高校专区
UAT-LITE：推理时间不确定性感知注意力用于预训练变换器
机构 * University of Central Florida（佛罗里达大学中央分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Meharry Medical College（梅哈里医学院） ； University of Southern Queensland（昆士兰南方大学） ； New York University（纽约大学）
AI总结 UAT-LITE通过在预训练变换器中引入不确定性感知的自注意力机制，提升模型在不确定情况下的预测能力，减少校准误差，提高选择性预测效果。
逐步引导策略优化：在GRPO中着色你的错误推理
机构 * Department of Industrial Engineering and Operations Research（工业工程与运营管理系） ； Department of Mathematics（数学系） ； Columbia University（哥伦比亚大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 SGPO通过引入组内响应多样性，解决GRPO在所有负样本组时无法更新策略的问题，提升推理模型性能。
Comments Accepted by TMLR; 47 pages
质量优于数量：通过影响函数进行演示数据的 curated
机构 * KAIST（韩国科学技术院） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学）
AI总结 本文提出 QoQ 方法，通过影响函数识别高质量演示数据，提升机器人学习性能。
Comments Accepted to ICRA 2026, 8 pages
MolCrystalFlow：通过流匹配进行分子晶体结构预测
机构 * University of Florida（佛罗里达大学） ； University of Minnesota - Twin Cities（明尼苏达大学-双城分校） ； New York University（纽约大学）
AI总结 MolCrystalFlow通过流匹配方法实现分子晶体结构预测，优于现有生成模型并具有竞争力的性能，结合通用机器学习势能加速预测。
Comments 20 pages, 4 figures. 14 pages in SI. Code: https://github.com/Liu-Group-UF/MolCrystalFlow
数据驱动先验用于多模态数据的不确定性感知退化风险预测
机构 * New York University Abu Dhabi（纽约大学阿布扎克校区） ； University of Toronto（多伦多大学） ； Tandon School of Engineering, New York University（纽约大学工程学院）
AI总结 本文提出MedCertAIn框架，通过数据驱动的先验方法提升多模态临床数据中风险预测的准确性和不确定性量化能力。
Comments 24 pages, 5 figures, 8 tables
当AI平等地竞争：技能同质化、资产集中与不平等的两种制度
机构 * Department of Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系） ； Department of Financial Engineering, New York University（纽约大学金融工程系）
AI总结 本文研究了生成式AI如何通过技能同质化和资产集中化导致不平等的两种制度，揭示了技术结构与劳动力市场制度对不平等的影响机制。
探索提示调优中嵌入先验以提升可解释性和可控性
机构 * New York University（纽约大学）
AI总结 本文研究了提示调优中嵌入坍缩现象对模型性能的影响，提出嵌入先验以提升可解释性和可控性，并发现不同激活区域的嵌入能有效提升任务表现。
迈向人类运动的全局意图推断：逆强化学习
机构 * Machines in Motion Laboratory, New York University, USA（纽约大学运动机器实验室） ； LAAS-CNRS, Université Paul Sabatier, CNRS, Toulouse, France（拉劳斯-CNRS，保罗·萨巴蒂埃大学，法国图卢兹） ； Image and Pervasive Access Laboratory (IPAL), CNRS-UMI, Singapore（图像与普及访问实验室（IPAL），CNRS-UMI，新加坡） ； Artificial and Natural Intelligence Toulouse Institute (ANITI), Toulouse（图卢兹人工智能与自然智能研究所（ANITI），图卢兹）
AI总结 本文通过逆强化学习提出统一的成本函数，有效预测人类伸手运动轨迹，提升轨迹重建精度27%。
Comments 8 pages, 6 figures
大语言模型能否跟上？连续知识流的在线适应基准测试
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Google（谷歌公司） ； KRAFTON（KRAFTON公司） ； Adobe Research（Adobe研究院） ； New York University（纽约大学）
AI总结 本文提出OAKS基准测试，用于评估大语言模型在动态连续知识流中的在线适应能力，发现现有模型在持续更新知识时存在显著局限性。
基于查询的自适应聚合用于多数据集联合训练以实现通用视觉位置识别
机构 * New York University（纽约大学） ； University of California Berkeley（加州大学伯克利分校）
AI总结 本文提出Query-based Adaptive Aggregation方法，通过学习查询生成参考代码本，提升多数据集联合训练中特征聚合的信息容量，实现通用视觉位置识别的高效泛化能力。
Comments 8 pages, 4 figures, accepted at ICRA 2026
部署约束是否使大语言模型产生引文幻觉？对四个模型和五个提示模式的实证研究
机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学）
AI总结 本文通过实证研究探讨部署约束对大语言模型引文真实性的影响，发现不同提示模式下引文存在率差异显著，揭示了需在SE文献中进行事后验证的必要性。
SysNav：多级系统性合作实现现实世界跨载体物体导航
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Nanyang Technological University（南洋理工大学）
AI总结 SysNav通过多级系统性合作实现现实世界跨载体物体导航，提升复杂环境下的导航效率与成功率。
分布式法律基础设施用于可信代理网络
机构 * Institute for Technoscience and Society（科技与社会研究所） ； Berkeley Center for Law & Technology（伯克利法与科技中心） ； U.C. Berkeley Law School（伯克利法学院） ； Technical University of Munich（慕尼黑技术大学） ； Università degli Studi dell’Aquila（阿奎拉大学） ； University of Oxford（牛津大学） ； Existential Risk Alliance（存在风险联盟） ； NYU Shanghai（纽约大学上海分校） ； Sun Yat-sen University（中山大学） ； Shanghai Innovation Institute（上海创新研究院） ； Norwegian University of Science and Technology（挪威科学技术大学）
AI总结 本文提出分布式法律基础设施，旨在通过可互操作的协议构建可信代理网络，实现连贯治理与合法性维持。
基于回溯法的力控分配策略用于全方位无人机的作动器感知控制
机构 * Tampere University（塔尔库大学） ； New York University Abu Dhabi（纽约大学阿布扎赫尔分校）
AI总结 本文提出了一种基于回溯法的作动器感知控制分配策略，用于减少全方位无人机的电机指令振荡，提高轨迹跟踪性能。
Comments 8 pages, 8 figures
基于学习的鲁棒控制：通过自由能统一探索与分布鲁棒性以实现可靠的机器人控制
机构 * Mechanical Engineering Program, New York University Abu Dhabi（纽约大学阿布扎赫尔分校机械工程项目） ； Department of Information and Electrical Engineering & Applied Mathematics, University of Salerno（萨勒诺大学信息与电气工程及应用数学系） ； Mohammed bin Zayed University for Artificial Intelligence, Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出了一种基于自由能原理的鲁棒控制方法，通过联合学习环境动态和奖励，提升机器人在真实环境中的鲁棒性和可重复操作性能。
VB：用于图像中可见性与视角推理的可见性基准
机构 * New York University（纽约大学）
AI总结 VB基准测试视觉-语言模型在图像可见性推理中的能力，通过可见性声明和置信度评分评估模型性能。
Comments 18 pages, 1 figure, 3 tables. Code and data: https://github.com/neilt93/Paper-with-Davis
潜在转移攻击：通过生成性潜在空间进行对抗示例
机构 * Independent Researcher（独立研究者） ； Tel-Aviv University（特拉维夫大学） ； Stanford University（斯坦福大学） ； Bar Ilan University（巴伊兰大学） ； NVIDIA Research（NVIDIA研究） ； New York University（纽约大学）
AI总结 LTA通过生成性潜在空间优化对抗扰动，提升跨架构转移效果，生成低频、连贯的扰动，增强鲁棒性评估与生成先验的结合。
从人机交互中学习下一步动作预测器
机构 * Stanford University（斯坦福大学） ； Hasso Plattner Institute（哈索普拉特纳研究所） ； New York University（纽约大学）
AI总结 本文提出LongNAP模型，通过结合参数化和上下文学习，从用户行为的完整上下文中预测下一步动作，显著优于传统方法。
Comments 32 pages, 10 figures, see https://generalusermodels.github.io/nap
层次化潜在动作模型
机构 * Yonsei University（延世大学） ； New York University（纽约大学）
AI总结 HiLAM通过建模长期时间信息，从无动作视频中发现高层次潜在技能，提升了动态技能发现的鲁棒性。
Comments ICLR 2026 Workshop - 2nd Workshop on World Models: Understanding, Modelling and Scaling
推理模型难以控制其推理链
机构 * NYU（纽约大学） ； MATS（马歇尔应用科学与技术学院） ； UCL（伦敦大学学院） ； UPenn（宾夕法尼亚大学） ； OpenAI
AI总结 研究发现推理模型的CoT可控性低于输出可控性，且受模型规模、训练和问题难度影响，建议未来跟踪CoT可控性以维持监控有效性。
为何人类指导在协作式节奏编码中至关重要
机构 * Cornell University（康奈尔大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； New York University（纽约大学）
AI总结 本研究通过实验表明，人类在协作式节奏编码中提供有效高层指令，而AI指令常导致性能下降，混合系统在人类主导指令时表现最佳，强调人类指导的重要性。
尖峰、稀疏与汇点：大规模激活与注意力汇点的解剖
机构 * New York University（纽约大学）
AI总结 研究揭示了Transformer中大规模激活与注意力汇点的关联性及作用机制，指出预归一化配置是二者共存的关键因素。
迈向具有偏见限制的LLM评判系统的可证明无偏评判
机构 * Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 本文提出平均偏见限制框架，通过可验证的偏见限制保证，提升LLM评判系统的公平性与可靠性。
DMD增强的无配对神经施罗德桥用于超低场MRI增强
机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； NYU Langone Health（纽约大学朗格one健康）
AI总结 本文提出了一种基于DMD增强的无配对神经施罗德桥方法，用于提升超低场MRI图像质量，通过结合分布匹配与解剖结构保持正则化器，实现现实感与结构保真的平衡。
一种用于延迟敏感应用高效交付的约束强化学习方法
机构 * NYU Wireless（纽约大学无线实验室） ； Intel Labs（英特尔实验室） ； Centre Tecnologic de Telecommunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心）
AI总结 本文提出了一种基于约束深度强化学习的方法，用于在严格延迟约束下实现低成本的数据包交付，确保高可靠性与效率。
Comments 7 pages, 4 figures, accepted for publication in 2025 59th Asilomar Conference on Signals, Systems, and Computers
Yolo-Key-6D：单阶段单目6D姿态估计的关键点增强
机构 * ASELSAN, Aerospace Technologies, Türkiye（ASELSAN航空航天技术，土耳其） ； Istanbul Technical University, Department of Computer Engineering, Türkiye（伊斯坦布尔技术大学计算机工程系，土耳其） ； New York University Abu Dhabi, Division of Engineering, UAE（纽约大学阿布扎比分校工程学院，阿联酋）
AI总结 YOLO-Key-6D通过关键点增强实现单阶段单目6D姿态估计，兼顾速度与精度，在实时应用中表现优异。
Comments Accepted to VISAPP 2026
改进的MambaBDA框架用于跨灾难领域的鲁棒建筑损坏评估
机构 * Department of Computer Engineering, Istanbul Technical University（计算机工程系，伊斯坦布尔技术大学） ； Division of Engineering, New York University Abu Dhabi（工程学院，纽约大学阿布扎比分校）
AI总结 本文提出改进的MambaBDA框架，通过三个模块化组件提升跨灾难领域建筑损坏评估的鲁棒性和泛化能力。
Comments Preprint. Accepted at VISAPP 2026
最佳的无穷大 -- 测试时LLM融合的渐近性能
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫莫德·宾·扎耶德人工智能大学） ； New York University（纽约大学） ； RIKEN AIP（理化学研究所AIP） ； Institute of Science Tokyo（东京科学研究所） ； NEC Corporation（日本电报电话株式会社）
AI总结 本文提出了一种自适应生成方案，通过动态选择N和加权融合多个LLM，实现测试时LLM融合的渐近性能优化。
Comments To appear at ICLR2026. Our code is available at https://github.com/jkomiyama/BoInf-code-publish/. Updated the title
参数高效专家中集成、融合与路由的权衡
机构 * New York University（纽约大学） ； Microsoft Research（微软研究院）
AI总结 研究探讨了参数高效专家中集成、融合与路由的权衡，发现非均匀集成和融合提升性能，而路由提供更大收益，同时通过聚类和贪心子集选择降低计算成本。
HumanLM: 通过状态对齐模拟用户优于响应模仿
机构 * Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 HumanLM通过状态对齐模拟用户，优于响应模仿，显著提升对齐分数和真实用户相似性。
Comments 27 pages, 17 figures, 9 tables
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