高校专区
CubePart: 一种开放词汇、部件可控的3D生成器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 提出CubePart框架，通过开放词汇的部件模式实现用户定义的部件级3D网格生成，无需后处理即可直接用于游戏引擎。
Comments SIGGRAPH 2026. Project Page: https://cubepart.github.io/
构建以社区为中心的普诺克丘亚语自然语言处理资源
机构 * University of Cambridge (UK)（剑桥大学（英国）） ； Stanford University (USA)（斯坦福大学（美国）） ； ERTIM - Inalco (France)（ERTIM - Inalco（法国））
AI总结 通过参与式设计收集66小时语音数据，微调Whisper-base等模型，首次为普诺克丘亚语建立ASR基准并开源所有资源。
Comments Sixth Workshop on NLP for Indigenous Languages of the Americas (AmericasNLP 2026), co-located with ACL 2026
OR-Space：面向工业优化智能体的全生命周期工作空间基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai University of Finance and Economics（上海财经大学） ； Stanford University（斯坦福大学）
AI总结 提出OR-Space基准，通过构建、修订和解释三种任务模式，评估大语言模型智能体在工业优化工作流中的可靠性。
Comments 34 pages, 8 figures
反向传播是最优的吗？合成梯度何时提高样本效率
机构 * Stanford University（斯坦福大学）
AI总结 本文通过理论分析，提出合成梯度作为反向传播的替代方案，并证明在某些条件下合成梯度能实现更低的梯度估计均方误差，从而显著提高样本效率。
当图文推理遇上安全：什么决定了多模态越狱鲁棒性？
机构 * Independent Researcher（独立研究者） ； Stanford University（斯坦福大学） ； Harvard University（哈佛大学） ； Purdue University（普渡大学） ； Duke University（杜克大学）
AI总结 本文研究多模态大语言模型中不同图文推理范式对越狱鲁棒性的影响，发现显式图像工具交互能显著降低攻击成功率，并通过引入图像工具安全向量框架从表征层面解释其机制。
Comments 17 pages, 6 figures, 7 tables
Garment Particles: 一种用于生成和编辑的2D-3D对称服装表示
机构 * Stanford University USA（斯坦福大学） ； The University of Tokyo Japan（东京大学） ； Institute of Science Tokyo Japan（东京科学研究所） ； ETH Zurich Switzerland（苏黎世联邦理工学院）
AI总结 提出Garment Particles，一种5D点云表示，联合编码2D裁剪图和3D几何，通过Garment Particles Flow框架支持从高级输入生成和多种编辑操作，实现最先进的服装生成效果。
语音“克隆”是风格迁移
机构 * Cornell University（康奈尔大学） ； TogetherAI ； Stanford University（斯坦福大学）
AI总结 研究发现语音克隆并非忠实复制原声，而是系统性地应用风格迁移，使克隆语音更权威、温暖、客服化且更人性化，导致说话者特征同质化，并影响人类信任与行为。
通过Wasserstein梯度流的一步生成建模
机构 * Stanford University（斯坦福大学） ； ByteDance（字节跳动）
AI总结 提出W-Flow框架，通过Wasserstein梯度流将参考分布到目标分布的演化压缩为一步生成，结合Sinkhorn散度实现高效最优传输，在ImageNet 256×256上达到1.29 FID且采样速度提升约100倍。
Comments 40 pages, 14 figures
LLMs 并非（一致地）贝叶斯：量化 LLMs 概率信念的内部（不）一致性
机构 * Apple（苹果公司） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学）
AI总结 本文引入信息处理差距来研究 LLMs 在更新概率信念时的内部不一致性，发现非贝叶斯启发式更新在下游任务中常优于精确贝叶斯计算，表明 LLMs 的世界概率模型存在错误设定。
扩散模型的原理
机构 * MIT Press（MIT出版社） ； Sony AI（索尼人工智能） ； OpenAI（开放人工智能） ； Stanford University（斯坦福大学） ； Sony Group Corporation（索尼集团）
AI总结 本文从变分、基于分数和基于流三种视角统一阐述扩散模型的数学原理，并讨论可控生成、高效求解器和流映射模型等扩展。
Comments Supplementary materials for the book are available at the book website: https://the-principles-of-diffusion-models.github.io/
马氏距离用于分布外检测的贝叶斯非参数视角
机构 * Electrical and Computer Engineering Department（电气与计算机工程系） ； Duke University（杜克大学） ； Statistics Department（统计学系） ； Stanford University（斯坦福大学） ； Wu Tsai Neurosciences Institute（吴泰教授神经科学研究所）
AI总结 本文通过建立贝叶斯非参数模型与相对马氏距离评分（RMDS）之间的形式关系，提出具有分层先验的贝叶斯非参数混合模型来推广RMDS，并在OpenOOD基准上证明其在训练类协方差结构不同且每类数据点较少时优于现有方法。
Comments 32 pages, 5 figures, code is available at https://github.com/rwl93/bnp4ood
Journal ref Transactions on Machine Learning Research (2026)
CANDOR: 反事实注释的双重稳健离策略评估
机构 * Stanford University（斯坦福大学） ； Emory University（埃默里大学） ； Columbia University（哥伦比亚大学） ； University of Michigan（密歇根大学） ； The Gladstone Institutes（加利福尼亚大学旧金山分校格罗斯曼研究所）
AI总结 提出基于双重稳健框架的离策略评估方法，通过仅在奖励模型组件中融入反事实注释，在理论保证和实验上优于其他策略。
Comments 11 pages, published in the conference proceedings of the Conference on Health Inference and Learning (2026)
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