accepted to CVPR 2026
通过指挥模型学习自然语言中的代理协调
机构 * Sakana AI, Japan（日本Sakana AI公司） ； University of Michigan, USA（美国密歇根大学） ； Institute of Science Tokyo, Japan（日本东京科学研究所）
AI总结 本文提出通过强化学习训练指挥模型，实现自然语言中代理的协调，展示其在推理基准测试中的卓越性能。
Comments To appear at the 14th International Conference on Learning Representations (ICLR 2026)
CodeV: 通过工具感知策略优化实现基于图像的代码推理
机构 * University of Michigan（密歇根大学） ； The Ohio State University（俄亥俄州立大学）
AI总结 CodeV通过工具感知策略优化提升视觉推理的忠实度，实现更高准确率和更可靠的工具使用。
从无结构文本合成关系数据库
机构 * University of Michigan（密歇根大学）
AI总结 SQUiD通过神经符号框架从无结构文本自动合成关系数据库，优于现有方法。
pySpatial: 为零样本空间推理生成3D视觉程序
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； University of Michigan（密歇根大学）
AI总结 pySpatial通过生成3D视觉程序，使大语言模型在无需微调的情况下实现零样本空间推理，并在基准测试和实际导航中表现出色。
Comments Accepted at ICLR 2026, Project Page: Our project: https://pySpatial.github.io
MARS: 通过自适应排名搜索实现多模态收敛的统一
机构 * University of Michigan（密歇根大学） ； NVIDIA（英伟达）
AI总结 MARS通过自适应排名搜索优化多模态大语言模型微调，平衡训练动态并提升性能。
Comments 17 pages; Project Page: this https URL: https://minkyoungcho.github.io/mars/
REMIND: 重新思考医疗多模态学习中的缺失性——从长尾分布视角
机构 * University of Michigan（密歇根大学）
AI总结 REMIND从长尾分布视角重新思考医疗多模态学习中的高模态缺失问题，提出组专用混合专家架构和分布鲁棒优化策略，有效提升尾部模态组合的性能。
稀疏贝叶斯建模用于EEG通道交互以提高P300脑机接口性能
机构 * Department of Biostatistics, University of Michigan（生物统计学系，密歇根大学）
AI总结 本文提出稀疏贝叶斯模型，通过建模EEG通道交互提升P300脑机接口的解码性能和用户吞吐量。
基于大语言模型的对话式编程助手中的用户误解
机构 * University of Michigan（密歇根大学） ； Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学） ； Heidelberg University（海德堡大学） ； Reykjavik University（雷克雅未克大学） ； IT University of Copenhagen（哥本哈根IT大学）
AI总结 研究揭示了用户在使用基于大语言模型的对话式编程助手时可能存在的误解，强调了工具在明确自身能力及通过实证研究澄清编程需求的重要性。
Comments Accepted to the Journal Ahead Workshop at ICSE '26
SimpleOCR: 将可视化问题呈现以教导大语言模型阅读
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； Adobe Research（Adobe研究）
AI总结 SimpleOCR通过强制模型视觉参与，解决多模态大语言模型在图像中阅读文本的性能问题，提升模型的视觉文本提取能力。
SmartChunk检索：具有规划的查询感知分块压缩以实现高效的文档RAG
机构 * University of Michigan（密歇根大学） ； Adobe Research（Adobe研究）
AI总结 SmartChunk通过查询自适应框架和强化学习方案提升长文档问答效率与准确性。
Comments 26 pages, 10 figures
超声波雷达强度用于机器人感知
机构 * State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC)（物联网智能城市国家重点实验室） ； Faculty of Science and Technology（科技学院） ； University of Macau（澳门大学） ； School of Computing and Information Systems（计算与信息学院） ； Singapore Management University（新加坡管理大学） ； Department of Naval Architecture and Marine Engineering and Department of Robotics（船舶工程与海洋工程系和机器人系） ； University of Michigan（密歇根大学） ； Department of Robotics（机器人系） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·拉希德智能人工智能大学）
AI总结 本文提出了一种基于非重复扫描LiDAR的密集强度图像生成方法，以提升低成本LiDAR在机器人感知中的应用。
Comments IEEE Robotics and Automation Letters (RA-L), 2026 (https://ieeexplore.ieee.org/document/11395610). The dataset and code are available at: (https://github.com/IMRL/Super-LiDAR-Intensity)
SWE-Protégé: 通过选择性协作专家解锁小型语言模型作为软件工程代理
机构 * Meta ； University of Michigan（密歇根大学） ； Stanford University（斯坦福大学）
AI总结 SWE-Protégé通过选择性协作专家，使小型语言模型在软件工程任务中取得显著提升，实现42.4%的Pass@1成绩。
机器去学习并不如你所想：生成式AI政策与研究的启示
机构 * The GenLaw Center（GenLaw中心） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Center for Democracy & Technology（民主与科技中心） ； Princeton（普林斯顿） ； Google（谷歌） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； Cornell Tech（康奈尔科技） ； Cornell Law School（康奈尔法学院） ； Cornell University（康奈尔大学） ； Lighthouse ； Stanford Law School（斯坦福法学院） ； UC Berkeley（伯克利大学） ； Independent（独立研究者） ； Northeastern University（东北大学） ； Harvard Business School（哈佛商学院） ； W. Virginia University College of Law（维珍尼亚大学法学院）
AI总结 本文指出机器去学习并非通用解决方案，揭示其在生成式AI政策与研究中的局限性。
Comments NeurIPS 2025 (Oral)
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
PMG：用于类人运动控制的参数化运动生成器
机构 * Tsinghua University（清华大学） ； ZERITH Robotics（ZERITH机器人公司） ； University of Michigan（密歇根大学）
AI总结 PMG通过参数化运动生成技术，实现了高效、自然的人形机器人运动控制，支持高维控制输入并实现仿真到现实的可靠转移。
Comments Website: https://pmg-icra26.github.io/
从性能到目的：一种用于评估大语言模型效用的社技术分类
机构 * University of Michigan（密歇根大学）
AI总结 本文提出LUX框架，用于评估大语言模型在不同应用场景中的效用，涵盖性能、交互、运营和治理四个领域，并提供动态工具支持框架探索。
AI反馈提升学生修改质量：一项在大规模本科课程中使用FeedbackWriter的随机对照试验
机构 * University of Michigan（密歇根大学）
AI总结 AI反馈系统FeedbackWriter在大规模本科课程中提升学生修改质量，通过随机对照试验发现AI建议能提高修改质量，且TAs采纳越多建议效果越显著。
AgentDR: 通过基于LLM的代理进行动态推荐：利用隐式物品-物品关系
机构 * Amazon（亚马逊） ； University of Michigan（密歇根大学）
AI总结 AgentDR通过基于LLM的代理利用隐式物品-物品关系，结合记忆机制和提示策略，提升动态推荐的全排名性能和相关性。
Comments 12 pages, accepted by WWW'26 as long paper
探索同步小组环境中的协作生成式人工智能代理： eliciting团队感知和未来工作设计考虑
机构 * University of Michigan（密歇根大学） ； Tsinghua University（清华大学）
AI总结 本文探讨了协作生成式人工智能代理在同步小组环境中的应用，通过实证研究揭示了团队感知和设计考虑，旨在提升团队协作与问题解决能力。
Comments To be published in ACM Conference on Computer-Supported Cooperative Work and Social Computing (CSCW 2025). 33 pages, 11 figures, 1 table
适应内在依赖性在扩散语言模型中
机构 * Department of Industrial and Operations Engineering, University of Michigan（工业与运营工程系，密歇根大学）
AI总结 本文提出了一种分布无关的解屏蔽计划，使扩散语言模型能够适应目标数据分布的内在依赖结构，从而提升采样效率。
DSDR：双尺度多样性正则化用于LLM推理中的探索
机构 * The Ohio State University, USA（俄亥俄州立大学） ； Case Western Reserve University, USA（凯斯西储大学） ； The Chinese University of Hong Kong, Hong Kong（香港中文大学） ； Macquarie University, Australia（麦考瑞大学） ； University of Michigan, USA（密歇根大学） ； The University of Hong Kong, Hong Kong（香港大学） ； University College London, UK（伦敦大学学院）
AI总结 DSDR通过双尺度多样性正则化提升LLM推理中的探索能力，通过全局和局部正则化机制增强路径多样性，提高学习信号稳定性。
面向目标的影响最大化数据获取用于学习与优化
机构 * University of Michigan（密歇根大学） ； Columbia University（哥伦比亚大学）
AI总结 GOIMDA通过反曲率实现不确定性意识的主动数据获取，适用于学习与优化任务，减少标注样本和函数评估次数。
Botson：一种易于获取且低成本的社会机器人研究平台
机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
AI总结 Botson是一种基于大型语言模型的人形社会机器人，旨在为社会机器人研究提供低成本且易于获取的平台。
Comments 5 pages, 7 figures
基于集成学习和SHAP的可解释信用违约预测
机构 * New York University（纽约大学） ； Independent Researcher（独立研究者） ； University of Michigan（密歇根大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于集成学习和SHAP的信用违约预测方法，通过评估多种模型性能，发现集成学习在处理复杂非线性关系和数据不平衡方面表现优异，SHAP分析揭示外部信用评分变量对模型决策的主导作用，提升模型可解释性与实用性。
算子层面的非对数凹采样量子加速
机构 * Simons Institute for the Theory of Computing, University of California, Berkeley, USA（Simons理论计算研究所，加州大学伯克利分校） ； Department of Mathematics, University of California, Berkeley, USA（加州大学伯克利分校数学系） ； Department of Mathematics, University of Michigan, Ann Arbor, USA（密歇根大学安娜堡分校数学系） ； Applied Mathematics and Computational Research Division, Lawrence Berkeley National Laboratory, Berkeley, USA（伯克利国家实验室应用数学与计算研究部）
AI总结 该研究提出首个量子算法，通过算子层面的方法实现非对数凹采样任务的高效加速，显著提升了经典方法在复杂分布下的性能。
Comments 48 pages, 8 figures
Journal ref Proceedings of the National Academy of Sciences 123(8), e2512789123 (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