高校专区
从粗数据估计均值：特征化与高效算法
机构 * Yale University（耶鲁大学） ； Stanford University（斯坦福大学） ； IMC Trading（IMC交易）
AI总结 本文研究了从粗数据估计高斯均值的问题，解决了在凸分区下均值可识别性和计算高效估计的两个核心问题。
Comments Abstract truncated to arXiv limits. To appear in ICLR'26
WaterVideoQA: 以ASV为中心的感知与符合规则的推理 via 多模态智能体
机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）人工智能研究所） ； Hubei Key Laboratory of Inland Shipping Technology (Wuhan University of Technology)（湖北内河航运技术重点实验室（武汉理工大学）） ； School of Navigation, Wuhan University of Technology（武汉理工大学航海学院） ； School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学先进科技学院） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； School of Information Engineering, Yancheng Institute of Technology（盐城职业技术学院信息工程学院） ； School of Engineering, Stanford University（斯坦福大学工程学院） ； Centre for AI and Data Science Innovation and the School of Science and Engineering, James Cook University（詹姆斯库克大学人工智能与数据科学创新中心及科学与工程学院）
AI总结 WaterVideoQA通过多模态智能体系统，实现ASV在复杂水域环境中的感知与规则合规推理，提升自主航行的安全性和精确性。
Comments 11 pages,8 figures
超越激进扩展的高效胸片基础模型
机构 * Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学人工智能医学与成像中心） ； Stanford University（斯坦福大学） ； Department of Radiology（放射科） ； Department of Computer Science（计算机科学系） ； Department of Pediatrics（儿科） ； Department of Biomedical Data Science（生物医学数据科学系） ； Department of Medicine（医学系）
AI总结 CheXficient通过高效数据整理和计算资源利用，在少量数据和计算预算下实现了与大规模预训练模型相当的性能，提升了医学影像基础模型的泛化能力。
用语言模型进行量子实验的元设计
机构 * Max Planck Institute for the Science of Light（马克斯·普朗克光科学研究所） ； University of Tuebingen（图宾根大学） ； Stanford University（斯坦福大学） ； University of Toronto, Vector Institute（多伦多大学、向量研究所）
AI总结 本文提出通过语言模型进行量子实验的元设计，生成可读代码解决复杂问题，扩展到更大实验并应用于凝聚态物理等领域。
Comments 8+23 pages, 5 figures
Journal ref Nat Mach Intell 8, 148-157 (2026)
Cost-of-Pass：语言模型生产力评估的经济框架
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种经济框架，用于评估语言模型的生产力，通过结合准确性和成本，揭示了不同模型在不同任务中的成本效益，并探讨了创新对成本效率的影响。
Comments Code is available at: https://github.com/mhamzaerol/Cost-of-Pass
WHOLE: 从第一人称视频中基于世界空间的手-物体提升
机构 * Stanford University（斯坦福大学） ； Amazon FAR (Frontier AI & Robotics)（亚马逊FAR（前沿人工智能与机器人技术））
AI总结 WHOLE通过联合生成先验推断手-物体交互，实现从第一人称视频中精准重建手和物体在世界空间中的运动。
Comments Project website: https://judyye.github.io/whole-www
SumTablets: 一则苏美尔泥板的转写数据集
机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 SumTablets数据集通过将苏美尔楔形文字泥板的Unicode表示与转写配对，为NLP方法应用于苏美尔转写提供了支持，展示了基于转换器的模型在快速验证转写方面的潜力。
Comments 11 pages with 3 figures
Journal ref Proceedings of the 1st Workshop on Machine Learning for Ancient Languages (ML4AL 2024), pages 192-202, Hybrid in Bangkok, Thailand and online. Association for Computational Linguistics
SWE-Protégé: 通过选择性协作专家解锁小型语言模型作为软件工程代理
机构 * Meta ； University of Michigan（密歇根大学） ； Stanford University（斯坦福大学）
AI总结 SWE-Protégé通过选择性协作专家，使小型语言模型在软件工程任务中取得显著提升，实现42.4%的Pass@1成绩。
基础模型是否是机器人领域全栈迁移的途径？
机构 * Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（机器人与机电研究所，德国航空航天中心（DLR）） ； Stanford AI Lab, Stanford University（斯坦福大学人工智能实验室）
AI总结 本文探讨基础模型在机器人全栈迁移中的作用，分析其对不同迁移层次的影响及面临的挑战。
Comments 12 pages, 4 figures
机器去学习并不如你所想：生成式AI政策与研究的启示
机构 * The GenLaw Center（GenLaw中心） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Center for Democracy & Technology（民主与科技中心） ； Princeton（普林斯顿） ； Google（谷歌） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； Cornell Tech（康奈尔科技） ； Cornell Law School（康奈尔法学院） ； Cornell University（康奈尔大学） ； Lighthouse ； Stanford Law School（斯坦福法学院） ； UC Berkeley（伯克利大学） ； Independent（独立研究者） ； Northeastern University（东北大学） ； Harvard Business School（哈佛商学院） ； W. Virginia University College of Law（维珍尼亚大学法学院）
AI总结 本文指出机器去学习并非通用解决方案，揭示其在生成式AI政策与研究中的局限性。
Comments NeurIPS 2025 (Oral)
UniHand：一种统一模型，用于多样可控的4D手部运动建模
机构 * Institute of Trustworthy Embodied AI (TEAI)（可信具身人工智能研究所） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学）
AI总结 UniHand通过统一的扩散框架，将手部运动估计与生成统一为条件运动合成，有效整合异构输入并提升鲁棒性。
HEART：一个评估人类和大语言模型在情感支持对话中能力的统一基准
机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 HEART通过多轮情感支持对话评估人类与大语言模型的能力差异，揭示两者在共情、一致性等维度上的表现及趋同趋势。
ATLAS：适应性迁移缩放定律用于多语言预训练、微调和解码的多语言诅咒
机构 * MIT（麻省理工学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Google Cloud AI（谷歌云人工智能） ； Google DeepMind（谷歌DeepMind）
AI总结 ATLAS提出了一种适应性迁移缩放定律，用于多语言预训练、微调和解码，解决了多语言学习中的性能瓶颈和计算优化问题。
Comments Published as a conference paper at ICLR 2026
MoMaGen: 为多步双臂移动操作生成演示数据以满足软约束和硬约束
机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊公司）
AI总结 MoMaGen通过解决双臂移动操作中的可达性和可见性问题，生成多样化数据集以提升模仿学习策略的训练效果。
Comments Project website: momagen.github.io. The first four authors contribute equally. Accpeted to International Conference on Learning Representations (ICLR 2026)
SPACeR：基于集中参考模型的自我对战锚定
机构 * Applied Intuition ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Stanford University（斯坦福大学）
AI总结 SPACeR通过集中参考模型指导自我对战，实现高效、可扩展的自动驾驶策略生成。
Comments Accepted at ICLR 2026. Project page: https://spacer-ai.github.io/
Slm-mux: 通过协调小型语言模型进行推理
机构 * Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 SLM-MUX通过协调多个小型语言模型提升推理准确性，实现比单个模型更高的性能。
具有激励的合成控制：通过激励探索实现准确的反事实估计
机构 * J.P. Morgan Chase AI Research（J.P. Morgan Chase人工智能研究） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种激励合成控制方法，通过激励探索实现准确的反事实估计，无需先验重叠假设，并扩展至合成干预场景。
Comments Accepted to TMLR
LogicGraph : 通过神经符号生成与验证进行多路径逻辑推理的基准测试
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； School of Computer Science and Technology, Tiangong University（天津大学计算机科学与技术学院） ； Ministry of Education Key Laboratory of Intelligent Networks and Network Security, China（中国教育部长智网络与网络安全重点实验室） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering, China（陕西省大数据知识工程重点实验室）
AI总结 LogicGraph通过神经符号生成与验证方法，系统评估多路径逻辑推理能力，揭示模型在复杂推理中探索多样路径的不足。
Comments 24 pages, 17 figures
推理模型差分的转码适配器
机构 * Stanford University（斯坦福大学）
AI总结 转码适配器用于分析推理模型微调前后的差异，揭示了推理训练对模型内部机制的影响，并展示了适配器在恢复推理准确性方面的有效性。
Comments 9 pages main, 27 pages total, 10 figures. Code and visualizations at https://transcoder-adapters.github.io/
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
SimToolReal: 一种面向零样本灵巧工具操作的对象中心策略
机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学）
AI总结 SimToolReal提出了一种通用的模拟到现实强化学习策略，通过程序生成多种工具状物体并训练单一策略，实现无需特定任务或物体训练的零样本灵巧工具操作。
学习控制未知的强单射博弈
机构 * Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学）
AI总结 本文提出了一种算法，通过在线调整系数来学习控制未知强单射博弈中的线性约束，以达到广义纳什均衡。
Comments Accepted for publication at IEEE Transactions on Control of Network Systems (TCNS)
真实性光谱假说
机构 * Department of Psychology, Zuckerman Mind Brain Behavior Institute, Columbia University, New York, NY（心理学系、Zuckerman mind brain behavior研究所、哥伦比亚大学、纽约NY） ； Department of Neuroscience, Columbia University, New York, NY（神经科学系、哥伦比亚大学、纽约NY） ； New York University, New York, NY（纽约大学、纽约NY） ； Stanford University, Stanford, CA（斯坦福大学、斯坦福CA）
AI总结 研究提出真实性光谱假说，通过评估不同真实性类型和领域特定方向，揭示了LLM表征空间中领域通用与特定方向共存的特性。
Comments 28 pages, 26 figures
与自己对话：在大型语言模型中克服遗忘
机构 * Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江学院） ； Om AI Research（奥姆人工智能研究） ； Stanford University（斯坦福大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出SA-SFT方法，通过让LLM生成自我对话来缓解微调过程中的灾难性遗忘，提升领域性能并优于现有基线方法。
可复制可实现PAC学习的样本复杂性
机构 * Computer Science Department, Aarhus University（奥胡斯大学计算机科学系） ； Stanford University（斯坦福大学）
AI总结 本文研究了可复制可实现PAC学习的样本复杂性，提出了一个下界并展示了几乎匹配的上界，通过分析Cayley图的谱性质得出结果。
重新定义U-Net的下采样方案以实现精准生物医学图像分割
机构 * Department of Radiation Oncology Stanford University（放射肿瘤科 斯坦福大学）
AI总结 本文提出阶梯池化方法，通过调节下采样节奏减少信息损失，提升U-Net在生物医学图像分割中的精度与性能。
Comments AAPM 67th
WildOS: 野外环境中的开放词汇物体搜索
机构 * Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院） ； Swiss Federal Institute of Technology（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； FieldAI Inc.（FieldAI公司） ； Stanford University（斯坦福大学） ； University of California Berkeley（加州大学伯克利分校）
AI总结 WildOS通过结合安全几何探索与语义视觉推理，实现野外环境中的开放词汇物体搜索，显著提升导航效率和自主性。
Comments 28 pages, 16 figures, 2 tables
ODESteer: 一种基于常微分方程的统一激活引导框架用于大语言模型对齐
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学） ； William & Mary（威廉与玛丽学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 ODESteer通过基于常微分方程的理论框架，统一了激活引导方法，实现了在大语言模型对齐中的显著性能提升。
Comments Accepted by ICLR 2026 (Camera Ready Version)
StreamDiffusionV2：动态交互视频生成的流式系统
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院）
AI总结 StreamDiffusionV2通过无训练管道和系统级优化，实现了低延迟、高效率的实时视频生成，支持灵活的去噪步骤和多GPU扩展，推动生成直播的实用化和普及。
Comments Accepted by MLSys 2026. Project Page: http://streamdiffusionv2.github.io
O(1/k) 有限时间界用于非线性双时间尺度随机逼近
机构 * Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学）
AI总结 本文提出了一种非线性双时间尺度随机逼近算法，首次在O(1/k)速率下实现了有限时间界，适用于强化学习、优化和游戏控制等领域。
Comments Submitted to IEEE Transactions on Automatic Control
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