高校专区
奉承、浮夸与雾：诊断和缓解偏好模型中的固有偏见
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 本研究通过反事实数据增强方法缓解偏好模型中的固有偏见，减少校准错误和偏斜差异，提升模型可靠性。
Comments Published at ICLR 2026; Code and data available at https://github.com/anirudhb123/preference-model-biases
操控语言模型的训练数据以研究句法约束学习：以英语被动化为例
机构 * Department of Linguistics, New York University（语言学系，纽约大学） ； Department of Linguistics and Center for Data Science, New York University（语言学系和数据科学中心，纽约大学）
AI总结 本研究通过操控语言模型训练数据，探讨英语被动化例外的习得机制，发现频率和语义因素共同影响动词被动化能力。
Comments Journal of Memory and Language
超越语言模型：多模态预训练的探索
机构 * FAIR, Meta（FAIR、Meta） ； New York University（纽约大学）
AI总结 本文通过多模态预训练探索，揭示了视觉与语言数据的互补性及统一预训练对世界建模的促进作用，并提出MoE架构解决多模态扩展的不对称性问题。
Comments Project website at https://beyond-llms.github.io/
GPUTOK: 基于GPU的字节级BPE分词
机构 * New York University（纽约大学）
AI总结 GPUTOK提出基于GPU的字节级BPE分词器，通过优化算法和内存管理，显著提升分词速度，同时保持输出质量，适用于长上下文推理任务。
学习如何关注：在调查数据中无监督建模注意力集中与不集中受访者
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 本文提出了一种无监督框架，通过几何重建和概率依赖建模检测调查数据中的不集中受访者，揭示心理测量与机器学习的对齐关系。
基于平衡符号图展开的轻量级变换器用于EEG分类
机构 * Peking University（北京大学） ； York University（约克大学） ； New York University（纽约大学）
AI总结 本文提出基于平衡符号图展开的轻量级变换器，用于高效分类EEG信号，通过频谱去噪算法实现低通滤波，减少参数量同时保持分类性能。
Comments Accepted by ICLR2026, 10 pages, 2 figures
分歧偏好：标注者何时分歧以及模型是否知道？
机构 * New York University（纽约大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； NVIDIA（NVIDIA公司） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 本文研究了标注者分歧的来源，发现任务不明确等因素导致大多数分歧，并提出方法以减轻其在LLM评估和训练中的影响。
Comments ICML 2025
ViTex: 通过离散扩散模型实现多轨符号音乐生成的视觉纹理控制
机构 * School of EECS, Peking University（电子工程系，北京大学） ； Music X Lab, MBZUAI（音乐X实验室，MBZUAI） ； Courant Institute of Mathematical Sciences, New York University（数学科学学院，纽约大学）
AI总结 ViTex通过离散扩散模型实现多轨符号音乐生成的视觉纹理控制，结合乐器选择、音高时间及笔触属性，生成高质量音乐并支持纹理级操控。
这是思考还是作弊？通过测量推理努力来检测隐式奖励黑客
机构 * LMU Munich（慕尼黑莱茵河大学） ； New York University（纽约大学） ； MCML
AI总结 TRACE通过测量推理努力检测隐式奖励黑客，通过截断推理链并评估预期奖励来识别模型利用漏洞的行为，提升数学和编码任务的监控效果。
Comments ICLR 2026 Oral Presentation
从有限样本估计神经表示的维度
机构 * Harvard University（哈佛大学） ； New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） ； Cornell Tech（康奈尔科技）
AI总结 本文提出了一种偏倚校正估计器，用于从有限样本中准确估计神经表示的维度，并展示了其在生物神经记录和语言模型中的应用。
金融交易中的大语言模型代理：综述
机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学）
AI总结 本文综述了利用大语言模型作为代理进行金融交易的研究，探讨了代理架构、数据输入、回测表现及面临的挑战，并展望了未来研究方向。
Journal ref International Conference on Computers in Management and Business 2026
Hippo: 高性能内点法和投影求解器用于通用约束轨迹优化
机构 * Tandon School of Engineering, New York University（纽约大学Tandon工程学院） ； Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑机器人与智能机器研究所（MIRMI），慕尼黑技术大学）
AI总结 Hippo是一种高效的求解器，通过内点法和投影方法处理约束轨迹优化问题，适用于复杂机器人任务。
Tiny-Critic RAG：赋能代理回退的参数高效小型语言模型
机构 * Northeastern University（东北大学） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； New York University（纽约大学）
AI总结 Tiny-Critic RAG通过参数高效的Small Language Model实现低延迟的二进制路由，有效降低代理部署成本。
神经功能对齐空间：人工神经网络的脑参考表示
机构 * Tandon School of Engineering, New York University（纽约大学工程学院） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； The Clinical Hospital of Chengdu Brain Science Institute, MOE Key Laboratory for NeuroInformation,School of Life Science and Technology, University of Electronic Science and Technology of China（成都脑科学研究所临床医院，国家神经信息重点实验室，电子科技大学生命科学与技术学院）
AI总结 本文提出神经功能对齐空间，通过建模神经网络的动态表示，揭示了在脑参考空间中的结构化组织，包括模态特定聚类和跨模态收敛。
通过混合低秩专家专门化基础模型以实现全面头部CT分析
机构 * Digital Technology and Innovation, Siemens Healthineers, Princeton, NJ USA（西门子医疗数字化技术与创新部） ； Department of Computed Tomography, Siemens Healthineers, Forchheim, Germany（西门子医疗计算机断层扫描部） ； Department of Radiology, New York University, New York, NY USA（纽约大学放射科部） ； Department of Radiology, University of Maryland Medical Center, Baltimore, MD USA（马里兰大学医学中心放射科部） ； Department of Radiology, Vancouver General Hospital, Vancouver, BC Canada（温哥华总医院放射科部） ； Department of Radiology, Northwell Health, New York, NY USA（北well医疗放射科部） ； Department of Surgery, UCHealth Memorial Hospital, Colorado Springs, CO USA（UCHealth纪念医院外科部）
AI总结 本文提出MoLRE框架，通过混合低秩专家提升基础模型在头部CT分析中的性能，实验显示在不同模型上均取得显著改进。
当链式思维帮助何时：马尔可夫视角
机构 * New York University（纽约大学）
AI总结 本文从马尔可夫视角分析了链式思维在不同任务中的有效性，揭示了转移对齐性是决定CoT效果的关键因素，并通过合成基准验证了理论预测。
EquiReg：等变正则化扩散用于逆问题
机构 * University of Alberta（阿尔伯塔大学） ； Alberta Machine, Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） ； Neuroscience and Mental Health Institute, University of Alberta（阿尔伯塔大学神经科学与心理健康研究所） ； New York University（纽约大学） ； California Institute of Technology（加州理工学院） ； University of Oxford（牛津大学）
AI总结 EquiReg通过正则化扩散模型提升逆问题求解，有效引导采样向保持对称性的区域，提升图像修复和偏微分方程求解质量。
深度学习中的人口群体公平性保证分析
机构 * Harvard AI and Robotics Lab at Harvard University（哈佛大学人工智能与机器人实验室） ； Embodied AI and Robotics (AIR) Lab at New York University（纽约大学具身人工智能与机器人实验室） ； School of Computing and Informatics, University of Louisiana at Lafayette（路易斯安那州立大学拉法叶分校计算机与信息学院）
AI总结 本文提出Fairness-Aware Regularization方法，通过减少组间特征差异提升模型公平性与准确性。
Comments Accepted for publication in TPAMI 2026
AI必须通过超人类适应性智能拥抱专业化
机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学）
AI总结 本文提出超人类适应性智能（SAI）概念，主张AI应通过专业化追求超人类表现，而非追求通用智能。
小草稿，大结论：通过推测进行信息密集的视觉推理
机构 * New York University（纽约大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 SV通过结合多个轻量级草稿专家和大型结论模型，提升信息密集视觉推理的效率和准确性。
Comments Accepted to ICLR 2026
混合发起对话用于人机协作操作
机构 * UT Austin（得克萨斯大学） ； OpenAI ； NYU（纽约大学） ； University of Edinburgh（爱丁堡大学）
AI总结 MICoBot通过混合发起对话范式提升人机协作任务的成功率和用户体验。
Comments Project website at https://robin-lab.cs.utexas.edu/MicoBot/
基于知识的机器学习：利用可解释提升机识别卫星图像中的超顶云顶
机构 * The Courant Institute of Mathematical Sciences, New York University（Courant数学科学研究所，纽约大学） ； Department of Statistics, Colorado State University（统计学系，科罗拉多州立大学） ； Cooperative Institute for Research in the Atmosphere, Colorado State University（大气研究合作研究所，科罗拉多州立大学） ； Department of Electrical and Computer Engineering, Colorado State University（电气与计算机工程系，科罗拉多州立大学） ； Department of Mathematics, Colorado State University（数学系，科罗拉多州立大学） ； School of Earth and Environmental Sciences, Seoul National University（地球与环境科学学院，首尔国立大学）
AI总结 本文提出利用可解释提升机（EBMs）开发可解释的机器学习算法，用于识别卫星图像中的超顶云顶，展示人机协作在气象应用中的潜力。
Comments 48 pages, 18 figures
简单模型，真实游泳：用于腱驱动水下机器人的数字孪生
机构 * Soft Robotics Lab and ETH AI Center, ETH Zurich（ETH苏黎世人工智能中心） ； Prema Lab, New York University（纽约大学Prema实验室） ； CREATE Lab, EPFL（EPFL CREATE实验室）
AI总结 本文提出了一种基于简化流体力学模型的腱驱动水下机器人，通过高效模拟环境实现快速泛化，展示了其在强化学习中的有效性及作为数字孪生的潜力。
多模态模型中的非对称个性化特征
机构 * University of Southern California（南加州大学） ； New York University（纽约大学）
AI总结 本文研究了多模态模型中描述模型的个性化特征及其对文本到图像模型的影响，发现生成图像丢失了描述中的关键变化，提出了一种新的量化方法。
Comments Project page: https://muzi-tao.github.io/asymmetric-idiosyncrasies/
通过马尔可夫链视角控制GFlowNets中的探索-利用
机构 * LUMIA Lab, School of Artificial Intelligence, SJTU（LUMIA实验室，人工智能学院，上海交通大学） ； School of Mathematical Sciences, SJTU（数学科学学院，上海交通大学） ； Shanghai Advanced Institute of Finance, SJTU（上海先进金融研究院，上海交通大学） ； School of Computer Science, SJTU（计算机科学学院，上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Center for Data Science, NYU Shanghai（上海数据科学中心，纽约大学上海学院） ； NYU-ECNU Institute of Mathematical Sciences, NYU Shanghai（纽约大学-华东师范大学数学科学研究院，纽约大学上海学院）
AI总结 通过引入可调参数$α$，$α$-GFNs改进了GFlowNets的探索-利用平衡，提升了模式发现能力。
评估大型语言模型生成内容的多样性和质量
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出有效语义多样性测量框架，发现偏好微调模型在质量阈值下具有更高多样性，且小模型在固定预算内更高效生成独特内容。
Comments Published at COLM 2025
动态因果结构的粗到细学习
机构 * School of Software（软件学院） ； Shandong University（山东大学） ； Department of Computer Science（计算机科学系） ； New York University（纽约大学） ； George Mason University（乔治·马歇尔大学） ； Shandong Institutes of Industrial Technology（山东省工业技术研究院）
AI总结 DyCausal通过卷积网络和线性插值方法，从粗到细学习动态因果结构，提升因果发现的效率和稳定性。
Comments Accepted by ICLR2026
训练代理自我报告不当行为
机构 * UPenn（宾夕法尼亚大学） ； NYU（纽约大学） ； MATS（MATS机构） ； OpenAI
AI总结 本文提出自我指控训练方法，通过训练代理在不当行为时产生可见信号，有效降低前沿AI对齐风险，无需假设行为可被防止或可靠分类。
Solaris：在Minecraft中构建多玩家视频世界模型
机构 * New York University（纽约大学）
AI总结 Solaris通过多玩家数据系统和分阶段训练方法，在Minecraft中构建了能模拟多视角观测的视频世界模型，提升了多代理交互的建模能力。
Comments Project website: https://solaris-wm.github.io/
用字符串方法探究扩散模型的几何结构
机构 * Capital Fund Management（资本基金管理公司） ； ML Lab, Capital Fund Management（机器学习实验室，资本基金管理公司） ； Courant Institute of Mathematical Sciences, New York University（Courant数学科学研究所，纽约大学）
AI总结 本文提出基于字符串方法的框架，用于探究扩散模型的几何结构，通过不同模式插值揭示模式、障碍物和连接性。
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