高校专区
在Valiant的学习理论中可学习的是什么？
机构 * Purdue University（普渡大学） ； Stanford University（斯坦福大学） ； Google Research（谷歌研究） ； Yale University（耶鲁大学）
AI总结 本文研究了Valiant学习模型中可学习的类别，发现其严格介于PAC模型和无成员查询的变体之间，并首次提出了半空间在该模型中的学习算法。
Comments Abstract shortened for arXiv
在地质不确定性下的自适应采矿规划：一个用于序列决策的POMDP框架
机构 * Geology & Sustainable Mining Institute (GSMI), University Mohammed VI Polytechnic (UM6P)（地质与可持续采矿研究所（GSMI），穆罕默德六世理工学院（UM6P）） ； Department of Earth and Planetary Sciences, Stanford University（地球与行星科学系，斯坦福大学）
AI总结 本文提出将采矿调度建模为部分可观测马尔可夫决策过程，通过混合SA-POMDP架构实现自适应决策，减少预期现实差距并提升净现值。
OSDN：通过可证明的在线预条件化改进Delta规则
机构 * Shanghai Jiao Tong University（上海交通大学） ； Northwestern University（西北大学） ； Huazhong University of Science and Technology（华中科技大学） ； Stanford University（斯坦福大学）
AI总结 OSDN通过在线预条件化改进Delta规则，通过在线更新对角预条件器提升特征曲率处理，理论证明其收敛性和泛化能力，在大规模参数下提升上下文回忆性能。
ClassInvGen：利用大语言模型进行类不变式合成
机构 * Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； Purdue University（普渡大学）
AI总结 本文提出ClassInvGen，利用大语言模型生成C++等主流语言的可执行类不变式及测试输入，优于纯LLM方法和Daikon等传统技术，提供基准测试和案例研究验证其有效性。
OCH3R: 以对象为中心的全局3D重建
机构 * Stanford University（斯坦福大学）
AI总结 OCH3R提出一种统一框架，从单张RGB图像实现以对象为中心的全局3D重建，通过单次前向传递预测所有对象实例的6D位姿和详细3D重建，提升效率与鲁棒性。
WildPose：一种在动态环境中鲁棒的姿态估计统一框架
机构 * Stanford University（斯坦福大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出WildPose，一种统一的单目姿态估计框架，能鲁棒地处理动态环境并在静态和低自我运动数据集上保持最先进的性能。通过结合前馈模型的丰富感知前端和可微捆调整优化，该框架在动态、静态和低自我运动基准测试中均优于现有方法。
视觉审美基准：前沿模型能评判美吗？
机构 * Bake AI ； University of Washington（华盛顿大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Stanford University（斯坦福大学） ； University of Notre Dame（诺丁汉大学） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Western Washington University（西雅图华盛顿大学） ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城）
AI总结 本文提出视觉审美基准（VAB），通过比较选择评估审美，发现前沿模型在判断最佳和最差图像时表现逊于人类专家，表明需进一步改进。
Comments Project page: https://vab.bakelab.ai. Code: https://github.com/BakeLab/Visual-Aesthetic-Benchmark. Dataset: https://huggingface.co/datasets/BakeLab/Visual-Aesthetic-Benchmark
言者无罪，沟通艰难：多智能体谈判中的动态 grounding 故障与修复
机构 * Stanford University（斯坦福大学）
AI总结 本文研究多智能体谈判中动态 grounding 的故障与修复，通过多轮谈判游戏揭示四类失败模式，发现协调瓶颈在于动态 grounding 而非个体推理或信息不足。
Topo-R1: 通过视觉-语言模型检测拓扑异常
机构 * Stony Brook University（石溪大学） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Stanford University（斯坦福大学） ； Penn State University（宾夕法尼亚州立大学）
AI总结 本文通过构建拓扑感知基准Topo-R1，评估视觉-语言模型在检测管状网络拓扑异常中的能力，发现现有模型缺乏拓扑感知，提出基于拓扑感知奖励的联合评分方法，显著提升模型在ID和OOD测试中的性能。
Comments 26 pages, 6 figures
何时快速与缓慢思考？AMOR：适应性熵门用于混合模型
机构 * The University of Chicago（芝加哥大学） ； Stanford University（斯坦福大学）
AI总结 AMOR通过根据预测不确定性选择性调用注意力，提升混合模型的效率与鲁棒性，优于传统递归和固定调度方法。
扩散模型的能量缩放规律：量化图像生成中的计算需求
机构 * Stanford University（斯坦福大学） ； AXA AI Research（AXA人工智能研究）
AI总结 本文提出基于计算复杂度(FLOPs)的扩散模型GPU能耗预测方法，通过分解推理过程中的文本编码、去噪和解码步骤，验证去噪操作主导能耗，并在四种先进模型和三种GPU架构上验证了预测准确性与跨架构泛化能力。
Comments Accepted at ACM Conference on Fairness, Accountability, and Transparency (FAccT) 2026
CodeClash：面向目标导向软件工程的基准测试
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Cornell University（康奈尔大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 CodeClash通过多轮竞赛评估语言模型在无明确指导下迭代开发代码以实现开放性目标的能力，揭示了模型在战略推理和长期代码维护方面的局限性。
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