高校专区
世界源于运动：从单目视频生成动态高斯重建
机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达）
AI总结 提出World from Motion方法，利用视频模型从单目视频生成可自由渲染的动态3D高斯表示，通过像素对齐渲染校正伪影并填充缺失区域，实现4D重建新高度。
Comments Project page: https://research.nvidia.com/labs/amri/projects/world-from-motion/
ROSA: 面向机器人工厂的基础模型服务系统
机构 * NVIDIA Research（英伟达研究院） ； Stanford University（斯坦福大学）
AI总结 提出ROSA系统，通过共享GPU池服务、多模型流水线支持和工厂目标驱动调度，将机器人工厂的RFM推理性能提升12倍以上。
SuperFlex: 用于点云分解的可变形超二次曲面
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； IMPA（巴西国家纯数学与应用数学研究所） ； USI Lugano（卢加诺大学）
AI总结 提出SuperFlex框架，通过新损失函数、弯曲和锥形变形提升超二次曲面分解精度，并利用高质量分解训练模型以鲁棒处理部分点云。
Comments Project page: https://superflex3d.github.io
Active-GRPO：用于分子优化的自适应模仿与自我改进推理
机构 * School of Medicine, Stanford University（斯坦福大学医学院） ； Data Science Institute, University of Chicago（芝加哥大学数据科学研究所） ； Pritzker School of Molecular Engineering, University of Chicago（芝加哥大学普利兹克分子工程学院） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） ； Argonne National Laboratory（阿贡国家实验室）
AI总结 提出Active-GRPO方法，通过主动模仿-强化和主动参考机制，在分子优化中自适应平衡模仿与自我改进，显著提升性能。
建构性对齐：人机交互中的偏好动态治理
机构 * Stanford University（斯坦福大学） ； Northwestern University（西北大学）
AI总结 提出建构性对齐范式，将对齐问题重构为控制人类偏好轨迹演化的控制问题，而非静态偏好满足，通过控制论框架确保价值轨迹的连贯性与反思性。
Comments 23 pages, 1 figure; Proceedings of the AAAI-26 Workshop on Machine Ethics
AutoMem：自动化学习记忆作为认知技能
机构 * Stanford University（斯坦福大学）
AI总结 提出AutoMem框架，通过双循环自动优化LLM的记忆管理结构和使用能力，在长时域任务中提升性能约2-4倍。
Comments Project Website: https://autolearnmem.github.io/
QuasiMoTTo: 准蒙特卡洛测试时扩展
机构 * Stanford University（斯坦福大学）
AI总结 提出QuasiMoTTo方法，利用准蒙特卡洛相关采样替代独立同分布采样，在推理和强化学习中减少冗余，以更少样本达到相同性能。
蒸馏检测：通过弹药筒蒸馏揭露大语言模型中的隐蔽偏见
机构 * Stanford University（斯坦福大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Foundation AI–Cisco Systems Inc.（Foundation AI–思科系统公司）
AI总结 提出Distill to Detect (D2D)方法，通过蒸馏模型与基座之间的分布偏移到KV缓存前缀适配器中，放大隐蔽偏见信号至可检测程度，并基于Fisher加权投影理论解释其有效性。
Comments Accepted to the ICML 2026 Workshops on TAIGR, AI4GOOD, Mechanistic Interpretability, and CoLoRAI
超越专家用户：智能体应帮助用户构建偏好，而不仅仅是引出偏好
机构 * Stanford University（斯坦福大学）
AI总结 本文提出用户通常不具备完整偏好，智能体应通过示例或解释帮助用户学习领域知识以构建偏好，并基于信息经济学引入CoPref模型，在推荐系统中通过CoShop基准测试发现现有智能体表现不佳。
Comments Update URLs
从先验到专家：通过分布收缩强化学习微调实现高效技能掌握
机构 * Stanford University（斯坦福大学）
AI总结 提出DICE-RL框架，将强化学习作为分布收缩算子，通过在线反馈放大高成功行为，将预训练行为先验微调为高性能专家策略，实现稳定、样本高效的复杂操作技能掌握。
比较错觉的梯度强度由贝叶斯推断解释
机构 * Stanford University（斯坦福大学）
AI总结 本研究通过贝叶斯噪声信道模型，结合统计语言模型与人类行为数据，定量预测比较错觉的强度梯度，并解释代词与完整名词短语主语差异的新效应。
Comments 52 pages, 7 figures
Sheet Music Benchmark: 标准化光学乐谱识别评估
机构 * Pattern Recognition and Artificial Intelligence Group, University of Alicante, Spain（西班牙阿利坎特大学模式识别与人工智能组） ； Self-employed（自雇人士） ； Center for Computer Research in Music and Acoustics, Stanford University, USA（美国斯坦福大学音乐与声学计算机研究中心） ； Instituto Superior de Enseñanzas Artísticas de la Comunidad Valenciana, Spain（西班牙瓦伦西亚自治区高等艺术教育研究所）
AI总结 提出Sheet Music Benchmark (SMB)数据集和OMR标准化编辑距离(OMR-NED)指标，用于标准化光学乐谱识别(OMR)评估，涵盖多种音乐纹理和细粒度错误分析。
Comments Accepted at the 26th International Society for Music Information Retrieval Conference (ISMIR)
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