高校专区
望远镜：可学习的双曲视点用于超长距离目标检测
机构 * Torc Robotics ； Princeton University（普林斯顿大学）
AI总结 本文提出Telescope模型，通过可学习的双曲视点解决超长距离目标检测中远距离小目标检测难题，实现mAP相对提升76%。
Comments Project website: https://light.princeton.edu/telescope
大语言模型的幻觉螺旋：AI聊天机器人界面的基准测试审计研究
机构 * Princeton University（普林斯顿大学） ； Phillips Exeter Academy（菲利普斯埃克塞特学院） ； Independent（独立）
AI总结 本研究通过56次20轮对话测试ChatGPT-4o和ChatGPT-5，发现API与聊天界面环境存在显著差异，揭示了自动化测试方法的不足及政策选择对行为的影响。
Comments Accepted at the 2nd Annual Conference of the International Association for Safe and Ethical Artificial Intelligence
SimpleProc：基于简单规则的多视图立体合成数据生成
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出SimpleProc，通过少量规则生成高质量多视图立体数据，实验表明其在小规模和大规模数据下均优于手动编纂数据。
ChopGrad：通过截断反向传播实现基于像素的潜在视频扩散模型
机构 * Torc Robotics ； Princeton University（普林斯顿大学）
AI总结 本文提出ChopGrad，通过截断反向传播减少视频生成的内存消耗，实现高效的像素级损失微调，适用于视频超分辨率、修复和增强等任务。
Comments Project website: https://light.princeton.edu/chopgrad
从人类水平AI故事到AI人类尺度
机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València（瓦伦西亚人工智能研究所，瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（勒弗休姆未来智能中心，剑桥大学） ； The Psychometrics Centre, University of Cambridge（心理测量中心，剑桥大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Center for Automation and Robotics, Spanish National Research Council（自动化与机器人中心，西班牙国家研究委员会） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge, Department of Computer Sciences and Technology（剑桥大学计算机科学与技术系）
AI总结 本文提出一种框架，通过校准项目以'世界人口'为基准，建立人类锚定的共同尺度，以更准确评估AI能力。
Comments 23 pages, 10 figures. submitted to ICML 2026
利用下一代回声计算的超导量子比特读取
机构 * The Ohio State University（俄亥俄州立大学） ； Princeton University（普林斯顿大学） ； ResCon Technologies, LLC（ResCon技术有限责任公司）
AI总结 本文提出基于下一代回声计算的量子比特读取方法，通过构造多项式特征提升态区分度，实现高并行性和低计算复杂度，从而在单量子比特和五量子比特数据集上显著降低误差并减少串扰。
Journal ref Phys. Rev. Applied 25, 044009 (2026)
人工智能调解对话中的商业说服
机构 * Princeton University（普林斯顿大学）
AI总结 研究探讨了人工智能调解对话中商业说服的影响，发现基于LLM的说服使用户选择赞助产品率提高近三倍，且大多数参与者未能察觉促销倾向。
PlayWorld: 从自主玩耍中学习机器人世界模型
机构 * Princeton University（普林斯顿大学）
AI总结 PlayWorld通过自主玩耍数据训练高保真视频世界模拟器，解决了传统方法在物理交互预测上的不足，提升了机器人操控任务的预测精度和政策性能。
Comments Website: https://robot-playworld.github.io/
VERDI：嵌入视觉语言模型的自动驾驶推理
机构 * Princeton University（普林斯顿大学） ； Torc Robotics
AI总结 VERDI通过在训练时整合视觉语言模型的推理过程和常识知识，提升自动驾驶系统的决策能力，实现更高效的模块化架构，同时保持快速推理速度。
通过贝叶斯消融理解神经网络中的任务表示
机构 * Princeton Laboratory for Artificial Intelligence, Princeton University（普林斯顿大学普林斯顿人工智能实验室） ； Princeton Neuroscience Institute, Princeton University（普林斯顿大学普林斯顿神经科学研究所） ； Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Department of Philosophy and Center for Statistics and Machine Learning, Princeton University（普林斯顿大学哲学系与统计与机器学习中心）
AI总结 本文提出一种概率框架，用于解释神经网络中的潜在任务表示，通过信息论方法揭示模型的表示分布性、流形复杂性和多义性。
Comments Accepted at CLeaR 2026 (5th Conference on Causal Learning and Reasoning). 13 pages, 3 figures, plus appendix
ARMOR：通过自适应矩阵分解实现高性能半结构化剪枝
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 ARMOR通过自适应矩阵分解技术，实现高效的半结构化剪枝，保留模型质量的同时提升压缩效率和任务准确性。
Comments ICLR 2026, code: https://github.com/LawrenceRLiu/ARMOR
大语言模型预训练和后训练数据中的政治内容是什么？
机构 * Bocconi University（博科尼大学） ； University of Manchester（曼彻斯特大学） ； Princeton University（普林斯顿大学）
AI总结 研究探讨了大语言模型训练数据中的政治倾向，发现预训练数据偏向左翼内容，且政治立场与模型行为相关，强调数据组成对模型行为的关键作用。
Comments 10 pages, under review
大型语言模型在教学时是否具备心智化能力？
机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学）
AI总结 研究通过控制任务探讨LLM教学决策机制，发现LLM在教学策略上与人类相似，但Bayes-Optimal模型最佳解释其选择，提示提示合规性不等于教学效果提升。
Comments 9 pages, 5 figures. Workshop paper at ICML 2026
通过强化学习和并行思维扩展推理令牌：来自竞赛编程的证据
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
AI总结 本文通过强化学习和并行思维方法扩展竞赛编程中的推理令牌预算，展示了多轮并行思维流程在分配令牌预算方面的有效性，实验表明其在复杂编程问题上的优越性。
代码理解后审计用于无监督LLM评估
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Princeton University（普林斯顿大学） ； University of Central Florida（中佛罗里达大学）
AI总结 本文提出CoCoA框架，通过先理解代码功能再评估任务对齐，提升无监督LLM评估的准确性与F1分数。
Comments 19 pages
可验证的对抗检索污染的RAG
机构 * NVIDIA（英伟达） ； Princeton University（普林斯顿大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出RobustRAG，通过隔离-聚合策略有效防御检索污染攻击，并在三个数据集和三个LLM上验证了其在开放领域问答和自由文本生成中的有效性。
他们真的是人类吗？通过探测人类记忆限制来检测大语言模型
机构 * Princeton University（普林斯顿大学）
AI总结 本文通过探测人类认知限制来区分大语言模型与人类，展示了在特定任务中人类工作记忆容量的限制可被利用以识别非人类参与者。
Comments Code available at https://github.com/smonsays/llm-humanness
视频模型早起推理：利用计划承诺解决迷宫
机构 * Princeton University（普林斯顿大学）
AI总结 研究通过2D迷宫解决探讨视频模型生成过程中的规划动态，发现模型在早期步骤中承诺高层运动计划，并揭示路径长度而非障碍密度是迷宫难度的主要预测因素，提出ChEaP方法提升复杂迷宫解决性能。
WorldFlow3D: 通过3D分布流动实现无界世界生成
机构 * Princeton University（普林斯顿大学） ； Torc Robotics
AI总结 WorldFlow3D通过流动3D分布生成无界3D世界，具备快速收敛、高精度结构与纹理生成能力，并在真实和合成场景中验证了跨领域泛化性。
TruckDrive：长距离自动驾驶高速公路数据集
机构 * Torc Robotics ； Princeton University（普林斯顿大学）
AI总结 本文提出TruckDrive数据集，用于解决重卡车高速公路自动驾驶中长距离感知的挑战，通过多模态传感器采集47.5万样本，支持20秒序列中2D检测1000米和3D检测400米的感知基准测试。
更强的无归一化变换器
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 本文提出Derf函数，通过大规模搜索找到更有效的归一化替代方案，其在视觉识别、语音表示和DNA序列建模中均优于LayerNorm、RMSNorm和DyT。
Comments Published in CVPR 2026
Tele-Catch：适应性远程操作用于灵巧动态3D物体捕捉
机构 * Princeton University（普林斯顿大学） ； Springer Heidelberg（海德堡施普林格出版社） ； ABC Institute, Rupert-Karls-University Heidelberg（ABC研究所，鲁普雷希特-卡尔斯-海德堡大学）
AI总结 本文提出Tele-Catch框架，通过融合手套信号与扩散策略去噪过程，实现动态物体捕捉任务中的共享自主控制，提升准确性和鲁棒性。
Wan-R1: 可验证强化学习用于视频推理
机构 * Iowa State University（爱荷华州立大学） ； Tulane University（杜兰大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出可验证奖励设计以提升视频推理的泛化能力，通过改进GRPO算法在流基视频模型中训练，验证奖励在复杂迷宫和机器人导航任务中显著提升性能。
Humanline: 在线对齐作为感知损失
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学） ； Princeton Language & Intelligence（普林斯顿语言与智能实验室）
AI总结 本文提出Humanline框架，通过引入感知偏差解释在线对齐方法在性能上的优势，并展示其在提升训练效率的同时保持性能的潜力。
MolmoB0T：大规模模拟实现零样本操控
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Princeton University（普林斯顿大学）
AI总结 本文提出MolmoB0T，通过大规模模拟数据实现零样本操控，展示了在静态和移动操控任务中，无需真实世界微调即可有效迁移的成果。
通过重采样实现推理扩展的极限
机构 * Princeton University（普林斯顿大学）
AI总结 研究指出，重采样方法在验证器不完美时存在根本限制，无法降低误报率，从而限制了推理扩展的准确性，无论计算资源如何。
联邦期望-最大化算法的快速收敛性
机构 * Institute of Mathematics, Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院数学研究所） ； Department of Operations Research and Financial Engineering（运筹学与金融工程系） ； Princeton University（普林斯顿大学）
AI总结 本文研究了联邦学习中数据异质性对期望-最大化算法收敛速率的影响，通过联邦混合线性回归模型分析，证明在信号噪声比不低于√K时，初始化良好的EM算法在所有客户端数量和数据点数量下都能收敛到真实参数，实验验证了数据异质性可加速迭代联邦算法收敛。
在认知科学中，我们能否自动化科学发现？
机构 * Princeton AI Lab（普林斯顿人工智能实验室） ； Princeton University（普林斯顿大学） ； Institute for Human-Centered AI（以人为中心的人工智能研究所） ； Helmholtz Munich（海德堡-慕尼黑研究所） ； Ludwig-Maximilians-University（路德维希-马克西米利安大学）
AI总结 本文提出利用大语言模型实现认知科学的自动化发现流程，通过模拟行为数据和算法假设搜索，提高理论发展效率。
VideoAuto-R1：通过一次推理、两次回答实现视频自动推理
机构 * Meta AI ； King Abdullah University of Science and Technology (KAUST)（卡布斯大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出VideoAuto-R1框架，通过一次推理两次回答策略提升视频理解效率，实现准确率和效率的双重提升。
Comments Accepted to CVPR 2026. Project page: https://ivul-kaust.github.io/projects/videoauto-r1/
UniLiPs: 基于几何引导的动态场景分解的统一激光雷达伪标签方法
机构 * TORC Robotics（TORC机器人公司） ； Politecnico of Milan（米兰理工学院） ； Princeton University（普林斯顿大学）
AI总结 本文提出UniLiPs方法，通过利用激光雷达扫描的时空几何一致性，将文本和2D视觉模型的线索直接融合到3D中，生成3D语义标签、包围盒和密集点云，验证了其在三个数据集上的鲁棒性。
Journal ref Proceedings of the International Conference on 3D Vision (3DV), 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