高校专区
EvoCodeBench：用于自演化LLM驱动编码系统的性能基准
机构 * Nanyang Technological University（南洋理工大学） ； East China University of Science and Technology（东华大学） ； Guangdong Ocean University（广东海洋大学） ； City University of Hong Kong（香港城市大学） ； Stanford University（斯坦福大学）
AI总结 EvoCodeBench通过跨语言对比和人类表现评估，评估自演化LLM驱动编码系统的性能提升与效率改进。
ItDPDM：信息论视角下的离散泊松扩散模型
机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Computer Science, Oklahoma University（俄克拉荷马大学计算机科学系） ； School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA（普渡大学电气与计算机工程学院）
AI总结 本文提出ItDPDM模型，结合信息论视角和离散泊松重建损失，实现对离散数据的精确似然估计与生成建模。
Comments Published in NeurIPS 2025
利用混合注意力-卷积框架进行膀胱血管分割
机构 * Institute for System Dynamics in the University of Stuttgart（斯图加特大学系统动力学研究所） ； University Hospital Tübingen（图宾根大学医院） ； Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系）
AI总结 本文提出混合注意力-卷积框架，通过结合Transformer和CNN实现高精度膀胱血管分割，解决内窥镜数据中复杂变形和黏膜褶皱等挑战。
噪声对偶鲁棒表示对齐用于正样本未标记学习
机构 * Texas A&M University（德克萨斯A&M大学） ； Stanford University（斯坦福大学） ； RIKEN（理化学研究所） ； The University of Tokyo（东京大学）
AI总结 NcPU通过噪声对偶鲁棒监督非对比损失和幻影标签歧义消除方案，提升正样本未标记学习在复杂数据集上的性能。
Comments Published at ICLR 2026
ArtifactLens：数百个标签足以让VLMs检测到瑕疵
机构 * Stanford University, Stanford, CA, USA（斯坦福大学） ； Snap Inc., Santa Monica, CA, USA（Snap公司）
AI总结 ArtifactLens通过少量标记数据利用预训练VLMs的潜力，实现高效瑕疵检测，适用于多种瑕疵类型和AIGC检测任务。
用于联合嵌入预测架构中自监督语音表示学习的软聚类锚点
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成人工智能）
AI总结 GMM-Anchored JEPA通过软聚类锚点提升语音表示学习，实现ASR、情感识别和槽填充的性能提升。
Comments 15 pages, 5 figures. Code: github.com/gioannides/clustering-anchored-jepa
TwinWeaver: 一种基于大语言模型的跨癌症数字双胞胎基础模型框架
机构 * Computational Sciences Center of Excellence, Roche, Penzberg, Germany（罗氏计算科学卓越中心） ； Computational Health Center, Helmholtz Munich, Munich, Germany（海德堡慕尼黑计算健康中心） ； Department of Biology, Ludwig Maximilian University of Munich, Munich, Germany（慕尼黑路易斯·马克西米利安大学生物学系） ； Early Development Oncology, Roche Innovation Center Zurich, Roche, Schlieren, Switzerland（罗氏苏黎世创新中心早期肿瘤学） ； Computational Sciences Center of Excellence, Genentech, New York City, USA（基因泰克计算科学卓越中心） ； Computational Sciences Center of Excellence, Genentech, South San Francisco, USA（基因泰克计算科学卓越中心） ； Center for Data Science, New York University, New York City, USA（纽约大学数据科学中心） ； Department of Computer Science, Stanford University, Stanford, CA, USA（斯坦福大学计算机科学系） ； Computational Sciences Center of Excellence, Roche, Basel, Switzerland（罗氏巴塞尔计算科学卓越中心） ； Department of Biochemistry（生物化学系） ； Biotechnology Institute, The University of Melbourne, Melbourne, Australia（墨尔本大学生物技术研究所）
AI总结 TwinWeaver通过基于大语言模型的框架，构建跨癌症数字双胞胎，提升临床事件预测与风险分层精度。
CHIP：通过回顾扰动实现人形机器人适应性合规性控制
机构 * NVIDIA ； Stanford University（斯坦福大学） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 CHIP通过回顾扰动实现人形机器人可控的末端执行器刚度，无需额外调优即可完成多种力量操作任务。
Comments The first two authors contributed equally. Project page: https://nvlabs.github.io/CHIP/
POCO：通过群体条件实现可扩展的神经预测
机构 * EECS, MIT（MIT电子工程与计算机科学系） ； SEAS, Harvard University（哈佛大学科学与工程系） ； Janelia Research Campus（贾尔尼亚研究校园） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Stanford University（斯坦福大学）
AI总结 POCO通过结合轻量级预测器和群体编码器，实现跨会话神经预测，提升预测精度并揭示生物结构。
Journal ref Advances in Neural Information Processing Systems (2025)
脑图基础模型：在广泛的大脑图谱和疾病中进行预训练和提示微调
机构 * Lehigh University（莱文大学） ； Stanford University（斯坦福大学）
AI总结 BrainGFM通过图对比学习和图掩码自动编码器预训练，实现跨多种大脑图谱和疾病的高效泛化与迁移。
Comments 30pages
ShapeCond: 快速形状图引导的数据集压缩用于时间序列分类
机构 * Shanghai Key Lab of Data Science, College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China（上海数据科学联合实验室，计算机科学与人工智能学院，复旦大学，上海，中国） ； Stanford University, Stanford, USA（斯坦福大学，斯坦福，美国） ； Ocean University of China（中国海洋大学） ； Shanghai Data Research Institute（上海数据研究院） ； Mohamed bin Zayed University of Artificial Intelligence Abu Dhabi, United Arab Emirates（阿布扎克穆罕默德·本·扎耶德人工智能大学）
AI总结 ShapeCond通过形状图引导的优化策略，高效压缩时间序列数据集，提升下游分类准确性。
Comments Code at: https://github.com/lunaaa95/ShapeCond
指向抽象：协作物理任务中的多模态惯例形成
机构 * Princeton University（普林斯顿大学） ； Brown University（布朗大学） ； MIT（麻省理工学院） ； Stanford University（斯坦福大学）
AI总结 研究通过多模态协作任务探讨了如何通过建立语言和手势抽象来提高协作效率，并扩展了惯例形成的概率模型。
Comments Accepted at the 2026 CHI Conference on Human Factors in Computing Systems (CHI 2026). 15 pages
Journal ref Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), ACM, 2026
MemAdapter：通过生成子图检索实现跨代理记忆范式的快速对齐
机构 * The University of Manchester（曼彻斯特大学） ； Stanford University（斯坦福大学） ； Imperial College London（伦敦帝国理工学院） ； National Institute of Advanced Industrial Science（国家先进工业科学与技术研究院）
AI总结 MemAdapter通过生成子图检索实现跨代理记忆范式的快速对齐，提升记忆检索灵活性并降低对齐成本，实验显示其性能优于现有系统。
在线凸优化的小梯度范数遗憾
机构 * Stanford University（斯坦福大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 本文提出了一种新的在线凸优化遗憾度量$G^\star$，通过改进的遗憾分析和实验验证，提升了对平滑损失的收敛性能。
Paper Copilot：追踪人工智能会议中同行评审的演变
机构 * University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 Paper Copilot通过创建同行评审数字档案和开放数据集，分析人工智能会议评审实践的演变，促进同行评审系统的透明和改进。
Comments ICLR 2026. https://papercopilot.com/
DeepScholar-Bench: 一个实时基准和自动化评估用于生成性研究综合
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 DeepScholar-Bench通过实时基准和自动化评估框架，评估生成性研究综合任务，发现现有系统在综合知识、检索质量和可验证性上均未达到31%的几何均值。
Optimas: 通过全局对齐的局部奖励优化复合AI系统
机构 * Stanford University（斯坦福大学） ； Amazon（亚马逊） ； Jožef Stefan Institute（乔泽夫·斯蒂芬研究所） ； Rutgers University（罗格斯大学）
AI总结 Optimas通过全局对齐的局部奖励优化复合AI系统，有效提升复合系统的性能。
Comments Accepted to ICLR 2026. 22 pages
超对齐研究应通过交替能力与 conformity 优化推进
机构 * Sungkyunkwan University（首尔大学） ； Microsoft Research Asia（微软亚洲研究院） ； Stanford University（斯坦福大学） ； The University of Chicago（芝加哥大学） ； Santa Fe Institute（圣菲研究所）
AI总结 本文主张通过交替优化任务能力和价值一致性来推进超对齐研究，以确保人工超智能的安全与有益发展。
保障受关注的双用途病原体数据安全
机构 * Fordham University School of Law（福特汉姆大学法学院） ； RAND（RAND研究院） ； Center for Health Security Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院健康安全中心） ； Department of Statistics University of Oxford（牛津大学统计学系） ； RAND Europe（RAND欧洲分部） ； Stanford University School of Medicine（斯坦福大学医学院） ； Department of Chemistry & Kavli Institute for Nanoscience Discovery University of Oxford（牛津大学化学系及Kavli纳米科学发现研究所）
AI总结 本文提出了一种五级生物安全数据等级框架，用于分类和控制可能用于生物安全威胁的双用途病原体数据。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Biosecurity Safeguards for Generative AI
递归深度VLA：通过潜在迭代推理实现视觉-语言-动作模型的隐式测试时计算扩展
机构 * Stanford University（斯坦福大学） ； Technical University of Munich（慕尼黑技术大学） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 RD-VLA通过潜在迭代推理实现视觉-语言-动作模型的隐式测试时计算扩展，提供恒定内存使用和高达80倍的推理加速。
Comments 11 Pages, Project page:https://rd-vla.github.io/
LUCID-SAE：学习统一的视觉-语言稀疏代码以发现可解释的概念
机构 * Rutgers University（罗杰斯大学） ； Stanford University（斯坦福大学）
AI总结 LUCID-SAE通过统一视觉-语言稀疏编码方法，实现了跨模态的可解释概念发现与多模态表示的鲁棒性提升。
可预测性使非线性状态空间模型并行化
机构 * Stanford University（斯坦福大学） ； IBM Research（IBM研究院） ； Brown University（布朗大学）
AI总结 本研究揭示了可预测性对非线性状态空间模型并行化效率的影响，通过分析系统动态与优化问题条件的关系，证明可预测系统可显著提升并行计算效率。
Comments NeurIPS '25. XG and LK dual lead authors. Code: https://github.com/lindermanlab/predictability_enables_parallelization
基于噪声聚合嵌入的差分隐私扩散模型适应
机构 * Stanford University（斯坦福大学） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软公司） ； Google DeepMind（谷歌DeepMind） ； Yonsei University（延世大学）
AI总结 本文提出DPAgg-TI方法，利用文本逆向技术在差分隐私约束下实现扩散模型的高效个性化，优于传统DP-SGD方法。
空间理论：基础模型能否通过主动探索构建空间信念？
机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学）
AI总结 本文提出空间理论，探讨基础模型通过主动探索构建空间信念的挑战，发现主动-被动差距、探索低效和信念惯性等问题。
Comments published at iclr 2026
LLM-FSM: 通过大规模语言模型扩展有限状态推理用于RTL代码生成
机构 * Stanford University（斯坦福大学）
AI总结 LLM-FSM通过大规模语言模型评估有限状态机在RTL代码生成中的表现，展示了模型在复杂性增加时的准确性下降及训练和测试扩展的影响。
从开普勒到牛顿：归纳偏置引导变换器中的学习世界模型
机构 * Stanford University（斯坦福大学）
AI总结 本文通过引入归纳偏置，使通用变换器能够学习世界模型，从开普勒到牛顿，实现从曲线拟合到物理定律发现的转变。
少即是多：从有限数据实现可扩展的视觉导航
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利加州大学）
AI总结 本文提出Less is More方法，通过结合有限专家示范与规划器生成的监督，实现高效视觉导航。
Comments v2: Minor text edits, reference formatting fixes, and project page link added
DECEPTICON：暗模式如何操纵网络代理
机构 * Stanford University（斯坦福大学）
AI总结 DECEPTICON研究揭示暗模式通过引导代理轨迹对网络代理构成重大风险，表明需加强防御措施以应对操纵性设计。
探测大型视觉-语言模型中的知觉恒常性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； 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 California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。
Comments Under Review
双曲微调用于大语言模型
机构 * HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； Indian Institute of Science（印度科学研究院） ； Yale University（耶鲁大学） ； Stanford University（斯坦福大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 HypLoRA通过在双曲空间中进行低秩适应，提升大语言模型在算术和常识推理任务中的性能。
Comments NeurIPS 2025; https://github.com/marlin-codes/HypLoRA
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