高校专区
小型LLM：剪枝 vs. 从头训练
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 本文通过六种剪枝方法在Llama-3.1-8B上比较剪枝与从头训练，发现有限预算下剪枝更优，预算充足时粗粒度剪枝可被超越。
Comments Our code is available at https://github.com/zlab-princeton/pruning-vs-scratch
Samudra 2: 跨分辨率扩展海洋仿真器
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（Courant学院数学、计算与数据科学系，纽约大学） ； Open Athena AI Foundation, Inc.（开放Athena人工智能基金会） ； Program in Atmospheric and Oceanic Sciences, Princeton University（大气与海洋科学项目，普林斯顿大学）
AI总结 针对现有海洋神经仿真器在长期自回归滚动中出现的方差崩溃和印记伪影问题，提出Samudra 2，通过改进U-Net骨干网络和动态损失函数，在1°分辨率下将上层海洋全球平均温度R²从0.56提升至0.87，并将深层海洋温度误差降低约七倍，且可扩展至1/2°和1/4°分辨率。
自生成：一种自我进化代理协议
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出了一种自生成协议（AGP），该协议通过分离进化内容与进化过程，解决了现有代理协议在跨实体生命周期管理、版本追踪和安全更新接口方面的不足。基于AGP，作者展示了自生成系统（AGS），该系统能够动态实例化、检索和优化协议注册的资源，通过多个具有长视界规划和工具使用的挑战性基准测试，验证了代理资源管理和闭环自我进化的有效性。
基于流形学习的个性化和无标签心律失常检测
机构 * Department of Electrical and Computer Engineering, Princeton University, Princeton, 08544, New Jersey, USA（电气与计算机工程系，普林斯顿大学） ； Princeton Precision Health, Princeton University, Princeton, 08544, New Jersey, USA（普林斯顿精准健康，普林斯顿大学） ； Omenn-Darling Bioengineering Institute, Princeton University, 35 Ivy Lane, Princeton, 08540, New Jersey, USA（Omenn-Darling生物工程研究所，普林斯顿大学）
AI总结 本文提出利用非线性降维方法在无监督条件下检测心律失常，通过MIT-BIH数据库验证，NLDR能有效区分正常与异常心跳，实现高准确率分类。
Journal ref Informatics in Medicine Unlocked 64 (2026) 101770
Agent技能框架：中小型语言模型在工业环境中的潜力视角
机构 * University of Luxembourg（卢森堡大学） ； Foyer S.A.（Foyer公司） ； Princeton University（普林斯顿大学） ； Université Paris-Saclay（巴黎萨克雷大学）
AI总结 研究在资源受限的工业场景中，中小型开源语言模型（270M-80B）使用Agent技能的效果，发现30B-80B模型受益显著，而小型模型技能选择困难，思考变体提升有限且增加GPU开销。
Comments 12 pages
随机层次模型与层次化浅到深链的可证明学习
机构 * Princeton University（普林斯顿大学） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对深度网络能否高效利用层次结构的问题，证明在温和条件下深度卷积网络可高效学习随机层次模型，并提出逐层训练策略。
Comments COLT 2026
从大型语言模型中元学习生态先验解释人类学习与决策
机构 * Institute for Human-Centered AI, Helmholtz Computational Health Center（以人为本的人工智能研究所，海德堡计算健康中心） ； Computational Principles of Intelligence, Max Planck Institute for Biological Cybernetics（计算智能原理，马克斯·普朗克生物 cybernetics 研究院） ； Eberhard Karls University of Tübingen（图宾根大学） ； Princeton AI Lab, Princeton University（普林斯顿大学人工智能实验室）
AI总结 提出生态理性分析框架，利用大语言模型生成生态有效任务，通过元学习得到ERMI算法，该算法内化自然问题空间的统计规律，灵活适应新情境，在15个实验中优于多个认知模型，表明人类认知可能反映对日常问题生态结构的适应性对齐。
缓解多图像理解中大型视觉语言模型的跨图像信息泄露
机构 * Sogang University（ソガン大学） ； Princeton University（普林斯顿大学） ； NAVER AI Lab（NAVER AI实验室）
AI总结 针对大型视觉语言模型在多图像输入时性能下降的问题，提出无需训练且架构无关的FOCUS方法，通过随机噪声掩码和噪声参考输入抑制跨图像信息泄露，显著提升多图像和视频理解性能。
Comments Source code is available at https://github.com/yejipark-m/FOCUS
最优学习的统计物理框架
机构 * Joseph Henry Laboratories of Physics, Princeton University（普林斯顿大学物理系Joseph Henry实验室） ； Graduate Center, City University of New York（纽约市立大学研究生中心） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心）
AI总结 结合统计物理与控制论，在高维极限下推导出跟踪随机梯度下降的常微分方程，将学习协议设计转化为最优控制问题，并应用于课程学习、自适应dropout和去噪自编码器噪声调度，揭示最优协议如何平衡学习权衡。
Comments 29 pages, 10 figures
Journal ref PNAS Nexus, Volume 5, Issue 6, June 2026, pgag182
衡量AI辅助内容生成中的人类贡献
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学）
AI总结 针对AI辅助内容生成中人类贡献度难以量化的问题，提出基于信息论的框架，通过互信息与自信息之比计算人类信息贡献比例，实验证明能有效区分不同创意领域的人类贡献程度。
隐私保护子空间投影的比率效用与成本分析
机构 * Princeton University Department of Electrical Engineering（普林斯顿大学电气工程系）
AI总结 提出基于压缩隐私的RUCA方法，通过比率效用与成本分析优化效用-隐私权衡，在隐私敏感分类任务中最大化性能并最小化隐私推断能力，实验表明优于现有技术。
Comments Submitted to ICASSP 2017
类人自主性从自我对弈和少量人类数据中涌现
机构 * NYU Tandon School of Engineering（纽约大学坦登工程学院） ； NYU Courant（纽约大学库朗数学科学研究所） ； Princeton University（普林斯顿大学） ； Centre for Robotics, Mines Paris（巴黎矿业大学机器人中心） ； Valeo（法雷奥）
AI总结 提出一种结合自我对弈强化学习与少量人类演示的正则化方法，仅用30分钟人类数据即可训练出与人类协调的驾驶策略，训练时间仅15小时。
Comments 10 pages
太阳高能粒子预测的机器学习模型综述
机构 * Department of Astrophysical Sciences, Princeton University, Princeton, NJ, USA ； Computational Physics Branch, NASA Ames Research Center, Moffett Field, CA, USA ； Department of Computer Science, Utah State University, Logan, UT, USA ； Space Radiation Analysis Group, NASA Johnson Space Center, Houston, TX, USA ； Johns Hopkins Applied Physics Lab, 11100 Johns Hopkins Rd, Laurel, MD 20723, United States ； Research Center for Astronomy ； Applied Mathematics of the Academy of Athens, 4 Soranou Efesiou Street, Athens 11527, Greece ； Institute for Astronomy, Astrophysics, Space Applications ； Southwest Research Institute, Boulder, CO, USA ； Space Science Center, University of New Hampshire, Durham, NH, USA ； Department of Physics, New Jersey Institute of Technology, Newark, NJ, USA ； Astronomy Department, Georgia State University, Atlanta, GA, USA ； Department of Computer Science, Princeton University, Princeton, NJ, USA ； Department of Mathematics, Rowan University, Glassboro, NJ, USA ； Astronomy, California Institute of Technology, Pasadena, CA, USA ； Department of Physics, National ； Kapodistrian University of Athens, Athens, Greece ； School of Electrical ； Computer Engineering, Technical University of Crete, Chania, Greece ； Department of Astronomy ； Meteorology, Faculty of Science, Al-Azhar University, Cairo, Egypt ； Space Sciences Lab, University of California, Berkeley, CA, USA ； Research Consultancy, Athens, Greece ； Institute for Space Astrophysics ； Department of Physics ； Astronomy, Georgia State University, Atlanta, GA 30303, USA ； Aryabhatta Research Institute of Observational Sciences (ARIES), Manora Peak, Nainital-263001, Uttarakhand, India ； Department of Computer Science, Oxford University, Oxford, England ； Southwest Research Institute, San Antonio, TX, USA ； Computer Science Department, New Jersey Institute of Technology, Newark, NJ, USA ； Department of Physics, University of California San Diego, La Jolla, CA 92093, USA ； Department of Computer Science, Georgia State University, Atlanta, GA 30303, USA ； Department of Climate ； Engineering, University of Michigan, Ann Arbor, MI, USA ； Department of Statistics, University of Michigan, Ann Arbor, MI, USA ； Department of Electrical Engineering ； Computer Science, Florida Institute of Technology, Melbourne, FL, USA ； Astrophysics Section, School of Cosmic Physics, Dublin Institute for Advanced Studies, DIAS Dunsink Observatory, Dublin D15 XR2R, Ireland ； Institute of Astronomy of the Bulgarian Academy of Sciences, Sofia, Bulgaria ； Center for Solar-Terrestrial Research, New Jersey Institute of Technology, Newark, NJ 07102, USA ； Cooperative Programs for the Advancement of Earth System Science, University Corporation for Atmospheric Research, Boulder, CO, USA ； CIRES, University of Colorado Boulder, Boulder, CO, USA ； Space Weather Prediction Center, NOAA, Boulder, CO, USA ； Astronomy, College of Science, The University of Texas at San Antonio, San Antonio, TX, USA ； Space Weather Prediction Center, National Oceanic ； The University of Texas at San Antonio, San Antonio, TX, USA ； Environmental Research, Inc., MA, USA
AI总结 综述了用于太阳高能粒子预测的机器学习模型，包括数据集、架构、输入输出比较，并提出了未来研究建议。
Comments Review Paper, Maine text: 23 pages, References: 5 pages, Appendix: 42 pages
Science Earth: 迈向面向AI原生科学发现的行星级操作系统
机构 * Department of Pathology, Department of Genetics, Stanford University School of Medicine（病理学系、遗传学系，斯坦福大学医学院） ； Princeton AI Lab, Department of Electrical & Computer Engineering, Princeton University（普林斯顿人工智能实验室、电气与计算机工程系，普林斯顿大学） ； Scripps Research, La Jolla, CA, USA（斯克里普斯研究机构，洛杉矶，加利福尼亚州，美国） ； Division of Biostatistics, Department of Population Health, New York University Grossman School of Medicine（生物统计学部、人口健康系，纽约大学格罗斯曼医学院） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Department of Computer Science, Yale University（计算机科学系，耶鲁大学） ； Department of Physics, Princeton University（物理系，普林斯顿大学）
AI总结 提出Science Earth行星级科学运行时，通过EACN协议实现AI能力动态连接与自组织协作，在跨太平洋Kuramoto同步研究和单细胞分析中验证了分布式自校正科学推理。
Comments Withdrawn by the authors. (1) The author list and authorship roles had not been finalized and agreed upon by all listed authors prior to submission. (2) The specific contribution of the system in the K3 synchronization example (Section on Kuramoto/nonlinear physics) requires further validation before it can be reported. The authors are addressing both points and may resubmit a corrected version.
MixSD: 混合上下文自蒸馏用于知识注入
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室，多伦多大学及向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Princeton University（普林斯顿大学） ； Cornell University（康奈尔大学） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所AIP） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； EuroSafeAI
AI总结 本文提出MixSD方法，通过混合模型自身条件下的token来实现与模型生成分布对齐的知识注入，从而在保持预训练能力的同时提升事实记忆和推理能力。
Vero: 通用视觉推理的开放RL配方
机构 * Princeton University（普林斯顿大学）
AI总结 提出Vero系列开放视觉语言模型，通过构建600K样本数据集Vero-600K和任务路由奖励，在30个基准测试中平均提升2.9-5.4点，Vero-Qwen3I-8B超越Qwen3-VL-8B-Thinking 3.8点。
Comments Project page: https://vero-reasoning.github.io/
视觉验证实现推理时引导与自主策略改进
机构 * Princeton University（普林斯顿大学）
AI总结 提出VERITAS框架，利用预训练通用机器人策略作为生成器，结合无梯度视觉验证器在推理时评估动作，实现无需额外训练的推理时策略引导和离线策略改进。
Comments Website: https://veritas-improvement.github.io
AI在跨国劳动力中的采纳：人力资源中GenAI接受的社会技术条件
机构 * Technical University of Munich（慕尼黑技术大学） ； University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学）
AI总结 研究跨国科技公司从传统HR系统转向GenAI系统过程中，员工采纳受情境适配、搜索素养和信任校准等社会技术条件影响，并提出了包容性部署的设计建议。
使用认知模型改进语言模型对人类说服博弈的模拟
机构 * Princeton University（普林斯顿大学）
AI总结 提出方程到行为提示和强化学习方法，使语言模型匹配认知模型（如贝叶斯更新、动机推理），在说服博弈中提升模拟人类决策多样性的能力。
人类与视觉语言模型之间的注意力对齐
机构 * 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 Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Psychology and Center for Computational Language Sciences, University of Southern California（南加州大学心理学系与计算语言科学中心） ； Department of Psychology, Université de Montréal（蒙特利尔大学心理学系）
AI总结 本研究比较了六种视觉语言模型的空间注意力图与人类注视热图，发现解码器架构（LSTM vs Transformer）主导对齐程度，LSTM解码器对齐度更高但空间分散且任务区分度低，而Transformer解码器注意力更集中且任务区分度强。
上下文感知强化学习用于智能体与多模态大语言模型
机构 * Princeton University（普林斯顿大学） ； UC Davis（加州大学戴维斯分校）
AI总结 提出ContextRL方法，通过间接辅助目标（上下文选择奖励）增强大模型在长上下文和多模态任务中的细粒度推理能力，在5个长程基准和12个视觉问答基准上分别提升+2.2%和+1.8%。
Comments 29 pages, 9 figures
奇妙预训练优化器及其发现之处 II：超球优化
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学）
AI总结 针对Muon等优化器在大模型预训练中增益随规模增大而减弱的问题，提出Hyperball包装器，固定权重矩阵及其更新的Frobenius范数，在1.2B参数模型上实现20-30%的token等效加速，并改善学习率迁移。
Comments Corresponding blog post: https://psychedelic-sunstone-851.notion.site/Fantastic-Pretraining-Optimizers-and-Where-to-Find-Them-2-1-Hyperball-Optimization-2e924306e6f280e7a5ffee00eb40a0dd
深度变换器中的自适应推理与函数向量
机构 * Joseph Henry Laboratories of Physics, Princeton University（普林斯顿大学约瑟夫·亨利物理实验室）
AI总结 提出深度变换器作为平均场交互系统实现分布式推理的理论，利用函数向量逐层推断潜在上下文变量，在上下文回归任务中预测非高斯分层结构与深度的关系，并通过约束线性注意力变换器验证。
快速投毒：针对快速响应框架的实用投毒攻击
机构 * Princeton University（普林斯顿大学）
AI总结 揭示针对快速响应框架的投毒攻击，通过提示注入在训练集中植入恶意样本，实现目标性投毒和概念后门攻击，仅1%投毒率即可导致高达100%误报率和96%漏报率。
Comments Spotlight at ICML 2026
基于物理信息神经场的动态黑洞发射断层成像
机构 * Caltech（加州理工学院） ； MIT（麻省理工学院） ； NSF IAIFI（国家科学基金会IAIFI） ； Princeton University（普林斯顿大学） ； Niels Bohr International Academy（尼尔斯·玻尔国际学院） ； University of Toronto（多伦多大学）
AI总结 提出PI-DEF方法，利用可微神经渲染从EHT测量数据中联合重建4D发射率场和3D速度场，以软约束方式引入物理信息，在模拟数据上显著优于现有方法。
Comments CVPR 2026
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
MedCollab：基于IBIS引导的多智能体协作与分层疾病关系链的临床诊断
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） ； Rupert-Karls-University Heidelberg（海德堡鲁珀特-卡尔大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Children’s Hospital, Zhejiang University School of Medicine, National Clinical Research Center for Children and Adolescents’ Health and Diseases（浙江大学医学院儿童医院，国家儿童青少年健康与疾病临床研究中心）
AI总结 提出MedCollab框架，通过IBIS结构化论证和分层疾病关系链（HDRC）增强多智能体协作，提升临床诊断的准确性、可追溯性和报告质量。
逃离认知陷阱：使用现成模型高效解决竞赛数学问题
机构 * Princeton University（普林斯顿大学） ； Princeton Language and Intelligence（普林斯顿语言与智能）
AI总结 提出一种推理流水线，利用现成模型以极低成本在IMO风格数学问题上达到最佳性能，通过猜想提取和上下文分离解决求解器-评分器流水线中的认知陷阱问题。
基于共振-放电神经元的神经形态无线分割计算
机构 * Department of Engineering, King’s College London（工程系，伦敦国王学院） ； Department of Electrical and Computer Engineering, Princeton University（电气与计算机工程系，普林斯顿大学） ； Institute for Intelligent Networked Systems, Northeastern University London（智能网络化系统研究所，伦敦东北大学）
AI总结 提出一种利用共振-放电神经元直接处理时域信号的无线分割计算架构，通过振荡动力学提取谱特征，降低脉冲率和能耗，在音频和调制分类任务中达到与传统方法相当的精度。
注意力，而非规模，驱动多模态语言预测中的人机对齐
机构 * Psychology and Language Science, Experimental Psychology, University College London, London, UK（心理学与语言科学、实验心理学，伦敦大学学院，伦敦，英国） ； Google Deepmind, Mountain View, US（谷歌DeepMind，山景城，美国） ； Princeton Neuroscience Institute, Princeton University, Princeton, NJ, USA（普林斯顿神经科学研究所，普林斯顿大学，普林斯顿，新泽西州，美国） ； Computer Science Department, Exeter University（计算机科学系，埃克塞特大学）
AI总结 本研究通过比较五种视觉-语言模型与600名人类在视觉世界范式中的表现，发现添加视觉上下文显著提升模型与人类在预测评分上的一致性，且注意力机制而非模型规模是主要驱动因素。
Comments 39 pages, 6 Figures, published in NPJ Artificial Intelligence
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