高校专区
合成角色预训练：从零开始的对齐
机构 * EPFL（洛桑联邦理工学院） ； University of Toronto（多伦多大学） ； Northeastern University（东北大学） ； SJTU（上海交通大学） ； Saarland University（萨尔大学） ； Hereon（亥姆霍兹极地与海洋研究中心） ； TUHH（汉堡工业大学） ； Ontocord AI（Ontocord人工智能公司） ； TUC（德累斯顿工业大学） ； DFKI（德国人工智能研究中心）
AI总结 该研究提出合成角色预训练（SPP），在预训练token零阶段植入助手角色，通过标注反思、预训练及角色绑定，提升模型价值构成遵循度与鲁棒性，降低对齐错误率，证明预训练时角色干预是对齐的有效方法。
更好的分解，自由聚合：面向多语言多跳问答的合成器折叠框架
机构 * School of Computer Science and Engineering, Northeastern University（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）
AI总结 针对多语言多跳问答中现有方法的翻译噪声与错误放大问题，提出Syfer框架，通过推迟翻译、格式受限分解与质量检查实现性能与成本的良好平衡。
Comments Accepted by NLPCC 2026
基于多AUV自组织网络的目标跟踪：一种值梯度引导多智能体扩散强化学习方法
机构 * Software College, Northeastern University（东北大学软件学院） ； Hohai University（河海大学）
AI总结 针对多AUV自组织网络目标跟踪的训练不稳定、跟踪性能差问题，提出VGG-MADiffRL算法与MDCA架构，实现了更快收敛、更高跟踪精度与平稳训练动态，具有工程应用价值。
单个冻结模拟器不够：多智能体强化学习中的模拟器崩溃问题
机构 * Northeastern University（东北大学） ； New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 针对人机交互多智能体强化学习中单个LLM模拟器导致的策略泛化缺陷，提出Verbalized Sampling和Co-Training两种方案，在多轮基准测试和真实用户研究中显著提升了性能，发布了开源框架SCOPE。
Comments 41 pages, 28 figures
Mechanist：作为科学仪器的AI，用于发现智能的机制
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Heriot-Watt University（赫瑞瓦特大学） ； Southern University of Science and Technology（南方科技大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Northeastern University（东北大学）
AI总结 本研究推出智能体系统Mechanist，以AI为科学仪器自主发现AI智能机制，其生成假设更有价值、实验更可靠，还能发现安全风险、构建信念机制理论并转化为提升模型性能的干预措施。
Comments Work in progress
基于技能-工具链进化的自演化具身智能体
机构 * Microsoft Research（微软研究院） ； Northeastern University（东北大学）
AI总结 提出免训练的SHAPER框架，通过演化技能与工具链实现冻结模型驱动的自演化具身智能体，在VLABench等数据集上验证其适配优势。
CoRCi：跨域序列推荐中连贯兴趣建模的跨重建方法
机构 * Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 针对跨域序列推荐中域差异破坏兴趣连贯性的问题，本文提出CoRCi框架，通过跨重建方法和FocalNCE损失实现域不变兴趣对齐，在四个数据集上性能优于现有最优方法。
CoInS-Net：用于联合医学图像插值与分割的连续位置感知网络
机构 * 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 CoInS-Net是一种联合医学图像插值与分割的连续位置感知网络，通过双向交互实现两任务相互促进，在多数据集上优于传统单任务方案，为临床医学图像分析提供可靠通用技术。
EFFEKT：面向基础模型的高效联邦知识迁移
机构 * Northeastern University（东北大学） ； University of Padua（帕多瓦大学）
AI总结 EFFEKT是一种联邦学习框架，通过双向跨蒸馏策略，结合轻量级客户端代理模型与服务器端基础模型，实现高效的领域特定LoRA适配器训练，在低功耗边缘设备上性能优于基线。
Comments 12 main content pages, 8 appendix pages; 3 main figures, 9 appendix figures; 8 main tables, 9 appendix tables; 1 main algorithm, 4 appendix algorithms; accepted at TMLR
多模态大语言模型（MLLMs）能否解码创造性飞跃？推出面向跨概念理解的C4框架
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院） ； School of Computer Science and Engineering, Shandong University of Science and Technology（山东科技大学计算机科学与工程学院）
AI总结 该研究推出受认知启发的C4成语跨概念创造力评估框架，构建含884个案例的C4-Eval集，评估10款MLLMs发现闭源模型准确率最高达50.7%，揭示当前MLLMs创造性解码能力存在显著差距。
通过选择性上下文偏好优化学习何时信任
机构 * Duke University（杜克大学） ； National University of Singapore（新加坡国立大学） ； UC Berkeley（加州大学伯克利分校） ； UC Irvine（加州大学欧文分校） ； Northeastern University（东北大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本研究针对语言模型易受误导性外部信号影响的问题，提出SCOPE方法，在含四种条件的MIST基准上优化DPO目标，降低SC2W的同时保持正常上下文下的准确率，主张以选择性信任评判模型。
Comments Project Page at https://worldbench.github.io/scope GitHub Repo at https://github.com/worldbench/SCOPE HF Dataset at https://huggingface.co/datasets/worldbench/MIST-Bench
RRC：基于排序的奖励构造解锁LLM强化学习中的生成式奖励模型
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； NiuTrans Research（NiuTrans研究院） ； Institute of Psychology, CAS（中国科学院心理研究所） ； Kunming University of Science and Technology（昆明理工大学）
AI总结 本研究针对生成式奖励模型在LLM强化学习中潜力未充分发挥的问题，提出RRC方法，通过两种互补策略提升RL训练效果，在多基准上取得一致增益。
显式规划与反应分解的轨迹预测统一框架
机构 * Software College, Northeastern University（东北大学软件学院）
AI总结 针对现有轨迹预测方法未充分区分社会影响功能角色的问题，提出INTraJ框架，将社会影响分解为规划与反应两阶段，在四个基准上实现性能提升，验证了阶段性社会建模的重要性。
Comments Accepted by ACM MM 2026
利用级联语义适配视觉基础模型
机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Missouri–Kansas City（密苏里大学堪萨斯城分校） ； Northeastern University（东北大学） ； Tulane University（杜兰大学） ； University of Bristol（布里斯托大学） ； Oak Ridge National Laboratory（橡树岭国家实验室）
AI总结 该研究针对现有视觉提示调优（VPT）未利用先验知识的问题，提出向VPT注入两类语义先验的级联方案，在34个图像分类数据集上仅调优0.74%的ViT参数即实现优异下游适配效果。
Comments Accepted by Transactions on Machine Learning Research (TMLR), 2026. Project page: https://xixiaouab.github.io/Cascaded-Semantics/
大语言模型中的条件认知偏差：有偏差的用户对话轮次如何调控上下文推理
机构 * Northeastern University（东北大学）
AI总结 本研究通过三条件实验框架与含24300条提示的基准数据集，评估8个前沿LLMs在多轮交互中受有偏差用户轮次的影响，发现多数模型偏差表现变化，明确相关动态并发布研究资源。
英语源多语言检索增强生成（RAG）系统的隐私风险所在：五种查询语言下的阶段分解审计
机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南卫理公会大学）
AI总结 该研究针对英语源多语言RAG系统，通过含五种查询语言的两阶段防御审计发现，非英语语言仍存在残留PII泄露，附加黄金文档可阻断多数残留单元，后续计划开展独立MT与非Qwen判别器的复现工作。
D²F-ReAG：面向多跳推理增强生成的动态分解与过滤
机构 * Northeastern University（东北大学） ； Kunming University of Science and Technology（昆明理工大学） ； NiuTrans Research（NiuTrans研究院）
AI总结 针对现有检索增强生成（RAG）处理多跳问题时缺乏动态分解与有效过滤的缺陷，提出D²F-ReAG范式，通过判断根级推理可靠性自适应控制推理深度，经实验验证其处理复杂多跳问题的有效性。
NodeJEPA：面向节点级图自监督学习的结构条件隐式预测
机构 * Northeastern University（东北大学）
AI总结 本文提出NodeJEPA，一种节点级图自监督学习的联合嵌入预测架构，通过结构条件隐式预测避免依赖输入重构，经节点分类基准评估有效，为相关研究提供实用方案。
Comments 20 pages, 10 figures
PADFormer：基于稀疏视角图像的姿态无关异常检测
机构 * Amazon（亚马逊） ； Simon Fraser University（西蒙菲莎大学） ； Northeastern University（东北大学）
AI总结 针对现有姿态无关异常检测方法依赖3D重建的缺陷，提出PADFormer模型，利用ViT结合跨视图掩码重建等机制，在PAD基准及FSAD任务上实现最优性能，兼具效率与泛化性。
Comments Accepted to ECCV 2026 (oral)
转向向量中的反向检测与控制
机构 * Northeastern University（东北大学）
AI总结 该研究发现大型语言模型的反向转向向量（ISVs）会产生与预期相反的转向效果，提出无需生成即可区分ISVs的方法，通过推理时干预改进转向流程，在多数实验中提升了效果。
基于专用分割模型实现具身智能视觉语言模型（Agentic VLMs）的细粒度车辆损伤评估
机构 * Northeastern University（东北大学）
AI总结 针对VLMs空间定位不可靠问题，本文提出TinyDamage架构，将空间定位委托给专用多任务分割模型，集成至7节点LangGraph智能体流程，在车辆损伤评估中大幅降低报告虚构率。
Comments 8 pages, 2 figures
基于投影关联与有序根定律的尖锐根反集中性
机构 * Northeastern University（东北大学） ； Beijing Jiaotong University（北京交通大学） ； Xiangtan University（湘潭大学）
AI总结 本文解决分段-Lipschitz函数在线优化中的一维局部根反集中问题，建立区间命中常数的尖锐无维表征，给出图学习应用的遗憾界，消除此前损失并验证了相关系数律的判据。
Comments 27 pages, 3 figures
从费舍尔信息视角理解和克服多模态异常检测中的跨模态融合偏差
机构 * Northeastern University（东北大学） ； CATL（宁德时代）
AI总结 该研究针对多模态异常检测中被忽视的跨模态融合偏差问题，提出即插即用框架UCFB，经实验验证在多种设置下均实现性能提升。
通用型与专家型大语言模型组成的社交网络中的信念协同演化
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学库尔计算机科学学院） ； Network Science Institute, Northeastern University（东北大学网络科学研究所） ； Santa Fe Institute（圣塔菲研究所）
AI总结 该研究提出CoevolveSim框架，模拟通用型与专家型LLM组成的社交网络中信念扩散，发现专家型LLM可显著提升共识转变幅度，模拟多智能体LLM系统信念扩散需多样化底层LLM。
Comments 33 pages (14 pages of main text), 7 figures, 14 tables
含损坏观测值的保序变点定位与根因分析
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； King’s College London（伦敦国王学院） ； Aalborg University（奥尔堡大学） ； Northeastern University London（伦敦东北大学）
AI总结 本文针对含损坏观测值的系统，提出加权CONCH与加权CROC方法，结合元学习优化权重，可在保证置信集目标覆盖率的前提下缩小其规模，提升变点定位与根因分析的实用性。
Comments 34 pages, 6 figures
错位具有人格特质：对涌现错位的大五人格解释
机构 * Northeastern University（东北大学）
AI总结 本文提出用大五人格向量解释语言模型微调引发的错位，发现错位语料具特定人格特征，该向量可诊断安全现象且能捕捉单一方向无法识别的谄媚特质。
Comments The paper is currently under peer review
神经形态扩散语言模型：通过稀疏性和块去噪解决计算和内存瓶颈
机构 * King’s College London（伦敦国王学院） ； Institute for Intelligent Networked Systems (INSI), Northeastern University London（伦敦东北大学智能网络系统研究所）
AI总结 研究针对自回归大语言模型推理低效问题，提出神经形态掩码扩散语言模型，结合块扩散与脉冲神经形态计算，利用脉冲诱导稀疏性减少参数流量和计算，开发模型分析协同效应，实验表明该模型在能源效率和吞吐量上有显著提升。
Comments Accepted for presentation at 2026 IEEE Workshop on Signal Processing Systems (SiPS)
XMatchAD：基于重建的异常检测的跨模态匹配视角
机构 * Northeastern University（东北大学） ； State Key Laboratory of Synthetical Automation for Process Industries（流程工业综合自动化国家重点实验室）
AI总结 针对基于重建的无监督异常检测方法难以捕捉细微异常、异常边界模糊的问题，提出XMatchAD框架，从伪跨模态匹配视角利用输入与重建图像的匹配关系，通过多步骤提升异常检测和定位精度，性能优于现有方法。
Comments accepted by IEEE Transactions on Image Processing
AIR-BENCH Live：基础模型不断演进的安全基准测试
机构 * Virtue AI（美德人工智能公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeastern University（东北大学） ； University of Chicago（芝加哥大学） ； University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对基础模型安全基准测试随模型和法规发展而不足的问题，提出AIR-BENCH Live，通过自动化更新管道和多智能体算法更新提示，扩展了基准测试风险数量，评估模型发现安全范围广等结果，使其能随领域发展。
Comments 11 pages, 7 figures, 3 tables
重新思考视觉基础模型适应中的逐层信息分配
机构 * City College of New York, CUNY（纽约市立大学城市学院） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Tulane University（杜兰大学） ； Northeastern University（东北大学） ； George Washington University（乔治华盛顿大学） ； Capital One（第一资本金融公司） ； Harvard University（哈佛大学）
AI总结 研究视觉基础模型适应中的逐层信息分配问题，提出基于信息瓶颈原理的PIB框架，规范逐层压缩与充分性权衡，促进跨层信息连贯，实验表明该方法在多数据集上表现出色，能解释提示容量缩放行为等。
Comments Accepted by ACM MM 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