高校专区
重构：从预发表参考文献中恢复研究思路的盲基准
机构 * Stanford University（斯坦福大学） ； Titan Holdings（泰坦控股公司） ； Prentis AI（普伦蒂斯人工智能公司）
AI总结 该研究提出Reconstruction盲基准，测试语言模型从预发表参考文献恢复论文思路的能力，发现多智能体流水线可将匹配率提升约2.4倍。
一次残差的三次复用：用于手势感知的腕带前端
机构 * Stanford University（斯坦福大学）
AI总结 本文设计了一款复用残差生成器的腕带前端，结合MEMS IMU与60 GHz FMCW雷达，在公开数据集上实现了手势检测、功耗降低及姿态跟踪精度提升。
Comments 3 pages, 3 figures, 1 table. Design study: results are from four public corpora; measured silicon power and on-body capture are out of scope and deferred to follow-on hardware work
推进开放且可复现的关系学习：RelArena-$α$、TabPFN-Rel与RPI
机构 * Prior Labs ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； University of Freiburg（弗赖堡大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 Prior Labs开源RelArena-$α$、TabPFN-Rel与RPI三款关系学习工具，解决领域内方法比较不可靠问题，TabPFN-Rel在RelArena-$α$暂居第一，为关系学习提供开放可复现的研究基础。
学习剩余内容，而非已掌握内容：面向多奖励策略优化的饱和感知优势重加权方法
机构 * University of Florida（佛罗里达大学） ； UC San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学） ； Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； Universität Innsbruck（因斯布鲁克大学）
AI总结 针对多奖励策略优化中现有方法的缺陷，提出SA-MRPO方法，动态分配优化资源，在数学推理、自适应推理、编码任务中均实现性能提升。
Comments 14 pages, 2 figures
在仿真环境中预训练视觉灵巧性
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Scale AI（Scale AI公司）
AI总结 该研究提出SPD仿真预训练框架，采集75小时多任务灵巧操作数据预训练因果Transformer，经微调后在真实任务中优于从头训练的行为克隆策略，为真实世界灵巧操作提供可行预训练来源。
Comments Project page: this https URL (https://spd.bot)
语言模型是否一致地编码了当前年份？
机构 * Stanford University（斯坦福大学）
AI总结 该研究探究语言模型对当前年份的编码一致性，设计两项不同任务，发现关联与声明年份的编码机制不同，现有修改方法无法同时调整两者，表明当前年份未被一致编码。
Comments Accepted at the Conference on Language Modeling (COLM) 2026
语言模型受困于歧义诅咒
机构 * Stanford University（斯坦福大学）
AI总结 本研究识别出大型语言模型等生成离散概率分布的神经网络存在歧义诅咒，即下一个词元分布歧义性越高越难准确学习，经理论分析与实验验证，为理解模型统计能力及信任其输出分布提供了新视角与实用框架。
模型遗忘中该遗忘什么？面向语言模型的遗忘集筛选
机构 * Stanford University（斯坦福大学）
AI总结 针对语言模型遗忘中遗忘集筛选缺失的问题，提出CleanSlate基准，发现不同遗忘集筛选器存在抑制效果弱或附带损伤的缺陷，表明遗忘集选择会影响遗忘效果与附带损伤。
Comments Presented at MemFM @ ICML 2026 and FoGen @ ICML 2026
MISTac：一种用于微创手术的基于视觉的触觉传感器
机构 * TUD Dresden University of Technology（德累斯顿工业大学） ； Stanford University（斯坦福大学） ； University Hospital Carl Gustav Carus（卡尔·古斯塔夫·卡鲁斯大学医院） ； Centre for Tactile Internet with Human-in-the-Loop (CeTI)（以人为中心的触觉互联网中心） ； National Center for Tumor Diseases (NCT)（国家肿瘤疾病中心） ； DKFZ（德国癌症研究中心） ； Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（德累斯顿-罗森多夫亥姆霍兹中心） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
AI总结 针对微创手术中触觉反馈缺失问题，研发了专为触诊设计的基于视觉的高分辨率触觉传感器MISTac，经体内研究验证其可用性，训练的机器学习模型在组织分类任务中留一法交叉验证准确率约84%，并开源该传感器。
Comments This work has been submitted to the IEEE for possible publication
单个冻结模拟器不够：多智能体强化学习中的模拟器崩溃问题
机构 * Northeastern University（东北大学） ； New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 针对人机交互多智能体强化学习中单个LLM模拟器导致的策略泛化缺陷，提出Verbalized Sampling和Co-Training两种方案，在多轮基准测试和真实用户研究中显著提升了性能，发布了开源框架SCOPE。
Comments 42 pages, 29 figures
通过可处理提议缓解局部约束解码中的偏差
机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对局部约束解码中因短视掩码导致的采样偏差，提出基于张量化有限自动机的全局约束解码提议和概率全局约束解码提议，结合序贯蒙特卡洛方法实现无偏采样，在函数调用、关键词生成和SQL生成任务中显著减少所需粒子数并加速收敛。
Comments ICML 2026
多臂贝叶斯老虎机中的退火Softmax贪婪算法
机构 * Stanford University（斯坦福大学）
AI总结 本文研究退火Softmax贪婪算法在多臂贝叶斯伯努利老虎机中的贝叶斯遗憾，证明在先验满足线性上尾条件（β=1的β正则性）时，算法达到接近最优的贝叶斯遗憾率，并与RLVR方法形成结构类比。
Comments Appeared in Reinforcement Learning Conference, 2026
频域渐进扩散用于高效图像和视频生成
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种频域渐进扩散框架，通过在预训练扩散模型的去噪轨迹中逐步提高分辨率，实现高效的图像和视频生成，同时改进了效率和质量。
Comments Project website at this https URL (https://howardxiao.ca/speed)
多类和列表学习的最优样本复杂性
机构 * Stanford University（斯坦福大学）
AI总结 研究确定多类和列表学习的最优样本复杂性依赖于DS维度，证明了DS维度上限与最大超图密度的关系，解决了长期存在的猜想。
Comments new bounds for agnostic list learning
通过检索增强的视觉语言模型实现机器人在训练数据中的泛化
机构 * Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学）
AI总结 本文提出RADAR框架，通过检索和视觉语言模型分析，评估机器人策略在不同场景下的泛化能力，验证了其在大规模数据集中的有效性。
Comments IEEE Robotics and Automation Letters (RA-L)
SimulRAG：基于模拟器的检索增强生成（RAG）框架，用于将大型语言模型（LLMs）落地到长篇科学问答任务中
机构 * University of California San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学）
AI总结 针对LLMs在长篇科学问答中易幻觉的问题，本文提出SimulRAG框架，引入UE+SBA机制，发布相关基准，实验表明其信息量与事实性较基线分别提升30.4%、16.3%
Comments Haozhou Xu and Dongxia Wu are co-first authors
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