高校专区
多对多多智能体取货与送货
机构 * Institute of Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机械研究所，佐治亚理工学院） ； Symbotic Inc.（Symbotic公司） ； Northeastern University（东北大学）
AI总结 本文提出M2M算法解决多对多多智能体取货与送货问题，通过任务持续时间优化和SKU分布优化，提升仓库效率。
结构优先于规模：从教育视频中学习视觉推理
机构 * Northeastern University（东北大学）
AI总结 本文提出SoSVQA基准，利用教育视频中的结构化推理轨迹提升视觉语言模型的推理能力，通过GRPO优化在少量数据下实现显著性能提升。
多功能且高效的网络流量分析：将网络基础模型卸载到智能网卡
机构 * Institute of Computing Technology, Chinese Academy of Sciences, China（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences, China（中国科学院大学） ； University of Virginia, USA（弗吉尼亚大学） ； Beijing Institute of Technology, China（北京理工大学） ； Southeast University, China（东南大学） ； Northeastern University, China（东北大学） ； Haihe Lab of ITAI, China（ITAI海河实验室） ； Corresponding authors（通讯作者）
AI总结 本文提出Nepco系统，通过将网络基础模型卸载到智能网卡，实现多功能且高效的网络流量分析，减少端到端延迟。
Comments Under review
通过开放权重代理分析器的激活进行幻觉检测
机构 * Khoury College of Computer Sciences（科里学院计算机科学学院） ； Northeastern University（东北大学）
AI总结 本文提出一种代理分析器框架，通过本地部署的小型开放权重模型检测大语言模型的幻觉，采用变压器文本处理特性构建18种特征，并在多个模型架构上训练堆叠集成模型，最终在RAGTruth数据集上取得优于ReDeEP的AUC和F1分数。
Comments 12 pages, 4 figures. Code available at https://github.com/hallu-detect/llm_hallucination_detection
Motion-o：基于轨迹的视频推理
机构 * Northeastern University（东北大学）
AI总结 Motion-o通过引入运动链推理，使视频推理模型能够显式且可验证地表示物体运动轨迹，提升动态和轨迹依赖性推理的可监督性。
ProactiveMobile: 一个全面的基准，用于提升移动设备上的主动智能
机构 * HyperAI Team, Xiaomi Corporation（小米公司HyperAI团队） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； Northeastern University（东北大学）
AI总结 本文提出ProactiveMobile基准，通过多模态大语言模型在移动代理中实现主动智能，通过63个API生成可执行函数序列，实验表明Qwen2.5-VL-7B-Instruct在主动智能任务中表现优于其他模型。
奖励学习中的主动教师选择
机构 * University of California, Berkeley（加州大学伯克利分校） ； Northeastern University（东北大学）
AI总结 本文提出HUB框架，通过主动选择教师来提升奖励学习效果，应用于推荐系统和疫苗测试领域，展示了教师异质性建模的实用性。
GATHER：面向零样本细胞类型注释的收敛性超实体检索
机构 * Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology（深圳先进技术大学人工智能研究院） ； Software College, Northeastern University（东北大学软件学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
AI总结 GATHER通过全局多源图遍历识别拓扑收敛点，以高信息超实体捕捉实体协同，无需LLM参与检索，提升零样本细胞类型注释效率。
Comments Accepted to SIGIR 2026. 2 figures, 3 tables
通过蒸馏扩散模型在实时中增强视觉系统热感知
机构 * Northwestern University（西北大学） ； Northeastern University（东北大学） ； Hong Kong Baptist University（香港 Baptist大学） ； Beijing Normal - Hong Kong Baptist University（北京师范大学-香港 Baptist大学）
AI总结 本文提出FusionProxy模块，通过蒸馏扩散模型实现实时热感知融合，提升静态识别和动态任务鲁棒性，适用于边缘部署。
合成反事实标签用于高效的符合性反事实推断
机构 * Institute for Intelligent Networked Systems (INSI)（智能网络系统研究所） ； Northeastern University（东北大学） ； Communication Systems Department（通信系统部门） ； EURECOM
AI总结 本文提出SP-CCI框架，通过合成反事实标签提升反事实推断的预测区间精度，保留边际覆盖保障，理论和实验证实其有效性。
让AI草稿计数：音频描述工作流中的质量阈值
机构 * Northeastern University（东北大学） ； San Francisco State University（旧金山州立大学） ； The Smith-Kettlewell Eye Research Institute（史密斯-凯尔韦尔眼科研究所） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校）
AI总结 研究探讨了AI草稿质量对音频描述编辑过程的影响，发现高质量草稿能显著提升效率并降低认知负担，提出需根据内容复杂性设定AI辅助的质量阈值。
迈向可扩展的音频描述质量控制：评估人类和VLM评分者的流程
机构 * Northeastern University（东北大学） ； San Francisco State University（旧金山州立大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校）
AI总结 本文提出了一种评估人类和VLM评分者音频描述质量的流程，利用项目反应理论评估其与专家标准的匹配程度，发现VLM在大规模评估中可与人类评分者相当，但其推理可靠性较低。
ESM3作为具有系统性风险的通用人工智能模型在欧盟人工智能法案中的案例
机构 * AI Standards Lab（人工智能标准实验室） ； Vilnius University（维尔纽斯大学） ； Northeastern University London（伦敦东北大学） ； London School of Economics（伦敦政治经济学院）
AI总结 本文探讨ESM3等前沿生物基础模型在欧盟人工智能法案下的监管问题，分析其是否受通用人工智能模型系统性风险义务约束，并提出改进建议。
Comments 8 pages, 1 figure, Technical AI Safety Conference
CombinationTS：一个用于理解时间序列预测模型的模块化框架
机构 * Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； Northeastern University, Shenyang, China（东北大学） ； Beijing Normal University - Hong Kong Baptist University United International College, Zhuhai, China（北京师范大学-香港 Baptist大学联合国际学院）
AI总结 本文提出CombinationTS框架，通过分解模型为输入变换、嵌入、编码器、解码器和输出变换模块，量化各部分性能和稳定性，揭示模型改进的核心驱动因素，发现嵌入设计良好时，无参数的Identity编码器可超越复杂结构。
Comments Accepted by ICML 2026 main track. Code available at https://github.com/BenchCouncil/CombinationTS
野性算术：Llama使用十进制加法来推理循环概念
机构 * Northeastern University（东北大学） ； Technion IIT（技术ion理工学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 研究Llama-3.1-8B如何用十进制加法处理循环概念，发现其通过通用加法机制而非模运算实现，利用傅里叶特征进行计算，揭示了因果抽象与特征几何的交互对语言模型的理解作用。
与什么相比？反事实提示的基线和度量标准
机构 * Northeastern University（东北大学） ； Bar-Ilan University（巴伊兰大学） ； Allen Institute for AI（人工智能研究所）
AI总结 本文探讨了反事实提示中基线和度量标准的重要性，指出单纯改变文本因素无法准确评估模型敏感性，提出通过统计检验比较干预差异与改写影响的框架，发现模型对患者性别等的敏感性在考虑一般模型敏感性后显著降低。
Comments 24 pages, 10 figures. Under review
MINT：最小信息神经符号树用于目标驱动的知识缺口推理和主动提取
机构 * Department of Electrical and Computer Engineering, George Washington University（乔治华盛顿大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, Northeastern University（东北大学电气与计算机工程系）
AI总结 本文提出MINT用于解决AI代理在目标驱动规划中主动提取人类输入的问题，通过神经符号树和自博弈优化策略，提升规划性能。
NonZero：基于交互的多智能体蒙特卡洛树搜索探索
机构 * The George Washington University（乔治华盛顿大学） ； Northeastern University（东北大学）
AI总结 NonZero通过交互引导的提议规则，在低维非线性表示中进行代理引导选择，提升多智能体MCTS的可扩展性与探索效率。
Comments Accepted by ICML 2026 as Spotlight
预测非计划性医院再入院的时序数据需求
机构 * Northeastern University（东北大学） ； Partners Healthcare Connected Health Innovation（Partners Healthcare 连接健康创新） ； MGH Institute for Technology Assessment（MGH 技术评估研究所） ； Harvard Medical School（哈佛医学院） ； Tufts University School of Medicine（塔夫茨大学医学院） ； Department of Public Health and Community Medicine（公共卫生与社区医学系）
AI总结 本文研究了不同观察窗口对预测髋膝关节置换术后30天再入院的影响，发现非结构化临床笔记的最佳时间窗口比结构化数据更短，而结构化数据在延长窗口后性能趋于稳定。
可验证因子图优化
机构 * Robust Autonomy Lab（鲁棒自主实验室） ； Institute for Experiential Robotics（体验机器人研究所） ； Northeastern University（东北大学）
AI总结 本文提出将因子图与可验证估计结合的统一框架，通过继承核心数学结构实现高效优化，实验表明其在姿态图优化等任务中性能优异且实现成本低。
Comments 20 pages, 3 figures
稀疏自编码器能否捕捉概念流形？
机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； Technion IIT（技术学院） ； Stanford University（斯坦福大学）
AI总结 本文探讨了稀疏自编码器捕捉流形的能力，指出现有方法在连续结构恢复上存在不足，并提出应以几何对象而非单个方向作为可解释性基础。
FineState-Bench：面向细粒度GUI状态设置的状态条件化基准测试
机构 * MBZUAI, United Arab Emirates（阿联酋MBZUAI研究院） ； Northeastern University, China（中国东北大学）
AI总结 FineState-Bench通过精确目标状态评估，检验智能体能否正确映射指令至UI控件，提出FineState-Metrics与VDA诊断工具，实验显示视觉接地仍有提升空间，但整体准确率不足。
DPN-LE: 大语言模型双人格神经元定位与编辑
机构 * Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Zhongguancun Academy（中关村学院） ； Zhejiang University of Technology（浙江工业大学） ； Kuaishou Technology（快手科技） ； Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
AI总结 本文提出DPN-LE方法，通过对比高特质与低特质样本的MLP激活，定位并编辑双人格神经元，实现精准的人格控制与能力保留。
Journal ref ACL 2026 Findings
涡轮风扇发动机剩余寿命估计：经典、CNN和LSTM方法的比较研究
机构 * Khoury College of Computer Science, Northeastern University（东北大学计算机科学学院）
AI总结 本文比较了经典方法、CNN和LSTM在NASA C-MAPSS数据集上对涡轮风扇发动机剩余寿命估计的性能，发现LSTM在FD001和FD003上分别取得14.93和14.20的RMSE，优于其他方法。
Comments 7 pages, 5 algorithms, 7 figures, 4 tables
利用生成式AI进行技能提升：自由职业知识工作者的实践与挑战
机构 * Civic AI Lab, Northeastern University（东北大学Civic AI实验室）
AI总结 本文通过混合方法研究，探讨自由职业者如何利用生成式AI工具进行学习，发现其在技能提升中的应用与挑战，包括技能验证问题。
DeepWeightFlow：基于重新基化流匹配的神经网络权重生成
机构 * Northeastern University（东北大学）
AI总结 本文提出DeepWeightFlow，通过在权重空间中直接生成多种架构和规模的神经网络权重，提升生成效率和准确性，无需微调且能处理大规模模型。
Comments 25 pages, 20 tables, 2 figures
Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026): https://openreview.net/forum?id=fOwsr1VTi8
Vibe Check: 探讨基于大语言模型的对话代理的性格和对齐对用户在目标导向任务中的感知影响
机构 * Northeastern University（东北大学）
AI总结 本研究探讨了对话代理性格表达水平和用户与代理性格对齐如何影响用户在目标导向任务中的感知，发现中等表达水平在多个维度上表现最佳，性格对齐进一步提升了结果，尤其在外向性和情绪稳定性和方面影响显著。
Comments 30 pages, CHI 2026 conference paper (article no. 371)
少做决定，多进行沟通：关于医学领域端到端事实核查构建效度的探讨
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Indiana University School of Medicine（印第安纳大学医学院） ； King’s College London（伦敦国王学院） ； Massachusetts Institute of Technology（麻省理工学院） ； The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Northeastern University（东北大学）
AI总结 本文探讨医学领域端到端事实核查系统的构建效度，指出其在连接现实声明与科学证据、处理模糊声明及主观真实性标签方面的挑战，主张将其视为互动沟通问题。
Comments ACL 2026 Findings camera-ready
LLM代理能否模拟多轮人类行为？基于真实在线客户行为数据的证据
机构 * Northeastern University（东北大学） ； Amazon.com, Inc.（亚马逊公司）
AI总结 本文通过购物案例研究，首次对先进LLM在模拟人类行为方面的准确性进行大规模定量评估，发现基于提示的LLM仅能生成11.86%的人类行为，通过微调提升至17.26%和33.86%的F1分数，建立首个严谨的基准。
不要盯着镜头：实现感知眼神接触
机构 * University of Washington（华盛顿大学） ； University of California, Riverside（加州大学河滨分校） ； Northeastern University（东北大学）
AI总结 研究通过实验证明，相较于直接对镜头，低头看向镜头下方更有利于实现感知眼神接触，提出了优化 gaze 方向的方法。
Journal ref Journal of Vision 2024
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