高校专区
重回正轨：在扩散大语言模型中对齐奖励与状态以进行推理
机构 * University of Science and Technology of China（中国科学技术大学） ； Tongyi Lab（通义实验室） ； Northeastern University（东北大学）
AI总结 针对扩散大语言模型强化学习中过程奖励与状态轨迹的双重错位问题，提出PAPO框架，通过步骤感知过程奖励和熵引导历史重演实现对齐，在四个基准上取得显著提升。
GIFT: 基于LLM引导的状态-奖励接口用于金融强化学习
机构 * East China University of Science and Technology（华东理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Southwestern University of Finance and Economics（西南财经大学） ； University of Sydney（悉尼大学） ； City University of Hong Kong（香港城市大学） ； Northeastern University（东北大学） ； The Ohio State University（俄亥俄州立大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出GIFT框架，利用大语言模型引导PPO强化学习中的状态增强和奖励塑造，提升金融交易策略的样本外风险调整收益。
Comments 25 pages, 7 figures. Code and data are available at https://github.com/KAG778/GIFT . Equal contribution: Yanyan Wu and Boyi Zhang. Corresponding author: Youhua Li
PRISM：世界模型中基于先验引导的想象采样
机构 * Northeastern University（东北大学） ； University of California, Berkeley（加州大学伯克利分校） ； Qiyuan Lab（启元实验室） ； University of Florida（佛罗里达大学）
AI总结 提出PRISM框架，通过从世界模型编码器提取状态条件高斯先验，并利用精度加权高斯乘积更新规划器的采样分布，在不增加架构复杂度的情况下显著提升基于模型的连续控制性能。
MatMind：面向材料科学的结构-活性知识驱动生成基础模型
机构 * State Key Laboratory of High Performance Ceramics（高性能陶瓷国家重点实验室） ； Shanghai Institute of Ceramics, Chinese Academy of Sciences（中国科学院上海陶瓷研究所） ； Center of Materials Science and Optoelectronics Engineering, University of Chinese Academy of Sciences（中国科学院大学材料科学与光电子工程中心） ； School of Chemistry and Materials Science, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州先进研究所化学与材料科学学院） ； State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Beijing Wenge Technology Co., Ltd.（北京文格科技有限公司） ； College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院）
AI总结 提出MatMind，一种基于大语言模型的晶体材料生成基础模型，通过结构-活性知识注入、双头架构和物理信息强化学习，在性质预测、无条件生成和条件生成任务上超越专用模型。
Comments 29 pages, 5 figures, including references
尾部的捷径：通过微调更新的后验谱压缩进行去偏
机构 * UCLA（加州大学洛杉矶分校） ； Northeastern University（东北大学）
AI总结 提出对微调权重更新进行SVD截断尾部，无需重训练或组标签即可减少虚假关联，在多个模型和基准上以<2%的准确率损失将差距降低最多5倍。
Comments ICML Weight Space Symmetries Workshop 2026
CollabSim: 一种基于CSCW的方法，通过受控多智能体实验研究LLM智能体的协作能力
机构 * Northeastern University（东北大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 提出CollabSim框架，结合CSCW理论定义协作能力、控制交互条件并探测智能体内部状态，以系统分析LLM多智能体系统的协作能力。
人类的ALMANAC：用于智能体协作的动作级心智模型标注的人类协作数据集
机构 * Northeastern University（东北大学） ； University of Notre Dame（Notre Dame 大学） ； University of Waterloo（滑铁卢大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Adobe（Adobe公司） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 为解决当前LLM智能体缺乏协作中心智模型能力的问题，构建了基于Map Task的ALMANAC数据集，包含2987个协作动作及其心智模型标注，并评估了六种LLM在预测人类行为和心智模型上的表现。
FRWKV+: 基于周期感知的自适应门控用于频率域线性时间序列预测
机构 * College of Information Science and Engineering, Northeastern University（信息科学与工程学院，东北大学） ； Foshan Graduate School of Innovation, Northeastern University（创新研究生学院，东北大学） ； National Frontiers Science Center for Industrial Intelligence and Systems Optimization（工业智能与系统优化国家级前沿科学中心）
AI总结 本文提出FRWKV-Plus模型，通过引入跨分支频谱门和信任门控残差修正，提升频率域时间序列预测的准确性与效率，实验表明其在多个基准数据集上表现优异。
AlphaOPT: 利用自改进LLM经验库构建优化问题
机构 * Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究技术联盟） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Florida（佛罗里达大学） ； Northeastern University（东北大学） ； Singapore Management University（新加坡管理学院）
AI总结 提出AlphaOPT，一种自改进经验库，使LLM能从有限监督中学习优化建模知识，通过库学习和库演化两阶段循环，逐步提升性能，在多个基准上超越基线方法。
超越哈达玛流形的去中心化在线黎曼优化
机构 * Department of Mechanical & Industrial Engineering at Northeastern University（东北大学机械与工业工程系）
AI总结 针对可能具有正曲率的流形，提出曲率感知的黎曼共识步骤，实现去中心化在线黎曼梯度下降算法，并证明O(√T)遗憾界。
流式视频生成与流力控制
机构 * Northeastern University（东北大学） ； Impossible Research ； University of California, Berkeley（加州大学伯克利分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出StreamForce框架，通过统一力表示和蒸馏流程实现因果、统一的流式视频生成，支持局部和全局时变力控制，在单GPU上达到16.6 FPS，力遵循和运动真实性达最优。
DirectAudioEdit: 基于扩散预测对比的无反演文本引导音频编辑
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； Kunming University of Science and Technology（昆明理工大学） ； NiuTrans Research, Shenyang, China（新译研究）
AI总结 提出一种无需训练和反演的文本引导音频编辑方法DirectAudioEdit，通过扩散预测对比构建编辑路径，在音乐和事件基准上降低FAD和KL指标15%以上，编辑速度提升高达64.5%。
先刻画再蒸馏：大输出空间中的机械推理
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院）
AI总结 研究现代推理模型在百万级标签空间中实现零样本多标签分类的机制，提出“候选列表生成+精细推理”两阶段模型，并基于此开发机械蒸馏策略，优于标准蒸馏。
三维水杂波环境中的波动机器人运动
机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院） ； School of Physics, Georgia Institute of Technology（Georgia理工学院物理系） ； George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院乔治·W·伍德鲁夫机械工程学院） ； School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院） ； Department of Mechanical and Industrial Engineering, Northeastern University（东北大学机械与工业工程系） ； Ransom Everglades School（拉森·伊弗格莱德学校）
AI总结 提出AquaMILR机器人，通过可编程体顺应性和深度调节，在三维水杂波环境中实现快速鲁棒的前进运动，并利用惯性滚动作为自发恢复机制。
视觉-语言模型中空间变量绑定的双重机制
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Northeastern University（东北大学） ； Sony Playstation（索尼PlayStation）
AI总结 本文揭示视觉-语言模型通过语言骨干中的内容无关空间关系编码和视觉编码器中的全局布局表示两种机制实现空间变量绑定，其中视觉编码器起主导作用。
Comments 37 pages, 53 figures
视觉语言模型中表征失败的几何结构
机构 * Dipartimento di Fisica, Università di Torino（都灵大学物理系） ； Princeton Neuroscience Institute and AI Lab, Princeton University（普林斯顿大学神经科学研究所和AI实验室） ； Intesa Sanpaolo AI Research（Intesa Sanpaolo AI研究中心） ； Dipartimento di Scienze Matematiche, Politecnico di Torino（都灵理工学院数学科学系） ； Network Science Institute, Northeastern University London, UK（伦敦大学东北方大学网络科学研究所）
AI总结 通过分析开源视觉语言模型的概念向量几何重叠，揭示多目标视觉任务中幻觉等错误与认知约束的关联，并提出基于干预的验证方法。
SEEK: 通过内部推理草图引导LLM推理用于RAG
机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学计算机科学与技术系，人工智能研究院） ； School of Intelligent Science and Technology, Nanjing University, China（南京大学智能科学与技术学院）
AI总结 提出SEEK框架，通过构建结构化引导草图，迭代检索和填充知识槽，减少冗余检索，提升RAG性能。
MemoryCard: 面向长视频问答的主题感知多模态线索压缩
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Digital China Group（数字中国集团）
AI总结 提出MemoryCard框架，通过将长视频分割为主题事件单元并生成事件级摘要和代表性视觉时刻，以记忆卡形式增强VLMs的长视频问答能力，在相同视觉令牌预算下准确率提升高达21.8%。
Comments 21 pages, 8 figures
基于遥感的季节内作物制图机器学习算法比较
机构 * Oak Ridge National Laboratory（橡树岭国家实验室） ； Environmental Sciences Division（环境科学 division） ； Northeastern University（东北大学）
AI总结 本研究通过比较十种机器学习算法，利用Landsat-Sentinel反射率时间序列和轮作历史，在6月初准确绘制玉米和杏仁的30米分辨率作物图，并量化物候和分布不确定性，发现支持向量机总体表现最佳。
Comments 22 pages, 8 figures
与“敌人”编码：人类开发者能否检测到AI代理的破坏行为？
机构 * Northeastern University（东北大学）
AI总结 通过大规模用户实验，研究人类开发者在长时间编码任务中检测AI代理恶意代码插入的能力，发现94%的开发者未能识别破坏，并分析其原因，提出安全监控设计建议。
Comments 34 pages, 30 figures, 3 tables
名字里有什么？LLM在药理学中的形态捷径
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心）
AI总结 研究LLM在药理学中依赖词缀线索进行推理的形态捷径行为，通过虚构药物名称实验和归因框架揭示其机制及安全风险。
Comments 22 pages
Flash-WAM：面向世界动作模型的模态感知蒸馏
机构 * Northeastern University（东北大学） ； University of Georgia（佐治亚大学） ； EmbodyX Inc.（EmbodyX公司）
AI总结 针对世界动作模型联合生成视频和机器人动作时因多模态噪声分布不对称导致蒸馏失效的问题，提出模态感知步蒸馏框架Flash-WAM，通过为不同模态选择匹配噪声机制的参数化方法，实现单步推理并大幅加速。
线性探针检测语言模型隐藏状态中的任务格式，而非推理模式
机构 * Horizon Research（远景研究） ； Meta ； Apple（苹果公司） ； Northeastern University（东北大学）
AI总结 通过线性探针实验发现，大语言模型隐藏状态中看似分离的推理模式实际上由任务格式（如来源、选项数、响应长度）混淆导致，而非真正的推理计算结构。
Comments Accepted in the 6th Workshop on Trustworthy NLP, ACL 2026
SpanNorm: 在深度Transformer中协调训练稳定性与性能
机构 * Meituan Inc.（美团公司） ； NLP Lab, School of Computer Science and Engineering（自然语言处理实验室，计算机科学与工程学院） ； Northeastern University, Shenyang, China（东北大学，沈阳，中国）
AI总结 本文提出SpanNorm技术，通过结合前归一化和后归一化的优势，解决深度Transformer中训练稳定性与性能之间的根本性权衡问题，理论分析和实验结果表明其在密集和专家混合（MoE）场景中均优于传统归一化方案。
Comments Accepted by ICML2026
关于深度等变网络的通用性
机构 * University of Trento（特伦托大学） ； Fondazione Bruno Kessler（布鲁诺·凯瑟勒基金会） ； PUC Chile（智利天主教大学） ； Northeastern University（东北大学）
AI总结 本文研究了等变神经网络的通用性问题，提出在分离约束下，通过全连接读出层可实现连续函数的近似，并引入了更严格的逐元素分离性准则，证明了足够深度或适当读出层可使等变网络在逐元素分离性范围内实现通用性。
Comments Published as a conference paper at ICLR 2026
Journal ref International Conference on Learning Representations (ICLR), 2026
超越文本跟随：音频-语言模型中的可修复仲裁反转
机构 * Northeastern University, China（东北大学） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室）
AI总结 本文通过同音频反事实实验发现，音频-语言模型在冲突任务中常因文本主导而忽略音频证据，并提出无训练解码规则GACL，通过插值联合分数与同音频分数来修复仲裁反转，显著提升忠实度。
MemoryDocDataSet: 联合对话记忆与长文档推理的基准测试
机构 * Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Columbia University（哥伦比亚大学） ； Independent Researcher（独立研究者）
AI总结 提出MemoryDocDataSet合成基准，包含50个微世界和1000个QA对，评估系统同时处理多轮对话历史和长文档阅读理解的能力，其中75.1%的问题需要混合推理（先导航对话历史再提取文档答案），实验显示联合检索存在明显差距。
Comments 17 pages, 2 figures, 8 tables. Submitted for peer review
XSSR: 跨域自监督代表性选择用于医学图像分割中的高效标注
机构 * Northeastern University, San Jose, CA 95113, USA（东北大学，旧金山，CA 95113，美国） ； Northeastern University, New York, NY 10021, USA（东北大学，纽约，NY 10021，美国）
AI总结 提出XSSR框架，通过自监督学习在目标域中自动选择代表性样本进行标注，在仅使用5%标注预算时达到接近全数据性能。
Comments Accepted to the Third International Conference on AI in Healthcare (AIiH 2026). This is the preprint version of the paper
CR-Seg：注意力引导与CoT增强的由粗到精推理分割
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）
AI总结 提出CR-Seg两阶段框架，通过注意力图提取和全局到局部思维链，实现由粗到精的推理分割，解决跨模态对齐和推理-答案不一致问题。
自适应自动框架：面向开放式任务流的智能体系统部署的持续自我改进
机构 * Emory University（埃默里大学） ； Amazon（亚马逊） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； UIUC（伊利诺伊大学香槟分校） ； Northeastern University（东北大学）
AI总结 提出自适应自动框架（Adaptive Auto-Harness），通过状态化多智能体进化器、带求解时路由的框架树和人工引导机制，解决开放式任务流中自动框架性能退化问题，在多个流上超越现有基线。
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