高校专区
相同误差，不同函数：在金融时间序列中的优化器作为隐式先验
机构 * Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院） ； Princeton University, Princeton, NJ, USA（普林斯顿大学）
AI总结 研究探讨了在金融时间序列中，不同优化器选择如何导致不同函数学习，进而影响投资决策和夏普比率-换手率关系。
Comments 39 pages, 24 figures
分解物理声学建模对神经个人声音区域渲染的影响：一项消融研究
机构 * Princeton University（普林斯顿大学）
AI总结 本文通过消融研究，分析了物理声学建模对神经个人声音区域渲染的影响，发现RS-HRTF在双耳分离中表现最佳，FR提供频谱校准，DIR提供最稳定的声区分离效果。
上下文拖累：上下文中的错误如何影响大语言模型的推理
机构 * Princeton University（普林斯顿大学）
AI总结 研究发现上下文中的错误会偏向下文生成的推理错误，导致性能下降，并指出缓解策略无法完全消除该问题。
一种适用于任意空间群的单一架构
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院计算神经科学单元）
AI总结 本文提出了一种能够自动适应任何空间群的机器学习架构，通过构建对称适应的傅里叶基来实现对称不变性，从而提高材料属性预测和零样本学习的性能。
Comments 24 pages, 7 figures. ICLR 2026
对抗性 déjà vu：用于更强泛化到未见攻击的 jailbreak 字典学习
机构 * Virginia Tech（弗吉尼亚理工大学） ； Princeton University（普林斯顿大学） ； Amazon AGI（亚马逊人工智能研究院）
AI总结 本文提出通过对抗性技能组合训练提升模型对未知攻击的鲁棒性，通过分析攻击论文发现新型攻击是旧技能的重新组合，从而改进安全防御。
非语言实时人机交互在受限机器人环境中
机构 * National University of Science ； Princeton University, Princeton NJ 08544, USA, , WWW home page: http://users/ iekeland/web/welcome.html Universit\' e de Paris-Sud, Laboratoire d'Analyse Num\' e rique, B\ a timent 425, F-91405 Orsay Cedex, France
AI总结 本文提出首个实时生成非语言人机交互的框架，通过对比合成与真实数据发现时间一致性对实际性能的影响，揭示了人类与AI运动间的统计差异。
SoFlow：用于一步生成建模的解流模型
机构 * Princeton University（普林斯顿大学）
AI总结 SoFlow通过引入流匹配损失和解一致性损失，实现从头开始的一步生成建模，提升生成性能并优化计算效率。
Comments Accepted to ICLR 2026. Our code is available at https://github.com/zlab-princeton/SoFlow
OmniVLA：具有统一多传感器感知的物理基础多模态VLA
机构 * Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 OmniVLA通过整合多种传感器模态，提升机器人操作的感知能力与任务成功率。
Comments Accepted by ICRA'26
UltraViCo: 突破视频扩散变换器的 extrapolation 限制
机构 * Dept. of Comp. Sci. & Tech., BNRist Center, THU-Bosch ML Center, Tsinghua University（清华大学计算机科学与技术系，BNRist中心，THU-Bosch机器学习中心，清华大学） ； ShengShu（盛书） ； Gaoling School of Artificial Intelligence, Renmin University of China（北京理工大学人工智能学院，中国人民大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学）
AI总结 UltraViCo通过抑制超出训练窗口的token注意力，突破视频扩散变换器的extrapolation限制，提升泛化能力和性能。
Comments ICLR2026. Project page: https://thu-ml.github.io/UltraViCo.github.io/
FMIP: 混合整数线性规划的联合连续-整数流
机构 * Shanghai University of Finance and Economics（上海财经大学） ； Princeton University（普林斯顿大学） ； National University of Singapore（国立新加坡大学） ； Antai College of Economics and Management（经济管理学院） ； Shanghai Institute for Mathematics and Interdisciplinary Sciences（上海数学与交叉科学研究院） ； Stanford University（斯坦福大学）
AI总结 FMIP提出了一种新的生成框架，通过联合建模整数和连续变量分布，提升混合整数线性规划求解效率。
Comments Accepted at the International Conference on Learning Representations (ICLR), 2025. A generative framework for MILP that jointly models integer and continuous variables, achieving 41% primal gap reduction with broad solver compatibility
迭代蒸馏用于生物分子设计中基于奖励的扩散模型微调
机构 * Texas A&M University（德克萨斯A&M大学） ； EvolutionaryScale（进化尺度） ； Seoul National University（首尔国立大学） ； Princeton University（普林斯顿大学） ； Genentech（基因泰克） ； University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿分校）
AI总结 本文提出基于迭代蒸馏的扩散模型微调方法，用于生物分子设计中的奖励引导生成，提升训练稳定性和样本效率。
什么使零样本立体匹配具有良好的合成训练数据？
机构 * Princeton University（普林斯顿大学）
AI总结 本文研究了合成数据集对零样本立体匹配性能的影响，通过参数调整和大规模数据集验证，发现其性能优于混合数据集并具有开源代码支持。
Comments Accepted to CVPR 2026
认知模型和AI算法为设计语言代理提供模板
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑科学与认知科学系） ； Zuckerman Mind Brain Behavior Institute（祖克曼心智大脑行为研究所） ； Department of Psychiatry, Columbia University（哥伦比亚大学精神医学系） ； Neuroscience Institute（神经科学研究所） ； Department of Machine Learning, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Psychology, Princeton University（普林斯顿大学心理学系）
AI总结 本文提出利用认知模型和AI算法设计语言代理的模板，旨在开发更有效且可解释的语言代理。
UpSkill: 为大语言模型的结构化响应多样性进行互信息技能学习
机构 * Princeton University（普林斯顿大学）
AI总结 UpSkill通过互信息技能学习提升大语言模型在结构化响应多样性中的表现，提高pass@k准确性而不影响pass@1。
Comments First two authors equal contribution. 29 pages total (11 pages main text), 10 figures, 10 tables. Project website: https://dshah.io/upskill/
PolicyPad: LLM策略协同原型设计
机构 * University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Princeton University（普林斯顿大学）
AI总结 PolicyPad通过结合用户体验原型设计方法，为LLM策略协作设计提供交互式支持，提升政策制定的协作效率与反馈质量。
Comments CHI 2026 paper. Supplementary materials: https://docs.google.com/document/d/1jBmKXusoWmCHfwpmNhSTJtbwZ5fwVWLNppKeqqd_-pY/edit?usp=sharing
结合多专家的蒙特卡洛树扩散用于蛋白质设计
机构 * University of Chicago（芝加哥大学） ； Data Science Institute（数据科学研究所） ； Department of Biochemistry and Molecular Biology（生物化学与分子生物学系） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Argonne National Laboratory（阿贡国家实验室） ； Princeton University（普林斯顿大学）
AI总结 MCTD-ME通过结合多专家的蒙特卡洛树扩散方法，提升蛋白质设计任务的性能，特别是在反向折叠、折叠和条件设计挑战中表现优异。
明文之中隐藏：通过激活解耦检测隐蔽的 jailbreak
机构 * Duke University（杜克大学） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind） ； Apple（苹果公司）
AI总结 通过解耦 LLM 激活中的语义因子，提出 FrameShield 异常检测器，提升对隐蔽 jailbreak 的检测能力，并推动 LLM 安全和可解释性研究。
Agent Banana: 基于代理思维与工具的高质量图像编辑
机构 * TAMU（德克萨斯大学） ； Brown University（布朗大学） ； UW-Madison（威斯康星大学麦迪逊分校） ； UCSD（加州大学圣地亚哥分校） ； USC（南加州大学） ； xAI（xAI公司） ； Adobe Research（Adobe研究院） ； Meta AI ； Princeton University（普林斯顿大学）
AI总结 Agent Banana通过分层代理规划-执行框架实现高质量图像编辑，解决多轮次编辑一致性与背景忠实度问题，同时保持指令遵循能力。
Comments Project Website: agent-banana.github.io
MemoryArena：评估多会话代理任务中的代理记忆
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 MemoryArena是一个用于评估多会话代理任务中代理记忆的统一评估环境，揭示了现有长上下文记忆基准在代理任务中的不足。
从人类反馈中学习个性化代理
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Princeton University（普林斯顿大学） ； Duke University（杜克大学）
AI总结 PAHF通过整合显式记忆与双反馈通道，实现持续个性化，显著提升学习速度和适应能力。
学习何时计划：高效分配测试时计算用于LLM代理
机构 * University of Warsaw（华沙大学） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； University College London（伦敦大学学院）
AI总结 本文提出一种动态规划框架，通过两阶段训练提升LLM在长周期任务中的样本效率和复杂目标达成能力，同时展示人类计划对代理系统性能的增强作用。
通过规范化的扩散模型重新思考对称性：应用于分子图生成
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Princeton University（普林斯顿大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出通过规范化的扩散模型生成分子图，利用几何谱和位置编码提升生成效果，优于等变基线方法。
Comments 32 pages
BEACONS：具有误差界限的代数可组合神经求解器用于偏微分方程
机构 * Princeton University（普林斯顿大学） ； Princeton Plasma Physics Laboratory（普林斯顿等离子物理实验室）
AI总结 BEACONS通过构建具有严格误差界限的代数可组合神经求解器，解决PDE在远超训练数据范围的可靠求解问题。
Comments 31 pages, 8 figures, 9 tables
构建用于科学领域异常检测的机器学习挑战
机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学） ； MIT（麻省理工学院） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） ； University of Colorado, Boulder（科罗拉多大学博尔德分校） ； University of Minnesota（明尼苏达大学） ； Princeton University（普林斯顿大学） ； University of Arkansas for Medical Sciences（亚拉巴马医学科学大学） ； University of Zürich（苏黎世大学）
AI总结 本文提出三个跨学科数据集，旨在开发基于机器学习的异常检测方法，以推动科学发现。
Comments 17 pages 6 figures to be submitted to Nature Communications
对趋炎附势AI影响的理性分析
机构 * School of Public and International Affairs, Princeton University（公共与国际事务学院，普林斯顿大学） ； Princeton University（普林斯顿大学） ； Department of Psychology, Princeton University（心理学系，普林斯顿大学）
AI总结 本文研究了趋炎附势AI对信念的影响，通过实验发现无偏采样能显著提高发现率，而顺从反馈会扭曲现实，制造虚假确定性。
Comments 7 pages, 1 figure
面向工业机器人视觉-运动策略学习的延迟感知框架
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出了一种面向工业机器人视觉-运动策略学习的延迟感知框架，通过优化执行策略以应对延迟问题，提升策略在现实环境中的可靠性和稳定性。
LAP：语言-动作预训练实现零样本跨躯体迁移
机构 * Princeton University（普林斯顿大学）
AI总结 LAP通过语言-动作预训练实现零样本跨躯体迁移，首次在无需特定躯体微调的情况下达到显著的迁移效果，提升性能达两倍。
Comments Project website: https://lap-vla.github.io
ReliabilityRAG: 有效且可证明的防御方法用于基于检索的Web搜索
机构 * Department of Computer Science（计算机科学系） ； Princeton University（普林斯顿大学） ； Center for Information Technology Policy（信息政策中心） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； NVIDIA（英伟达）
AI总结 ReliabilityRAG通过利用文档可靠性信息，提供更有效且可证明鲁棒的防御方法，以增强基于检索的Web搜索系统对对抗攻击的抵御能力。
Comments Accepted to NeurIPS 2025
AsyncVLA: 一种异步VLA用于边缘设备上的快速稳健导航
机构 * University of California, Berkeley（加州大学伯克利分校） ； Toyota Motor North America（丰田汽车北美公司） ； Princeton University（普林斯顿大学）
AI总结 AsyncVLA通过异步框架结合远程大模型与本地轻量级模块，实现边缘设备上的高效稳健导航，成功率达40%。
Comments 13 pages, 9 figures, 2 tables
VeRA: 在大规模上验证推理数据增强
机构 * Princeton University（普林斯顿大学）
AI总结 VeRA通过验证推理数据增强框架，实现大规模、可靠的评估基准生成，提升评估的稳健性和成本效益。
Comments 36 pages; VeRA technical report
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