高校专区
上下文结构重塑语言模型的表征几何
机构 * Google DeepMind（谷歌DeepMind） ； Princeton Neuroscience Institute, Princeton University（普林斯顿神经科学研究所，普林斯顿大学）
AI总结 研究发现语言模型在不同任务中根据上下文结构动态调整表征方式，部分任务中上下文增加会提升预测性能，而其他任务中则不一致。
动态反射：通过文本对齐探测视频表示
机构 * Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本研究通过视频-文本表示对齐探索现代视频和语言编码器的能力，揭示了跨模态对齐与数据丰富性、语义对齐与性能相关性以及时间推理与对齐的关系。
Comments To appear at ICLR 2026. 27 pages, 12 figures
UEval：一个统一多模态生成的评估基准
机构 * Princeton University（普林斯顿大学）
AI总结 UEval是一个评估统一多模态生成模型的基准，通过专家精选问题和评分表系统，揭示推理能力对复杂任务的重要性。
关于临界点近似计算的可计算性
机构 * Department of Operations Research and Financial Engineering at Princeton University（普林斯顿大学运筹学与金融工程系） ； Decision Sciences Area at INSEAD（INSEAD决策科学领域）
AI总结 研究证明非凸函数临界点近似计算在某些条件下是不可行的，挑战了传统观点。
低秩加稀疏矩阵迁移学习：在增长的表示和环境维度下
机构 * Department of Operations Research & Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） ； Department of Technology, Operations, & Statistics, New York University（纽约大学技术、运营与统计系） ； Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）
AI总结 本文提出了一种在环境维度和表示同时增长下的迁移学习框架，通过低秩和稀疏分解实现高效的目标参数估计，并在理论和实验上验证了其有效性。
考虑顺序的测试时间适应：利用时间动态以实现鲁棒的流推理
机构 * Princeton University（普林斯顿大学） ； Duke University（杜克大学） ； City University of Hong Kong（香港城市大学） ； Apple（苹果公司）
AI总结 OATTA通过建模时间动态，提升流推理的鲁棒性和准确性，适用于多种任务。
Comments 18 pages, 4 figures
MiLDEdit: 基于推理的多层设计文档编辑
机构 * University of California, Davis（加州大学戴维斯分校） ； Adobe（Adobe公司） ； UW-Madison（威斯康星大学麦迪逊分校） ； Princeton University（普林斯顿大学）
AI总结 MiLDEdit通过引入基于推理的多层文档编辑代理，实现了对多层设计文档的精准编辑，显著超越现有方法，建立了该领域的首个强基线。
快速失败，大获成功：通过扩散大语言模型重新思考推测解码的起草策略
机构 * Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； Google（谷歌） ； Rice University（里士满大学）
AI总结 FailFast通过动态调整推测长度，利用扩散大语言模型的并行解码优势，实现快速失败和大获成功，提升推测解码效率。
面向无线信道的对抗感知隐私推理
机构 * Princeton University（普林斯顿大学） ； Inria, France（法国国家信息与自动化技术研究所） ； Stony Brook University（石溪大学）
AI总结 本文提出了一种面向无线信道的对抗感知隐私保护框架，通过在传输前对特征进行变换来减少隐私泄露风险。
NoWag：一种用于大型语言模型形状保持压缩的统一框架
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Princeton University（普林斯顿大学）
AI总结 NoWag提出了一种统一的单次形状保持压缩框架，通过向量量化和剪枝技术有效压缩大型语言模型，展示了其在性能上的优势。
通用序列预条件化
机构 * Google Deepmind（谷歌DeepMind） ； Princeton University（普林斯顿大学）
AI总结 本文提出了一种通用序列预条件化方法，通过卷积正交多项式系数来减少预测算法的遗憾，适用于多种动态系统和信号类型。
Comments 35 pages, 3 tables, 5 figures
一种强化学习方法用于合成数据生成
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Biomedical Informatics, Vanderbilt University Medical Center（范德比尔特大学医学中心生物医学信息学系） ； Department of Biostatistics, Vanderbilt University Medical Center（范德比尔特大学医学中心生物统计学系） ； Department of Computer Science, Vanderbilt University（范德比尔特大学计算机科学系） ； John F. Hardesty Department of Ophthalmology and Visual Sciences, Washington University（华盛顿大学约翰·F·哈里斯德眼科学与视觉科学系）
AI总结 本文提出RLSyn，一种基于强化学习的合成数据生成方法，在生物医学数据生成中表现出高效且高保真度的性能。
基于大AI模型的分布鲁棒无线语义通信
机构 * School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） ； School of Computer Science and Engineering, International University-VNUHCM（国际大学-胡志明市分校计算机科学与工程学院） ； Bradley Department of Electrical and Computer Engineering, Virginia Tech（弗吉尼亚理工大学电气与计算机工程系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Department of Electrical and Computer Engineering, University of Houston（休斯顿大学电气与计算机工程系） ； Department of Computer Science and Engineering, School of Computing, Kyung Hee University（庆北大学计算机科学与工程系） ； School of Engineering and Applied Science, Princeton University（普林斯顿大学工程与应用科学学院）
AI总结 本文提出WaSeCom框架，通过Wasserstein分布鲁棒优化提升语义通信的鲁棒性，实验显示其在噪声和对抗扰动下的有效性。
Comments Under Review
Journal ref IEEE Journal on Selected Areas in Communications 2026
为社会公益服务的NLP：挑战、机遇与负责任部署的综述与展望
机构 * University of Copenhagen（哥本哈根大学） ； University of Michigan-Ann Arbor（密歇根大学安娜堡分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of North Texas（北卡罗来纳州立大学） ； Sony Computer Science Laboratories - Paris（索尼计算机科学实验室-巴黎） ； Santa Clara University（圣克拉拉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Dataminr（DataMinr公司） ； United Nations Development Programme (UNDP)（联合国开发计划署） ； University of Maryland, College Park（马里兰大学学院市分校） ； Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； IIT Kharagpur（印度理工学院Kharagpur分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Princeton University（普林斯顿大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Alicante（阿利坎特大学） ； University of Michigan-Flint（密歇根大学弗林特分校） ； University of Southern California（南加州大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文综述了NLP在社会公益领域的应用现状，指出包容性和AI危害是研究热点，同时呼吁跨学科合作以促进公众福祉。
Comments Accepted to EACL 2026
超越亲和力：一种1D、2D和3D方法的基准测试揭示了基于结构的药物设计中的关键权衡
机构 * Department of Computer Science Rensselaer Polytechnic Institute（计算机科学系伦塞拉尔理工学院） ； Department of Computer Science and Engineering Lehigh University（计算机科学与工程系莱斯大学） ； Department of Computer Science University of Southern California（计算机科学系南加州大学） ； Stanford Medicine Department of Pathology Stanford University（斯坦福医学部病理学系斯坦福大学） ； Princeton University（普林斯顿大学） ； Harvard Medical School（哈佛医学院） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Department of Computer Science and Engineering The Chinese University of Hong Kong（计算机科学与工程系香港中文大学）
AI总结 本文通过对比1D、2D和3D方法，揭示了基于结构的药物设计中不同算法的性能差异及关键权衡。
人工智能/机器学习在Rubin LSST暗能量科学合作中的机遇
机构 * Université Paris Cité, CNRS, CEA, Astroparticule et Cosmologie, F-75013 Paris, France ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Leinweber Institute of Theoretical Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL 60439, USA ； Cavendish Astrophysics, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA ； Department of Computer Science, University of Milan, Milan, Italy ； Université Paris Cité, CNRS, Astroparticule et Cosmologie, F-75013 Paris, France ； Université Paris-Saclay, CNRS/IN2P3, IJCLab, 91405 Orsay, France ； Department of Astronomy ； Astrophysics, University of Chicago, Chicago, IL 60637, USA ； Kavli Institute for Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； NSF-Simons AI Institute for the Sky (SkAI), 172 E. Chestnut St., Chicago, IL 60611, USA ； Fermi National Accelerator Laboratory, P.O. Box 500, Batavia, IL 60510, USA ； Universit\'e Clermont-Auvergne, CNRS, LPCA, 63000 Clermont-Ferrand, France ； Kavli Institute for Particle Astrophysics ； Cosmology, Stanford University, Stanford, CA 94305, USA ； Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA ； Engineering Faculty, Universidad Autonoma de San Luis Potosi, Zona Universitaria, San Luis Potosi, 78290, Mexico ； Stanford Artificial Intelligence Laboratory, Stanford University, Stanford, CA 94305, USA ； Kavli Institute of Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Astrophysics Harvard \& Smithsonian, 60 Garden Street, Cambridge, MA 02138, USA ； Department of Physics ； Kavli Institute for Astrophysics ； Space Research, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Institut de Física d'Altes Energies (IFAE), The Barcelona Institute of Science ； Institute of Astronomy ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge, CB3 0HA, UK ； Imperial Centre for Inference ； Cosmology (ICIC), Imperial College London, Blackett Laboratory, Prince Consort Road, London SW7 2AZ, UK ； Data Science Institute, The University of Chicago, Chicago, IL 60615, USA ； Department of Physics, The University of Texas at Dallas, Richardson, TX 75080, USA ； Department of Physics, Duke University, Durham, NC 27708, USA ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, F-91191 Gif-sur-Yvette, France ； School of Mathematics, Statistics ； Physics, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom ； Department of Astrophysical Sciences, Princeton University, Princeton, NJ 08544, USA ； Astronomy, University of the Western Cape, Bellville, Cape Town, 7535, South Africa ； Astronomy, University of Utah, Salt Lake City, UT 84112, USA ； Department of Astrophysical Sciences, Princeton University, Peyton Hall, Princeton, NJ 08544, USA ； Department of Astronomy, University of Illinois Urbana Champaign, 1002 W. Green St., Urbana, IL, 61801, USA ； Institute for Particle Physics ； Astrophysics, ETH Zürich, Wolfgang-Pauli-Strasse 27, CH-8093 Zurich, Switzerland ； Swinburne University of Technology, Hawthorn, Victoria 3122, Australia ； Ciela - Montr\'eal Institute for Astrophysical Data Analysis ； Mila - Quebec Artificial Intelligence Institute, Montréal, QC H2S 3H1, Canada ； Advanced Research Computing Centre, University College London, 90 High Holborn, London WC1V 6LJ, UK ； Finnish Centre for Astronomy with ESO (FINCA), University of Turku, FI-20014 Turku, Finland ； Department of Physics, P.O. Box 64, University of Helsinki, FI-00014 Helsinki, Finland ； Astronomy, Northwestern University, Evanston, IL, USA ； Center for Interdisciplinary Exploration ； Research in Astrophysics, Northwestern University, Evanston, IL, USA ； Scientific Data Science, International School for Advanced Study, Via Bonomea 265, I-34136 Trieste, Italy ； Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA ； PITT PACC, University of Pittsburgh, Pittsburgh, PA 15260, USA ； NSF NOIRLab, 950 N. Cherry Ave., Tucson, AZ 85719, USA
AI总结 本文探讨了AI/ML在LSST暗能量科学合作中的应用机遇，强调了大规模贝叶斯推断、物理指导方法和主动学习等关键方法学优先事项，并讨论了新兴技术在重塑工作流程中的潜力。
Comments 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal
不要懒惰：CompleteP使深度变压器计算高效
机构 * Cerebras Systems（Cerebras系统） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所）
AI总结 CompleteP通过实现深度-wise超参数转移和非懒惰学习，提升了深度变压器的计算效率，适用于更广泛的模型宽度/深度比和硬件环境。
Comments NeurIPS 2025. v4 fixes Table 1 typo to match AdamW eps to Equation 40
SolARED：用于机器学习辅助预测的太阳活跃区域出现数据集
机构 * Department of Astrophysical Sciences, Princeton University, NJ, USA（天体物理科学系，普林斯顿大学） ； Computational Physics Branch, NASA Ames Research Center, Moffett Field, CA, USA（NASA阿姆斯研究中心计算物理分支，莫菲特场，加利福尼亚州，美国） ； Department of Data Science, New Jersey Institute of Technology, Newark, NJ, USA（数据科学系，新泽西理工学院，新布朗斯维克，新泽西州，美国） ； Center for Computational Heliophysics, Department of Physics, New Jersey Institute of Technology, Newark, NJ, USA（计算太阳物理中心，物理系，新泽西理工学院，新布朗斯维克，新泽西州，美国）
AI总结 Solared数据集旨在通过机器学习预测太阳活跃区域的出现，提供从2010到2023年间太阳表面活跃区域演变的多维度数据支持。
Comments 15 pages, 6 figures, submitted to the Springer Nature - Solar Physics Journal
FutureX-Pro: 将未来预测扩展到高价值垂直领域
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学）
AI总结 FutureX-Pro通过扩展未来预测到金融、零售、公共健康和自然灾害等高价值垂直领域，评估代理LLMs在工业部署中的领域基础能力。
Comments 21 pages
当幻觉成本百万：在高风险对抗性金融市场中基准测试AI代理
机构 * Surf AI, Cybertino Lab（Surf AI，Cybertino 实验室） ； Princeton University（普林斯顿大学）
AI总结 CAIA基准测试揭示了AI在对抗性金融市场中的能力缺口，指出当前模型在面对虚假信息和不可逆决策时表现不佳，强调对抗鲁棒性对可信AI的重要性。
Comments 15 pages, 5 figures, 4 tables; Accepted to AAAI 2026 (AI-4-Finance Workshop - Oral, top 10%); In submission to ICML 2026
视觉序列处理缺陷解释了人类与VLM推理之间的差异
机构 * Princeton Neuroscience Institute（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 Psychology, Université de Montréal（蒙特利尔大学心理学系） ； Mila - Quebec AI Institute（魁北克AI研究所） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系）
AI总结 研究发现视觉语言模型在视觉序列处理能力上存在缺陷，导致其在不同领域中的推理表现与人类存在显著差距。
自我进化代理的综述：何时、何地、如何进化以实现人工超级智能
机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。
Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)
符合监管的AI融合：基于实时图像分析的托卡马克磁环分离控制
机构 * Princeton University（普林斯顿大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； General Atomics（通用原子公司）
AI总结 本研究提出了一种基于实时图像分析的AI控制系统，用于实现托卡马克装置中磁环分离的合规控制，并展示了其在实际应用中的有效性。
LeanProgress: 通过证明进度预测引导神经定理证明的搜索
机构 * Computing + Mathematical Sciences Department（计算与数学科学系） ； California Institute of Technology（加利福尼亚理工学院） ； Computer Science Department（计算机科学系） ； Princeton University（普林斯顿大学）
AI总结 LeanProgress通过预测证明进度提升神经定理证明效率，实现Mathlib4证明效率提升3.8%
Comments Published in TMLR (Transactions on Machine Learning Research)
Flash STU：快速频谱变换单元
机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学）
AI总结 Flash STU通过结合频谱状态空间模型与滑动窗口注意力，实现了高效大规模参数语言模型，优于Transformer和S4等现有模型。
Journal ref Proceedings of the 2025 IEEE 64th Conference on Decision and Control (CDC), pp. 165-171, 2025
分类不平衡作为迁移学习
机构 * Department of Operations Research & Financial Engineering（运营研究与金融工程系） ； Princeton University（普林斯顿大学）
AI总结 本文研究了分类不平衡作为迁移学习的问题，分析了SMOTE与bootstrap在高维情况下的性能差异，指出bootstrap在一般情况下表现更优。
物理合理多系统轨迹生成与对称性发现
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学）
AI总结 本文提出SPS-GAN，通过辛相空间GAN架构实现多系统轨迹生成与对称性发现，无需先验配置空间知识，通过物理动机项优化实现配置空间的稀疏表示。
对生成式AI研究的人文学科挑衅
机构 * Emory University（埃默里大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Colorado Boulder（科罗拉多大学丹佛分校） ； University of Washington（华盛顿大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Richmond（里士满大学） ； Cornell University（康奈尔大学）
AI总结 本文提出八个针对生成式AI研究的人文学科观点，强调人文学科在AI发展中的重要性，并呼吁抵制将人文学科研究纳入计算机科学领域。
Comments revised draft; final version in preparation
机器人中的视频生成模型——应用、研究挑战与未来方向
机构 * Princeton University（普林斯顿大学） ； Temple University（Temple 大学）
AI总结 本文综述了视频生成模型在机器人学中的应用、研究挑战及未来方向，探讨了其在物理模拟、动作预测和策略评估中的作用及面临的挑战。
使用双耳空间自适应神经网络（BSANN）的立体声音频渲染用于个人声音区域
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出使用BSANN生成耳部优化的扬声器滤波器，以实现多听众独立的立体声音频渲染，提升空间感知和声学准确性。
Comments Submitted to IEEE Transactions on Audio, Speech, and Language Processing (TASLP)
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