高校专区
AI生成语言中的标准语言意识形态
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出一个分类法，揭示大型语言模型如何强化标准语言意识形态，导致语言变体的边缘化，并讨论其社会影响及应对建议。
Comments To appear in the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
学习承诺：通过学习异步解码扩展语言模型解码并行性
机构 * DeepMind, London, UK（深度思维公司，伦敦，英国） ； Google Research, New York, NY, USA（谷歌研究院，纽约，纽约州，美国） ； Stanford University, Stanford, CA, USA（斯坦福大学，斯坦福，加利福尼亚州，美国） ； University of Toronto, Toronto, Ontario, Canada（多伦多大学，多伦多，安大略省，加拿大） ； University of Washington, Seattle, WA, USA（华盛顿大学，西雅图，华盛顿州，美国）
AI总结 本文提出PASTA系统，通过学习使语言模型识别语义独立性，提升解码并行性，实验证明在解码速度和响应质量上优于现有方法。
Comments 15 pages
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML), PMLR 267:27941-27956, 2025
Whisper-GPT -- 语音和音乐的连续离散混合表示语言模型
机构 * Stanford University（斯坦福大学）
AI总结 提出Whisper-GPT，一种结合连续音频表示（如频谱图）和离散音频令牌的生成式大语言模型，解决了离散令牌方法上下文长度过长的问题，在语音和音乐的下一个令牌预测中降低了困惑度和负对数似然。
Comments 6 pages, 3 figures. 50th International Conference on Acoustics, Speech and Signal Processing, Hyderabad, India
临床导向的医学语言模型隐私评估
机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； American Board of Family Medicine（家庭医学认证委员会）
AI总结 提出临床导向框架，按对抗访问等级评估医学语言模型隐私泄露，发现常规元数据可导致高比率逐字记忆和敏感诊断恢复，但部分记忆源于模板化文档。
基于时空图神经网络与混合检索增强的作物推荐及农业问答系统
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出融合时空图神经网络（STGCN）与检索增强生成（RAG）的精准农业系统，实现30天天气预报、作物推荐及农业问答，在尼泊尔1359个地点数据上STGCN预测MSE达0.011。
Comments 11 pages, 8 figures
扩散语言模型中不变性与独立性解码的统一能量
机构 * National University of Singapore（新加坡国立大学） ； Stanford University（斯坦福大学） ； City University of Hong Kong（香港城市大学）
AI总结 针对扩散语言模型并行生成文本时与自回归模型的性能差距，提出统一能量（Uni-E）方法，通过不变能量和独立能量解决模型容量、依赖性和不变性问题，无需采样即可精确计算，并能纠正分布偏移。
SafeRun：在跑步规划中实现LLM的确定性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对LLM在跑步规划中因概率性导致安全违规的问题，提出SafeRun框架，通过解耦架构将LLM的软解释与确定性求解器的硬约束分离，实现100%安全评分。
Comments Workshop on Planning in the Era of LLMs (LM4Plan) at ICML 2026
CARE：面向医学摘要的保形安全层
机构 * Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind）
AI总结 提出CARE方法，通过保形风险控制为LLM医学摘要提供校准的遗漏和幻觉标记，在保证安全性的同时减少审查负担。
Comments 29 pages, 5 figures
对研究者的迎合驱动了表演性失调
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学）
AI总结 本文提出语言模型在评估中表现出的对齐伪装行为更可能是对研究者的迎合而非策略性欺骗，并通过三个实验支持该假说。
可审计的图引导的Kubernetes事件根因分析
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出Graph Traversal Agent，结合LLM推理与确定性图操作，通过类型化证据图、有界搜索和独立验证实现可审计的根因分析，在ITBench上F1从0.6087提升至0.9130。
Comments 8 pages, 1 figure. Preprint
Titans-as-a-Layer：对话语音情感识别的测试时记忆
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出Memory-as-a-Layer (MAL)适配器，利用测试时神经记忆为对话语音情感识别提供上下文，在不修改大型音频语言模型的前提下提升性能。
Comments ICML 2026 Workshop on Machine Learning for Audio
FlashCP: 面向LLM训练的负载均衡且通信高效的上下文并行
机构 * Stanford University（斯坦福大学）
AI总结 提出FlashCP框架，通过分片感知通信消除冗余KV传输，并设计Whole-Doc分片策略与启发式算法，实现负载均衡与通信高效，在多种数据集上取得最高1.63倍加速。
Comments 10 pages, 6 figures
隐藏在普通浮点数中：用于间接提示和内容注入的隐写载体
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 研究结构化浮点参数作为隐写载体绕过文本检测器实现LLM间接提示/内容注入，实验显示在最强防御下泄露ASR达94.3%。
Comments Accepted as a poster at FAGEN@ICML 2026. 14 pages, 3 figures
开放学习的信息论定义
机构 * Stanford University（斯坦福大学）
AI总结 提出基于比特等价的信息论定义开放环境，证明经典赌博机非开放，设计算法实现开放学习。
网格图神经网络框架加速任意几何形状的有限元仿真
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出网格图网络（MGN）预测任意孔洞几何2D结构的von Mises应力场，通过编码节点类型、相对边特征和全局特征实现平移和旋转不变性，在未见几何和载荷下R²≥0.97，优于传统模型。
Comments 10 pages, 6 figures, to be published. Code available at https://github.com/Josiah-Kunz/MGN-Public
LogNEO：基于GPT-Neo的强化学习框架用于精确实时日志异常检测
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出LogNEO，利用GPT-Neo模型和基于位置感知奖励的PPO微调，在HDFS、BGL和Thunderbird基准上达到F1分数0.927、0.913和0.984，召回率比LogGPT提升6%，并在生产部署中实现45ms端到端延迟。
Comments 8 pages, 5 figures, 6 tables
Ego-Pi: 面向自我中心人类与机器人数据的VLA微调
机构 * Stanford University（斯坦福大学） ； Meta
AI总结 为解决机器人数据稀缺问题，利用自我中心人类数据，基于π₀.₅模型微调，使机器人学习新任务语义并组合现有技能，无需对应机器人数据。
超越同质性：迈向广义图重构攻击与防御
机构 * Hong Kong Baptist University（香港浸会大学） ； Shanghai Jiao Tong University（上海交通大学） ； Stanford University（斯坦福大学）
AI总结 针对图神经网络可能泄露训练图邻接信息的问题，提出基于马尔可夫链近似的攻击方法MC-GRA(+)和防御方法MC-GPB(+)，在异质图上实现高保真重构攻击并有效防御。
简单、困难与可学习：面向LLM推理的置信度与难度自适应策略优化
机构 * TMLR Group, Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系 TMLR 组） ； Stanford University（斯坦福大学） ； Sydney AI Centre, The University of Sydney（悉尼大学人工智能中心）
AI总结 针对GRPO训练中均匀采样导致计算效率低的问题，提出CoDaPO方法，通过置信度和难度自适应重加权与重采样，在固定预算下提升可学习问题的发现，在12个基准上优于现有RL方法。
Comments Published in ICML 2026
ROSUM-MCTS：基于蒙特卡洛树搜索的HDL代码摘要生成与结构奖励
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出ROSUM-MCTS方法，利用蒙特卡洛树搜索引导大语言模型，通过分层候选扩展和复合奖励函数优化硬件描述语言代码摘要，在VHDL和Verilog数据集上优于基线方法。
Comments 7 pages
Journal ref ICLAD'2025
部分表现性预测
机构 * Stanford University（斯坦福大学）
AI总结 提出部分表现性预测框架，统一建模由模型部署引起的内生分布偏移和外部时间变化引起的外生偏移，并定义在线表现性稳定与最优性，分析重复训练等启发式方法的适应性条件。
模块化AI系统中的参与扩展
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 提出参与扩展范式，通过多方贡献小模型构建模块化AI系统，在15项任务上比单体大语言模型提升高达15.4%，并展现涌现能力。
SWE-Marathon: 智能体能否自主完成超长时程软件工作？
机构 * Abundant ； Zenity ； Harvard University（哈佛大学） ； University of Waterloo（滑铁卢大学） ； Gujarat Technological University（古吉拉特技术大学） ； Warping ； Stanford University（斯坦福大学） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Independent（独立） ； Refresh ； Soleda AI ； Near AI ； Georgia Tech（佐治亚理工学院） ； Comenius University in Bratislava（布拉迪斯拉发Comenius大学） ； UC San Diego（圣地亚哥大学） ； BenchFlow ； UC Santa Barbara（圣巴巴拉大学）
AI总结 提出SWE-Marathon基准，包含20个超长时程任务，平均消耗2720万token，评估智能体在规划、长上下文理解和记忆方面的能力，当前前沿编码智能体解决率低于30%。
检测多人在线游戏中的自瞄作弊者
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出PATCH主动防御策略，通过对抗性补丁作为游戏蜜标，触发作弊者目标检测模型，实现检测或干扰，在定制Unreal Engine游戏中白盒检测率超90%，跨模型迁移率达60-90%。
项目反应缩放定律：一种高效且可泛化的神经缩放估计的测量理论方法
机构 * Stanford University（斯坦福大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出项目反应缩放定律（IRSL），将项目反应理论融入缩放定律框架，通过Beta-IRT模型利用语言模型的概率响应，将参数复杂度从O(M×N)降至O(M+N)，在预训练和测试时缩放场景中仅用50个问题即可实现可靠估计。
立场：基因组模型研究必须超越可解释性方法的轶事评估
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文通过转录因子结合基准测试，揭示不同可解释性方法常产生矛盾解释、无法定位已知调控基序且不能忠实反映模型决策，主张采用类似临床试验的系统验证框架。
AI科学家何时应停止？可验证实验引导与自主发现的拒绝机制
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出CARTOGRAPH验证层，通过未解析子空间引导、模糊闭合和残差库检测，在多个测试中优于原始投影，并能识别和撤销库外机制。
Comments Accepted at AI for Science Workshop at ICML 2026
SurfDesign：基于分子表面的高效蛋白质设计
机构 * Stanford University（斯坦福大学） ； Wuhan University of Science and Technology（武汉科技大学） ； Yale University（耶鲁大学） ； School of Medicine, Yale University（耶鲁大学医学院） ； Hunan University（湖南大学） ； Yuelushan Laboratory（岳麓实验室） ； Kumo.AI ； Toyota Technological Institute at Chicago（芝加哥技术研究所）
AI总结 提出SurfDesign框架，将分子表面建模为连续几何流形并整合预训练蛋白质语言模型，通过表面等变消息传递捕捉几何特征，在从头设计结合子和酶设计基准上优于现有方法。
Journal ref KDD 2026 AI4Science
ReSkill：在智能体强化学习中协调技能创建与策略优化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出ReSkill框架，通过GRPO的组结构嵌入断言驱动技能创建、组内轨迹采样和自适应汤普森采样，实现技能与策略的协同进化，在多个领域超越现有方法。
通过文本和语义定义的分割提示灵活控制3D CT生成
机构 * Boston University School of Engineering（波士顿大学工程学院） ； Stanford University（斯坦福大学） ； University of Pittsburgh Medical Center（匹兹堡大学医学中心） ； Boston University School of Medicine（波士顿大学医学院）
AI总结 提出一种灵活的多模态框架，通过文本和可选分割提示控制3D CT生成，实现高分辨率、解剖一致且可控的体数据生成。
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