高校专区
Foresight: 基于动作条件世界模型潜在变量的长时程机器人操作故障检测
机构 * University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； University of Virginia（弗吉尼亚大学）
AI总结 提出Foresight框架，利用动作条件世界模型的潜在表征监测操作轨迹，仅用最终任务级标签训练，结合函数共形预测自适应校准阈值，在仿真和真实机器人长时程任务中实现高效故障检测。
RLVR 相对于 SFT 在推理模型中的可证明优势：学习高效回溯
机构 * Princeton University（普林斯顿大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文从理论上证明，在推理任务中，基于可验证奖励的强化学习（RLVR）相比监督微调（SFT）能学习高效回溯，从而在推理时计算上实现指数级优势。
OVIG: 通过梯度信号乐观验证AI训练完整性
机构 * Princeton University（普林斯顿大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出OVIG框架，利用异构重放校准的梯度差异经验边界，通过乐观采样和步长参数审计外包训练完整性，在多种攻击下保持0%攻击成功率，存储和传输开销降低1996倍。
Comments 18 pages, 7 figures, 11 tables. Submitted to IEEE Symposium on Security and Privacy (S&P)
作为发现引擎的AI科学家：在改革机构内发展的案例
机构 * Institute of Cosmos Sciences (ICCUB), University of Barcelona（巴塞罗那大学宇宙科学研究所） ； ICREA ； Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪什天体物理学） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡维里宇宙学研究所） ； Center for Computational Astrophysics, Flatiron Institute（弗拉蒂隆研究所计算天体物理中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系） ； Avature ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系） ； Flatiron Institute（弗拉蒂隆研究所） ； Munich Center for Machine Learning, LMU Munich（慕尼黑大学慕尼黑机器学习中心） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； School of Clinical Medicine, University of Cambridge（剑桥大学临床医学院）
AI总结 本文论证多智能体AI系统将从被动工具进化为“AI科学家”，通过原型框架Denario加速发现周期，并提出机构需为验证、问责、可解释性和双重用途安全进行改革。
扩展端到端驾驶的自我对弈
机构 * Mila（米拉研究所） ； Université de Montréal（蒙特利尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； Torc Robotics ； NYU Tandon School of Engineering（纽约大学坦登工程学院） ； McMaster University（麦克马斯特大学） ； Princeton University（普林斯顿大学）
AI总结 提出大规模自我对弈训练策略，通过高效模拟器Gigapixel实现像素级自我对弈，结合DAgger蒸馏和感知适应，提升端到端驾驶模型性能。
无中生有：语言模型能否发现0？
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系）
AI总结 研究语言模型能否独立发现“零”的概念，通过算术任务测试，发现GPT-2规模模型无法在测试时泛化，但少量示例训练后显著提升，且语言预训练减少所需示例约50%。
小型LLM：剪枝 vs. 从头训练
机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过六种剪枝方法在Llama-3.1-8B上比较剪枝与从头训练，发现有限预算下剪枝更优，预算充足时粗粒度剪枝可被超越。
Comments Our code is available at https://github.com/zlab-princeton/pruning-vs-scratch
Samudra 2: 跨分辨率扩展海洋仿真器
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（Courant学院数学、计算与数据科学系，纽约大学） ； Open Athena AI Foundation, Inc.（开放Athena人工智能基金会） ； Program in Atmospheric and Oceanic Sciences, Princeton University（大气与海洋科学项目，普林斯顿大学）
AI总结 针对现有海洋神经仿真器在长期自回归滚动中出现的方差崩溃和印记伪影问题，提出Samudra 2，通过改进U-Net骨干网络和动态损失函数，在1°分辨率下将上层海洋全球平均温度R²从0.56提升至0.87，并将深层海洋温度误差降低约七倍，且可扩展至1/2°和1/4°分辨率。
自生成：一种自我进化代理协议
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出了一种自生成协议（AGP），该协议通过分离进化内容与进化过程，解决了现有代理协议在跨实体生命周期管理、版本追踪和安全更新接口方面的不足。基于AGP，作者展示了自生成系统（AGS），该系统能够动态实例化、检索和优化协议注册的资源，通过多个具有长视界规划和工具使用的挑战性基准测试，验证了代理资源管理和闭环自我进化的有效性。
基于流形学习的个性化和无标签心律失常检测
机构 * Department of Electrical and Computer Engineering, Princeton University, Princeton, 08544, New Jersey, USA（电气与计算机工程系，普林斯顿大学） ； Princeton Precision Health, Princeton University, Princeton, 08544, New Jersey, USA（普林斯顿精准健康，普林斯顿大学） ； Omenn-Darling Bioengineering Institute, Princeton University, 35 Ivy Lane, Princeton, 08540, New Jersey, USA（Omenn-Darling生物工程研究所，普林斯顿大学）
AI总结 本文提出利用非线性降维方法在无监督条件下检测心律失常，通过MIT-BIH数据库验证，NLDR能有效区分正常与异常心跳，实现高准确率分类。
Journal ref Informatics in Medicine Unlocked 64 (2026) 101770
Agent技能框架：中小型语言模型在工业环境中的潜力视角
机构 * University of Luxembourg（卢森堡大学） ； Foyer S.A.（Foyer公司） ； Princeton University（普林斯顿大学） ； Université Paris-Saclay（巴黎萨克雷大学）
AI总结 研究在资源受限的工业场景中，中小型开源语言模型（270M-80B）使用Agent技能的效果，发现30B-80B模型受益显著，而小型模型技能选择困难，思考变体提升有限且增加GPU开销。
Comments 12 pages
随机层次模型与层次化浅到深链的可证明学习
机构 * Princeton University（普林斯顿大学） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对深度网络能否高效利用层次结构的问题，证明在温和条件下深度卷积网络可高效学习随机层次模型，并提出逐层训练策略。
Comments COLT 2026
从大型语言模型中元学习生态先验解释人类学习与决策
机构 * Institute for Human-Centered AI, Helmholtz Computational Health Center（以人为本的人工智能研究所，海德堡计算健康中心） ； Computational Principles of Intelligence, Max Planck Institute for Biological Cybernetics（计算智能原理，马克斯·普朗克生物 cybernetics 研究院） ； Eberhard Karls University of Tübingen（图宾根大学） ； Princeton AI Lab, Princeton University（普林斯顿大学人工智能实验室）
AI总结 提出生态理性分析框架，利用大语言模型生成生态有效任务，通过元学习得到ERMI算法，该算法内化自然问题空间的统计规律，灵活适应新情境，在15个实验中优于多个认知模型，表明人类认知可能反映对日常问题生态结构的适应性对齐。
缓解多图像理解中大型视觉语言模型的跨图像信息泄露
机构 * Sogang University（ソガン大学） ； Princeton University（普林斯顿大学） ； NAVER AI Lab（NAVER AI实验室）
AI总结 针对大型视觉语言模型在多图像输入时性能下降的问题，提出无需训练且架构无关的FOCUS方法，通过随机噪声掩码和噪声参考输入抑制跨图像信息泄露，显著提升多图像和视频理解性能。
Comments Source code is available at https://github.com/yejipark-m/FOCUS
最优学习的统计物理框架
机构 * Joseph Henry Laboratories of Physics, Princeton University（普林斯顿大学物理系Joseph Henry实验室） ； Graduate Center, City University of New York（纽约市立大学研究生中心） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心）
AI总结 结合统计物理与控制论，在高维极限下推导出跟踪随机梯度下降的常微分方程，将学习协议设计转化为最优控制问题，并应用于课程学习、自适应dropout和去噪自编码器噪声调度，揭示最优协议如何平衡学习权衡。
Comments 29 pages, 10 figures
Journal ref PNAS Nexus, Volume 5, Issue 6, June 2026, pgag182
衡量AI辅助内容生成中的人类贡献
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学）
AI总结 针对AI辅助内容生成中人类贡献度难以量化的问题，提出基于信息论的框架，通过互信息与自信息之比计算人类信息贡献比例，实验证明能有效区分不同创意领域的人类贡献程度。
隐私保护子空间投影的比率效用与成本分析
机构 * Princeton University Department of Electrical Engineering（普林斯顿大学电气工程系）
AI总结 提出基于压缩隐私的RUCA方法，通过比率效用与成本分析优化效用-隐私权衡，在隐私敏感分类任务中最大化性能并最小化隐私推断能力，实验表明优于现有技术。
Comments Submitted to ICASSP 2017
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