高校专区
机构 * Department of Mathematics, University of California at Davis（加州大学戴维斯分校数学系） ； Princeton University（普林斯顿大学） ； Program in Applied and Computational Mathematics, Princeton University（普林斯顿大学应用与计算数学项目）
学习该记住什么：基于上下文蒸馏的测试时训练
机构 * Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究针对现有测试时训练未考虑保留信息未来效用的问题，提出TTCD框架及IP-TTCD变体，实验显示其在长上下文语言建模任务中性能优于多个基准方法，可助力架构持续学习。
歧义去了哪里？探究多模态模型如何解释多义词
机构 * Princeton University（普林斯顿大学）
AI总结 该研究对比17个文本到图像模型和15个文本生成模型，发现多模态模型生成图像的词义多样性低于文本，揭示了基础模型在不同模态间意义表达的迁移 gap。
Comments Oral Presentation, Sci-FM Workshop @ COLM 2026
面向材料和装配不确定性的自适应人机协作砌筑
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出了一种自适应的人机协作流程，用于应对砌筑施工中材料和装配不确定性带来的容忍度累积问题，通过投影指导和激光扫描反馈实现精准协作。
Comments Accepted for publication in Proceedings of the 43rd International Symposium on Automation and Robotics in Construction (ISARC 2026)
用于样本高效且可泛化的群体机器人控制的局部正则化等变图神经网络
机构 * Princeton University（普林斯顿大学）
AI总结 该研究针对群体控制MARL策略效率低、泛化差的问题，提出LEGO架构，结合正则化与角色感知图编码，搭配MAPPO算法，在多基准测试中提升性能，可跨团队规模迁移，Crazyflie实验中失效后仍可运行。
Comments Accepted at IROS 2026
神经网络中的隐状态：从模型权重中恢复漂移数据的时间结构
机构 * Princeton University（普林斯顿大学）
AI总结 该研究通过对连续时间窗口分类器的对齐权重轨迹拟合HMM，从模型权重中恢复离散状态，在Fakeddit和Yelp数据集上验证了状态内迁移优势，且该优势与数据分布外的迁移结构相关。
得分哈密顿量：将扩散模型映射到绝热输运
机构 * Computer Science Department, Princeton University（普林斯顿大学计算机科学系） ； ORFE Department, Princeton University（普林斯顿大学ORFE系）
AI总结 本文通过构建得分哈密顿量，建立了基于得分的扩散模型采样与薛定谔算子基态绝热输运之间的精确对应关系，并利用绝热定理推导了密度重建误差界和退火调度方案。
Comments 26 pages, 10 figures. v3: Expanded supplementary discussion in appendix of application to various score-based parameterizations. Main results and main text unchanged
常数深度和对数深度神经网络之间的算法分离
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 研究常数深度和对数深度神经网络的算法分离，识别出一类布尔函数，对数深度网络能用逐层坐标下降法通过重构谱高效学习，还展示了一个子类，常数深度网络在此子类上有常数\(L^2\)逼近误差。
深度delta学习
机构 * Princeton University（普林斯顿大学） ； University of California Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出深度delta学习，通过选择性重写残差内容提升语言模型性能，改进了Transformer残差流的更新机制。
Comments Project Page: https://github.com/yifanzhang-pro/deep-delta-learning
让人工智能代理翻译网络，而非对其进行推理
机构 * Princeton University（普林斯顿大学）
AI总结 研究针对生产网络缺乏形式模型的问题，提出将人工智能局限于网络工件到形式逻辑规则的翻译，依靠求解器推理，构建TypoNet验证模拟广域网符号模型，能快速可靠回答操作问题及促进故障定位。
Comments 8 pages, 3 figures, 1 table
基于功能磁共振成像的人类视觉感知实时重建
机构 * Princeton University（普林斯顿大学） ； Dartmouth College（达特茅斯学院） ； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； Harvard University（哈佛大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Medical AI Research Center (MedARC)（医学人工智能研究中心）
AI总结 该研究基于fMRI的实时闭环神经反馈分析方法落后，提出实时兼容的先进管道改编版，利用RT-Cloud平台实时扫描解码视觉感知，通过模拟分析记录性能变化因素，证明实时部署强大解码管道可行，为脑机接口应用铺路。
评估语言相关性对大型多语言自动语音识别中跨语言迁移的影响
机构 * Princeton University（普林斯顿大学） ； Maseno University（马塞诺大学）
AI总结 研究在大型多语言自动语音识别中，通过系统实验设计，探讨语言相关性能否可靠预测跨语言迁移增益，发现仅语言相关性难以有效促进跨语言迁移。
$τ$-Rec：面向智能推荐系统的可验证基准
机构 * Independent Researcher（独立研究员） ； Princeton University（普林斯顿大学）
AI总结 针对多轮对话式智能推荐系统评估中主观性强、成本高的问题，提出$τ$-Rec基准，通过可验证奖励和揭示标记引导机制，结合pass^k可靠性指标，系统评估模型推理一致性，发现当前最佳模型可靠性仅约57%。
Comments Accepted at ACM RecSys 2026 (Reproducibility and Resource Track)
循环自回归扩散：全局记忆与局部注意力相结合
机构 * Peking University（北京大学） ； Princeton University（普林斯顿大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对超长视频生成中现有模型的不足，提出循环自回归扩散（RAD）框架，结合循环块与局部注意力，解决训练推理差距等问题，在相关数据集实验中展现出长视频生成的优越性。
Comments Published at ECCV 2026. Project page: https://yeyutaihan.github.io/recurrent-autoregressive-diffusion/
学习投影梯度下降求解器迭代的复杂度界与方法
机构 * Princeton University（普林斯顿大学）
AI总结 针对数据稀缺挑战，研究用k邻域数据收集策略扩充训练数据，推导泛化界，以投影梯度下降求解单边盒约束二次规划为例说明，提高数据-模型-优化循环效率，实现更强大的DDDAS范式，并与GLENS联系。
LeAct：从专家行动中学习推理
机构 * Princeton University（普林斯顿大学）
AI总结 研究如何从专家行动中恢复思维链，提出LeAct方法，通过优化潜在变量，让学生为专家行动采样候选思维链并保留有效链。该方法在多个博弈和机器人基准测试中表现出色，使专家系统成为基础模型推理教师的新来源。
Comments 27 pages, 3 figures, 11 tables
通过物理智能解决通用机器人中的编排差距
机构 * Princeton University（普林斯顿大学） ； Together AI（联合人工智能）
AI总结 研究通用机器人行动推理问题，提出将相关能力分解为语言条件策略/控制智能体与高级智能体管理器/编排器，构建物理智能体编排器Pigey，经评估其在模拟和实际任务中性能显著提升，缩小了编排差距。
用于少步生成的多掩码扩散语言模型
机构 * ByteDance Seed（字节跳动种子） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究针对掩码扩散模型少步生成难的问题，提出多掩码扩散模型MultiMDM，通过特定前向过程使反向过程有起草能力，推导训练目标并制定蒸馏方案，经实验验证其为少步生成提供了有效基础。
Comments Needs corporate approval
大语言模型中置信度的计算基础
机构 * Google DeepMind（谷歌DeepMind） ； École Polytechnique（巴黎综合理工学院） ； Princeton University（普林斯顿大学）
AI总结 研究大语言模型中置信度的计算基础，利用统计决策置信度框架，通过答案 - 对数差异测试其预测特征，结果表明在多种任务中答案对数可作潜在决策变量读出，为多模态语言模型置信度提供解释并统一研究框架。
无需训练的路由：通过可靠性门控实现可控比例的大语言模型卸载
机构 * Purdue University（普渡大学） ； University of Exeter（埃克塞特大学） ； Army Research Laboratory（陆军研究实验室） ； Princeton University（普林斯顿大学）
AI总结 研究在资源受限下本地-云端协作部署大语言模型的问题，提出无需训练的CARGO路由框架，通过提示多样化采样等方法估计一致性并控制不确定性，在多任务和模型上表现出色，证明可从本地模型内在行为实现有效协作。
CEO-Bench：智能体能否玩转长期博弈？
机构 * Princeton University（普林斯顿大学）
AI总结 提出CEO-Bench，通过模拟500天运营初创公司的任务，评估语言模型智能体在长期、不确定、动态环境下的综合决策能力。
动态限制人工智能性能的硬件机制
机构 * Princeton University（普林斯顿大学） ； Princeton University Electrical（普林斯顿大学电子与计算机工程）
AI总结 研究在人工智能模型集成到关键系统时缺乏意图控制的问题，提出用微架构旋钮动态控制硬件资源限制AI性能，评估候选旋钮并构建机制，展示其高性能敏感度等优势及多旋钮组合效果。
通过在线学习预处理器实现瞬态偏微分方程求解器的一次性加速
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Seoul National University（首尔国立大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究针对瞬态偏微分方程数值模拟，提出用强盗算法利用线性求解器反馈在线学习预处理器配置的PCGBandit方法，直接在OpenFOAM上实现，可一次性加速模拟，在流体和MHD问题上验证了有效性。
Comments code available at https://github.com/mkhodak/PCGBandit
Journal ref Computer Physics Communications 327 (2026) 110304
用于教育评估中可扩展自动作文评分的成本效益高的生成式人工智能摘要
机构 * Princeton University（普林斯顿大学）
AI总结 研究针对自动作文评分受输入长度限制问题，提出用生成式人工智能辅助摘要框架，用GPT-5变体生成摘要作输入，结合手工语言特征形成混合框架，评估其在评分等方面表现，揭示相关权衡，为AES提供初步评估及基线等。
Comments 23 pages, 7 figures, 5 tables
T^2MLR：具有时间中层循环的Transformer
机构 * Princeton University（普林斯顿大学）
AI总结 研究针对Transformer推理受自回归解码限制问题，提出T2MLR架构，将前token缓存中间层表示融合到当前token较早层，在自然语言预训练和多跳推理微调中表现优，且局部中层块应用循环效果好，还无需从头预训练，降低实际应用门槛。
交错噪声注入提高干净、受损和分布外数据的性能
机构 * Princeton University（普林斯顿大学）
AI总结 研究探索交错噪声注入在优化中的效果，通过理论分析揭示其作用机制，引入梯度范数稳定技术，与其他方法比较发现能显著提升在CIFAR-100-C等数据集上的抗噪及分布外数据性能，是提升测试性能的有效工具。
Comments 24 pages, 11 figures
利用大语言模型学习化学反应的机理推理
机构 * Princeton University（普林斯顿大学） ； University of Pittsburgh（匹兹堡大学） ； Northeastern University（东北大学） ； University of Florida（佛罗里达大学）
AI总结 研究利用大语言模型学习化学反应机理推理，构建大规模推理数据集及福山基准，通过机理感知训练微调Qwen3 - 30B - A3B，在福山基准集A上精确路径匹配超FlowER模型，增强了语言模型的化学推理能力。
基于表示的语言模型探索：从测试时到训练后
机构 * Princeton University（普林斯顿大学） ； Microsoft Research（微软研究院）
AI总结 研究语言模型中强化学习探索新行为的价值，提出基于预训练模型隐藏状态的表示奖励探索方法，在推理时和训练后都显著提升了模型性能，如验证效率和测试时样本效率，为发现新行为提供实用途径。
Comments Accepted at ICLR 2026. Website and code: https://rep-exp.github.io
首个中文BabyLM挑战：训练数据高效且认知合理的中文语言模型
机构 * Princeton University（普林斯顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； Chinese Academy of Sciences（中国科学院） ； Columbia University（哥伦比亚大学） ； Beijing Normal University（北京师范大学） ； Tsinghua University（清华大学） ； University of California San Diego（加利福尼亚大学圣地亚哥分校） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 首个中文BabyLM挑战将在2026年自然语言处理与中文计算会议举办，要求用1亿中文词元从头训练语言模型，在自然语言理解、认知对齐和汉字知识三轨道评估，不限分词器、模型架构和训练轮数。
Comments 8 pages, 4 tables; work in progress
SFO：通过谱滤波学习偏微分方程算子
机构 * Technion - Israel Institute of Technology（技术离子-以色列理工学院） ； Princeton University（普林斯顿大学）
AI总结 研究如何让神经算子有效捕捉偏微分方程解映射中的长程非局部相互作用，提出谱滤波算子SFO，利用通用谱基参数化积分核，通过学习快速衰减特征值的谱系数实现高效表示，在六个基准测试中达最优精度，大幅降误差并减少参数。
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