高校专区
2025基础模型透明度指数
机构 * UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 2025基础模型透明度指数评估了基础模型开发者的透明度，发现整体透明度下降，IBM表现突出，而xAI和Midjourney得分极低，揭示了政策干预的必要性。
Comments Website: https://crfm.stanford.edu/fmti/December-2025/index.html
在什么情况下上下文学习可以泛化到任务分布之外？
机构 * Princeton University（普林斯顿大学） ； University of Sydney（悉尼大学） ； The Graduate Center, CUNY（纽约大学研究生中心）
AI总结 研究探讨了预训练分布中任务多样性的变化如何影响转换器模型在不同任务分布上的泛化能力，揭示了ICL从专门化到泛化出分布的相变机制。
Comments ICML 2025
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:19585-19599, 2025
图像生成链：迈向可监控和可控的图像生成
机构 * Duke University（杜克大学） ； Princeton University（普林斯顿大学） ； Universidad Católica del Uruguay（乌拉圭天主教大学） ； Apple（苹果公司）
AI总结 CoIG框架通过将图像生成过程分解为可监控的步骤，提升图像生成的可控性和可解释性。
Comments 19 pages, 13 figures
SweetDeep：一种用于实时无创糖尿病筛查的可穿戴AI解决方案
机构 * Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； NeuTigers, Inc.（NeuTigers公司） ； AP-HP Avicennes, Bobigny, France（法国AP-HP阿维尼翁医院） ； Clinic International Constantine, Constantine, Algeria（阿尔及利亚康斯坦丁国际诊所）
AI总结 SweetDeep利用轻量级神经网络和工程特征，在真实可穿戴设备上实现了高准确率的2型糖尿病无创筛查。
Comments 12 pages, 6 figures. Submitted to the IEEE Journal of Biomedical and Health Informatics
高斯摆动：基于表面的使用3D高斯的气动模拟框架
机构 * UC San Diego（UC圣迭戈大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出Gaussian Swaying框架，通过3D高斯连续建模表面，实现高效且细致的气动模拟，适用于视觉和图形中的真实感渲染。
Comments Accepted to WACV 2026
聚焦，点击：解锁和评估缩放在GUI定位中的潜力
机构 * Xi’an Jiaotong University（西安交通大学） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Hong Kong（香港大学） ； Michigan State University（密歇根州立大学）
AI总结 本文提出ZoomClick方法，通过引入缩放先验知识提升GUI定位性能，实现动态空间聚焦与自适应上下文切换，并在多个基准上取得最佳结果。
Comments Code is available at https://github.com/Princeton-AI2-Lab/ZoomClick
利用大语言模型进行文本中过程知识图谱提取的人类评估
机构 * Princeton University（普林斯顿大学） ； Springer Heidelberg（斯普林格海德堡） ； ABC Institute（ABC研究所）
AI总结 本文提出利用大语言模型和提示工程方法，从文本中提取过程知识并构建知识图谱，通过用户研究评估其质量和实用性。
UltraImage: 重新思考图像扩散变换器中的分辨率外推
机构 * Dept. of Comp. Sci. & Tech., BNRist Center, Tsinghua University（计算机科学与技术系，北京理工大学中心，清华大学） ； ShengShu（盛书） ； Gaoling School of Artificial Intelligence, Renmin University of China（光明人工智能学院，中国人民大学） ； Princeton University（普林斯顿大学）
AI总结 UltraImage通过修正主导频率和自适应注意力集中，解决了图像扩散变换器在高分辨率外推中的内容重复和质量下降问题，实现了高达6K*6K的生成能力。
Comments Project page: https://thu-ml.github.io/ultraimage.github.io
基于局部敏感哈希的高效点变换器用于带电粒子重建
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Purdue University（普渡大学） ； University of Washington（华盛顿大学） ； 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 HEPTv2通过轻量级解码器消除聚类步骤，实现高效端到端推理，提升带电粒子轨迹重建的性能和效率。
Comments Accepted to NeurIPS 2025 Machine Learning and the Physical Sciences Workshop
基于大型语言模型的代理用于自动化提升用户故事质量：早期报告
机构 * 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 本研究利用大型语言模型开发代理系统，旨在提升用户故事质量，展示了人工智能在敏捷开发中的应用潜力和实际效果。
Comments 16 pages, 5 figures, 2 tables
更好的世界模型可以导致更好的训练后性能
机构 * University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本研究通过比较不同世界建模策略，发现显式建模能提升Transformer的状态表示质量，从而增强强化学习后训练的效果。
原子扩散模型用于从NMR谱解析小分子结构
机构 * Princeton University（普林斯顿大学） ； California Institute of Technology（加州理工学院）
AI总结 ChefNMR通过原子扩散模型从NMR光谱直接预测小分子结构，实现高精度自动解析。
Comments NeurIPS 2025
hls4ml：一种灵活、开源的深度学习在可重构硬件上加速平台
机构 * Purdue University（普渡大学） ； ETH Zurich（苏黎世联邦理工学院） ； California Institute of Technology（加州理工学院） ； Fermi National Accelerator Lab（费米国家加速器实验室） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心） ； University of California San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国理工学院） ； National Technical University of Athens（希腊国家技术大学） ； University of Geneva（日内瓦大学） ； Altera Corporation（阿尔特拉公司） ； Discovery Partners Institute（发现伙伴研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Northwestern University（西北大学） ； 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） ； University of Michigan（密歇根大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Washington（华盛顿大学）
AI总结 hls4ml是一种开源平台，用于将深度学习模型转换为可重构硬件上的HLS代码，以实现低延迟、低资源消耗的ML推理加速。
Chain-of-Ground: 通过迭代推理和参考反馈提升GUI定位
机构 * University College London（伦敦大学学院） ； Chico Future AI Lab（芝加哥未来人工智能实验室） ； The University of Hong Kong（香港大学） ； Princeton University（普林斯顿大学）
AI总结 Chain-of-Ground通过迭代推理和参考反馈提升GUI定位，实现68.4的准确率，并在现实世界界面中表现优异。
强化学习后训练如何诱导技能组合？一个倒计时案例研究
机构 * Princeton Language and Intelligence (PLI), Princeton University（普林斯顿语言与智能研究所（PLI）、普林斯顿大学）
AI总结 本研究通过倒计时任务分析强化学习后训练如何诱导技能组合，揭示了模型在不同树结构上的学习顺序和泛化能力差异。
评估反事实世界中的模型误差
机构 * Department of Ecology and Evolutionary Biology, Princeton University（生态与进化生物学系，普林斯顿大学） ； Department of Epidemiology, University of North Carolina at Chapel Hill（流行病学系，北卡罗来纳大学教堂山分校）
AI总结 本文提出三种方法评估反事实世界中的模型误差，并探讨了场景设计的关键要素以提高预测的可评估性。
多尺度指导基于异质冷冻电镜数据的蛋白质结构预测
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
AI总结 CryoBoltz通过结合冷冻电镜密度图与蛋白质结构预测模型，实现对动态生物分子复合物构象多样性的多尺度指导预测。
Comments NeurIPS 2025
不同的提示方法是否会在语言模型中产生共同的任务表示？
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； New York University（纽约大学） ； Princeton University（普林斯顿大学）
AI总结 研究通过函数向量分析不同提示方法对语言模型任务表示的影响，发现不同提示形式导致不同的任务机制，支持结合指令和演示的实践。
Comments 10 pages, 4 figures; presented at NeurIPS 2025
相位码在为模运算优化的递归神经网络中出现
机构 * Princeton Neuroscience Institute（普林斯顿神经科学研究所） ； Princeton University（普林斯顿大学）
AI总结 研究发现，在无振荡偏置的条件下，RNNs可通过任务优化自然产生相位码解，并揭示了RNNs在模运算任务中存在多种不同动态机制的解。
Comments UniReps: 3rd Edition of the Workshop on Unifying Representations in Neural Models
VLMs有隧道视野：评估领先VLMs的非局部视觉推理能力
机构 * Princeton University（普林斯顿大学）
AI总结 本文评估了领先VLMs的非局部视觉推理能力，发现其在复杂视觉任务上表现不佳，缺乏人类核心视觉推理能力。
WARP-LUTs -- 基于沃尔什辅助的概率查找表放松方法
机构 * Princeton University（普林斯顿大学） ； University of Bonn（波恩大学）
AI总结 WARP-LUTs是一种基于梯度的新型方法，通过减少可训练参数高效学习逻辑门组合，实现比DLGNs更快的收敛速度和更高的部署效率。
Comments Preprint. Under review
关于偏好方差在偏好优化中的作用
机构 * Department of Electrical & Computer Engineering（电气与计算机工程系） ； Princeton University（普林斯顿大学） ； AI Lab（人工智能实验室）
AI总结 本研究探讨了偏好方差在偏好优化中的作用，发现高方差提示在训练大型语言模型时表现更优。
LLM推理过程错误识别中的时序一致性
机构 * Department of Electrical & Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； AI Lab, Princeton University（普林斯顿大学人工智能实验室） ； Department of Computer Science & Engineering, University of Michigan（密歇根大学计算机科学与工程系）
AI总结 本文提出了一种基于时序一致性的LLM推理过程错误识别方法，通过迭代自我反思提升验证准确性，在多个基准测试中实现了优于基线方法的性能。
AdvancedIF：基于规则的基准测试与强化学习以推进大语言模型指令跟随
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Princeton University（普林斯顿大学）
AI总结 本研究提出AdvancedIF基准和RIFL方法，通过规则生成和奖励塑造提升大语言模型的指令跟随能力，在AdvancedIF上实现6.7%的提升。
如何找到非凡的AI论文：自我排名作为预测科学影响的强大指标超越同行评审
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； New York University（纽约大学） ； Princeton University（普林斯顿大学）
AI总结 本文通过研究作者自我排名发现其能有效预测AI领域高影响力论文，优于同行评审。
Vendi信息增益用于主动学习及其在生态学中的应用
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Vertaix
AI总结 VIG通过选择对数据集整体预测不确定性影响最大的图像，提升主动学习在生态学中的效率与准确性。
Comments Accepted at the AAAI Workshop on AI to Accelerate Science and Engineering (AI2ASE) 2026
无Oracle的进化：通过LLM裁判驱动有效进化
机构 * Stanford University（斯坦福大学） ； City University of Hong Kong（香港城市大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出MADE框架，通过问题规范减少LLM反馈噪声，实现无Oracle的进化优化，在软件需求满足和复杂指令跟随任务中取得显著成效。
Comments 14 pages, 5 figures
通过多尺度推理方案利用扩散模型预测部分可观测的动力系统
机构 * The Polymathic AI Collaboration（多学科人工智能协作） ； Flatiron Institute（Flatiron研究所） ； University of Geneva（日内瓦大学） ； FHNW（FHNW大学） ； Princeton University（普林斯顿大学） ； New York University（纽约大学） ； University of Cambridge（剑桥大学） ； University of Kyiv（基辅大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Liège（列日大学） ； NorthWest Research Associates（北威州研究协会） ； Nagoya University（名古屋大学） ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM（巴黎萨克雷大学、巴黎cité大学、CEA、CNRS、AIM）
AI总结 本文提出一种多尺度推理方案，利用扩散模型有效预测部分可观测的长记忆动力系统，应用于太阳动态和活跃区域演化。
认知基础与推理及其在大语言模型中的体现
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本文通过分析LLMs推理机制，揭示其在复杂问题上的表现优于简单变体，提出基于认知科学的28项元素分类，并开发测试时推理指导方法，提升复杂问题性能达66.7%。
Comments 40 pages, 4 tables, 6 figures
加速目标条件强化学习算法与研究
机构 * Warsaw University of Technology（华沙技术大学） ； University of Warsaw（华沙大学） ； UC Berkeley（伯克利大学） ； Jagiellonian University（雅盖隆大学） ； Polish Academy of Sciences（波兰科学院） ； IDEAS NCBR ； Princeton University（普林斯顿大学）
AI总结 本文提出JaxGCRL框架，通过高效算法和GPU加速技术显著提升目标条件强化学习的训练效率，并评估对比学习中的关键设计以稳定训练性能。
Comments Published at ICLR 2025 (Spotlight). Website: https://michalbortkiewicz.github.io/JaxGCRL/ Code: https://github.com/MichalBortkiewicz/JaxGCRL
Journal ref International Conference on Learning Representations (ICLR), 2025
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