高校专区
混合神经ODEs的自动和结构感知稀疏化
机构 * Institute for Computational and Mathematical Engineering（计算与数学工程研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种混合神经ODEs的自动稀疏化方法，结合领域知识与数据驱动正则化，以提高预测性能和稳定性，同时保持机理合理性。
Comments Accepted at The 14th International Conference on Learning Representations (ICLR) 2026
超越二元偏好：基于顺序反馈的奖励建模原理框架
机构 * Stanford University（斯坦福大学） ； Amazon AGI（亚马逊人工智能研究） ； EPFL（瑞士联邦理工学院） ； Qualcomm AI Research（高通人工智能研究） ； Aktus AI
AI总结 本文提出基于顺序反馈的奖励建模原理框架，通过离散顺序回归方法，学习阈值参数以捕捉偏好顺序结构，实现更有效的细粒度人类反馈利用。
函数空间解耦扩散用于碳捕集与封存的正反演建模
机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院） ； Imperial College London（伦敦帝国学院）
AI总结 函数空间解耦扩散方法在碳捕集与封存的正反演建模中实现高效且物理一致的参数恢复与数据同化。
Comments Accepted to ICLR AI&PDE Workshop
机器人辅助物理治疗触诊中亚组织特征的多模态感知
机构 * Stanford University（斯坦福大学） ； Symbiokinetics Inc（Symbiokinetics公司）
AI总结 本研究提出多模态传感器用于机器人辅助物理治疗中亚组织特征的检测，结合触觉成像与力矩传感器以提高检测精度和触诊控制。
Comments Accepted by AMSE Design of Medical Device 2026
将AI代理与网络安全专家在真实世界渗透测试中进行比较
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文比较了AI代理与网络安全专家在真实世界渗透测试中的表现，发现ARTEMIS在技术深度和提交质量上接近最强人类参与者，但在误报率和GUI任务上存在不足。
思想图景：可视化大语言模型的推理过程
机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） ； Stanford University（斯坦福大学） ； Mila - Québec AI Institute（魁北克 AI 院） ； Université de Montréal（蒙特利尔大学） ； HEC Montréal（蒙特利尔 HEC 学院） ； Intel AI Lab（英特尔 AI 实验室）
AI总结 提出思想图景（LoT）可视化工具，用于分析大语言模型的推理轨迹，揭示推理模式并提升推理准确性。
Comments Accepted by ICLR 2026
测试时强化学习的工具验证
机构 * Ludwig-Maximilians-University of Munich（慕尼黑路德维希-马克西米利安大学） ； Stanford University（斯坦福大学）
AI总结 T^3RL通过引入测试时工具验证机制，提升测试时强化学习在复杂问题上的表现，减少错误模式崩溃风险。
Comments 12 pages, 11 figures
通过合成数据学习提升多跳推理能力
机构 * Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 本研究通过规则生成的合成数据提升LLM多跳推理能力，发现合成数据能有效训练模型组成知识，从而在现实问答任务中表现更优。
Comments Accepted to ICLR 2026
对大语言模型中Overton多元主义的基准测试
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brown University（布朗大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 本文提出OVERTONBENCH框架，通过集合覆盖度量评估大语言模型中多元观点的代表性，揭示模型在多元主义对齐上的改进空间。
Comments Paper accepted to ICLR 2026
自适应频谱特征预测用于扩散采样加速
机构 * Stanford University（斯坦福大学） ； ByteDance（字节跳动）
AI总结 本文提出Spectrum方法，通过切比雪夫多项式近似实现全局长距离特征重用，提升扩散采样速度并保持高质量样本。
Comments CVPR 2026
药物知识图谱：我们是否需要化学结构用于药物再利用？
机构 * University of California, San Francisco（加州大学旧金山分校） ； Stanford University（斯坦福大学）
AI总结 本研究通过构建药物知识图谱，验证了无需显式化学结构即可准确预测药物药理行为，表明靶点信息和网络拓扑结构足够。
Comments 34 pages, 5 figures. Under review at Discover Artificial Intelligence
我难以相信它不稳健：在嵌入漂移下安全分类器的灾难性崩溃
机构 * Independent（独立研究者） ； Meta AI ； AWS Generative AI Innovation Center, Amazon Web Services（AWS生成式AI创新中心，亚马逊网络服务） ； Northeastern University, Seattle, WA, USA（东北大学，西雅图，华盛顿州，美国） ； Stanford University（斯坦福大学）
AI总结 研究发现嵌入漂移导致安全分类器性能大幅下降，揭示了生产AI安全架构的脆弱性并挑战了安全机制的转移假设。
Comments Accepted at the ICBINB: Where LLMs Need to Improve workshop at ICLR 2026. 12 pages and 3 Figures
RLP：将强化学习作为预训练目标
机构 * NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Stanford University（斯坦福大学）
AI总结 RLP通过将强化学习的探索精神引入预训练阶段，提升模型在数学和科学任务中的推理能力。
Comments ICLR 2026 camera ready
SimpleToM：揭示LLM中显式ToM推理与隐式ToM应用之间的差距
机构 * Allen Institute for AI（艾伦人工智能研究所） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学）
AI总结 SimpleToM通过多层级ToM推理和日常场景测试，揭示LLM在显式心理状态推理与隐式应用之间的能力差距。
Comments ICLR 2026
可解释的跨网络注意力用于静息态fMRI表征学习
机构 * Stanford University（斯坦福大学）
AI总结 BrainInterNet通过跨网络注意力机制，实现对静息态fMRI中脑网络交互的可解释性建模，揭示阿尔茨海默病中的网络变化并支持疾病分类。
TraderBench: AI代理在对抗性资本市场中的鲁棒性如何？
机构 * Amazon.com Inc.（亚马逊公司） ； Stony Brook University（石溪大学） ； Stanford University（斯坦福大学） ； University of Oklahoma（俄克拉荷马大学） ； UC Santa Cruz（加州大学圣克鲁兹分校）
AI总结 TraderBench通过结合静态任务与对抗性交易模拟，评估AI代理在动态市场中的鲁棒性，发现现有模型在加密交易中表现稳定但缺乏真实适应性。
Comments Equal Contribution: Xiaochuang Yuan and Hui Xu contributed equally to this work. All correspondence should be directed to yxc20098@gmail.com. Submitted to Agents in the Wild Workshop, ICLR2026
自主性与意识的内心模型影响对AI的反应
机构 * Sentience Institute（意识研究所） ； Missouri University of Science and Technology（密苏里科技大学） ； Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学Max Planck研究所） ； Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学）
AI总结 研究探讨自主性与意识的内心模型如何影响人类对AI的反应，发现意识比自主性更能引发道德考虑，而自主性则增加威胁感知。
Comments Published at CHI 2026
ThinkMorph：多模态交错链式推理中的涌现特性
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； absolute AI ； The Chinese University of Hong Kong（香港中文大学）
AI总结 ThinkMorph通过统一模型提升多模态推理性能，展现视觉操控与模式切换等新兴能力。
Comments project page: https://thinkmorph.github.io/
数字陪伴：AI陪伴与AI助手的重叠使用
机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Sentience Institute（意识研究所） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文探讨了AI陪伴与助手在社交和任务中的重叠使用，揭示了用户对人机关系的复杂态度及设计上的挑战。
Comments Final version with incorporated reviewer comments
Ctrl-World: 一个可控制的生成世界模型用于机器人操作
机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学）
AI总结 本文提出了一种可控的多视图世界模型，用于评估和改进通用机器人策略的指令遵循能力，通过姿态条件化记忆检索和帧级动作条件化实现长时一致性和精确动作控制，提升策略成功率44.7%。
Comments 17 pages
稀疏神经网络的恢复保证
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Department of Electrical Engineering（电气工程系） ； Stanford University（斯坦福大学）
AI总结 该研究为稀疏神经网络提供了恢复保证，通过迭代硬阈值算法以线性内存复杂度精确恢复稀疏权重，并在多个任务中表现出优于传统方法的性能。
Comments ICLR 2026
FMIP: 混合整数线性规划的联合连续-整数流
机构 * Shanghai University of Finance and Economics（上海财经大学） ； Princeton University（普林斯顿大学） ； National University of Singapore（国立新加坡大学） ； Antai College of Economics and Management（经济管理学院） ； Shanghai Institute for Mathematics and Interdisciplinary Sciences（上海数学与交叉科学研究院） ； Stanford University（斯坦福大学）
AI总结 FMIP提出了一种新的生成框架，通过联合建模整数和连续变量分布，提升混合整数线性规划求解效率。
Comments Accepted at the International Conference on Learning Representations (ICLR), 2025. A generative framework for MILP that jointly models integer and continuous variables, achieving 41% primal gap reduction with broad solver compatibility
数字与机器人双胞胎用于近距操作与编队飞行的验证
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种混合双胞胎框架，用于验证航天器GNC系统在近距操作和编队飞行中的性能。
Journal ref 2026 Rocky Mountain AAS GN&C Conference, Breckenridge, Colorado
当分治策略在长上下文LLM中何时有效？一种噪声分解框架
机构 * University of Chicago（芝加哥大学） ； Together AI ； Duke University（杜克大学） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种噪声分解框架，分析了长上下文LLM中分治策略的有效条件，揭示了任务噪声、模型噪声和聚合噪声的区分，并通过实验验证了多代理分块策略在处理长上下文任务中的有效性。
Comments ICLR 2026
行为生成代理在能源运营中的应用
机构 * Thayer School of Engineering, Dartmouth College（达特茅斯学院泰勒工程学院） ； Graduate School of Business, Stanford University（斯坦福大学商学院）
AI总结 本文提出利用生成代理模拟客户决策，揭示能源运营中消费者行为模式，提升能源管理系统设计和政策分析能力。
远离记忆化：用于文本到图像扩散的可达性约束强化学习
机构 * Stanford University, Stanford, CA, USA（斯坦福大学） ； Yonsei University, Seoul, Korea（延世大学）
AI总结 RADS通过约束强化学习方法，在保持生成质量的同时减少文本到图像扩散模型的记忆化问题。
模式寻求与均值寻求的结合用于快速长视频生成
机构 * Stanford University, California, USA（斯坦福大学） ； NVIDIA Research, California, USA（NVIDIA研究）
AI总结 本文提出一种结合模式寻求与均值寻求的解耦扩散变换器，通过监督学习生成快速长视频，提升长距离连贯性和局部真实感。
Comments Project website: https://primecai.github.io/mmm/
通过语义解耦潜在引导抑制放射科报告生成中的先验比较幻觉
机构 * University of New South Wales（新南威尔士大学） ； Australian Artificial Intelligence Institute, University of Technology Sydney（澳大利亚人工智能研究所，技术悉尼大学） ； Stanford University（斯坦福大学） ； School of Computing and Information Technology of University of Wollongong Australia（沃林根澳大利亚大学计算与信息科技学院） ； Sun Yat-sen University（中山大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出语义解耦潜在引导方法，通过正交化技术减少放射科报告生成中的历史幻觉，提升临床准确性与报告忠实度。
Comments 15 pages, 5 figures
CMT-Benchmark：由专家研究人员构建的凝聚态理论基准
机构 * Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； University of Zürich（苏黎世大学） ； Stanford Institute for Materials and Energy Sciences（斯坦福材料与能源科学研究所） ； SLAC National Accelerator Laboratory（斯坦福直线加速器实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National Taiwan University（台湾大学） ； San José State University（圣何塞州立大学）
AI总结 CMT-Benchmark通过专家设计的50个凝聚态理论问题评估LLM在物理推理能力上的不足，揭示当前模型在复杂科学问题上的局限性。
Comments CMT-Benchmark dataset is available at https://huggingface.co/datasets/JVRoggeveen/cmt_benchmark. CMT-Benchmark was referenced in the Gemini 3 Deep Think (February 2026) release at https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/
Journal ref International Conference on Learning Representations (ICLR) main conference 2026
通过原始初始化快速学习非合作航天器3D模型
机构 * Stanford University（斯坦福大学）
AI总结 本文提出基于CNN的3DGS原始初始化方法，通过单目图像快速学习航天器3D模型，降低训练成本并适应噪声姿态估计。
Journal ref 2025 AAS/AIAA Astrodynamics Specialist Conference, Boston, Massachusetts
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