高校专区
EgoVerse：一个用于机器人学习的视点人类数据集
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； ETH Zürich（苏黎世联邦理工学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Meta Reality Labs Research（Meta现实实验室） ； Mecka AI ； Scale AI
AI总结 EgoVerse通过统一的数据收集、处理和访问框架，提供丰富的人类操作行为数据，促进机器人学习，并通过大规模研究验证了人类数据与机器人学习目标的一致性对性能的影响。
SovereignPA-Bench：在演化意图、平台中介与同意约束下评估用户自有个人智能体
机构 * Stanford University（斯坦福大学）
AI总结 针对现有基准未考量个人智能体用户主权保护的问题，提出可执行基准SovereignPA-Bench，从多维度评估智能体主权能力，验证全主权框架可显著降低隐私泄露等风险。
解决缺失的第一步：视觉语言模型能否标准化原始异构医学数据？
机构 * Shandong University（山东大学） ； Stanford University（斯坦福大学）
AI总结 研究视觉语言模型应用于医学AI时原始医学数据标准化问题，通过构建基准测试，让模型处理原始数据集文件夹，评估其多种能力，发现即使最佳模型端到端成功率也低，凸显该环节是医学AI诊断关键瓶颈。
Comments 16 pages, 7 figures
视觉语言动作模型所言即所指？论忠实性在具身推理中的作用
机构 * Stanford University（斯坦福大学） ； Politecnico di Milano（米兰理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence (AI4I)（意大利人工智能研究所） ； NVIDIA Research（英伟达研究院）
AI总结 研究视觉语言动作模型中具身思维链是否真实反映决策过程。区分功能推理与忠实推理，指出当前对齐策略不足，通过人类评估揭示差距，用学习的评论家操作具身忠实性的行为替代物，强化学习后训练策略提升了忠实性。
注意力受限奖励学习
机构 * Stanford University（斯坦福大学）
AI总结 研究通过基于理性注意力不集中的简化模型，探讨标准奖励建模中遗漏的内容，分离两种模糊性，指出有限注意力会扭曲成对比较结果，学习受标签携带的关注信息量而非数量影响。
教师的少量步骤作用显著：智能体训练后基于策略的数据增强的成本效益
机构 * Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 研究针对大语言模型智能体，将基于策略的数据构建视为预算分配问题，通过特定方式形式化设计空间，在多个任务中实验表明少量教师步骤在学习者诱导情境下更具成本效益。
Comments Accepted by ICML 2026 Workshop: RLxF: Reinforcement Learning from World Feedback
EEG-SpikeAgent：用于自动脑电图尖峰检测的智能闭环程序合成
机构 * Dept. of Brain and Cognitive Sciences, Massachusetts Institute of Technology（脑科学与认知科学系，麻省理工学院） ； Dept. of Neuroscience, University of California, Berkeley（神经科学系，加州大学伯克利分校） ； Dept. of Neurology and Neurologic Sciences, Stanford University（神经病学与神经科学系，斯坦福大学） ； Weill Institute of Neurology and Neurosciences, University of California, San Francisco（Weill神经医学研究所，加州大学旧金山分校） ； University of California, San Francisco（加州大学旧金山分校）
AI总结 研究利用大语言模型智能系统，为头皮脑电图尖峰检测生成信号处理特征。核心方法是迭代提出特征模块并执行代码生成表格特征，评估性能后反馈优化。贡献是实现可审核的脑电图特征工程自动化。
Comments 7 pages, 5 figures
基于脑电图的想象语音解码：使用混合卷积神经网络-脉冲神经网络架构
机构 * Doctoral School of Science, Technology, and Engineering, University of Granada（格拉纳达大学科学、技术与工程博士学院） ； University of Technology Belfort-Montbéliard, SINERGIES（贝尔福-蒙贝利亚尔技术大学，协同实验室） ； Department of Signal Theory, Telematics and Communications, University of Granada（格拉纳达大学信号理论、电信与通信系） ； Department of Chemical Engineering, Stanford University（斯坦福大学化学工程系） ； Department of Electrical and Computer Engineering, Aarhus University（奥尔胡斯大学电气与计算机工程系）
AI总结 研究针对脑电图信号想象语音解码难题，提出用卷积神经网络提取时间表征，再经脉冲神经网络进行生物启发式时间分类的混合解码方法，在基准测试中取得高准确率，证明该方法有效性。
Comments Accepted to IEEE EMBC 2026
ProACT：迈向多用户协作中具有故障感知的主动智能体
机构 * PRADA Lab, King Abdullah University of Science and Technology（阿卜杜拉国王科技大学PRADA实验室） ； Stanford University（斯坦福大学）
AI总结 研究旨在使智能体在多用户协作中从被动变为主动，引入基于共同基础等理论的ProACT框架，通过观察对话历史判断是否需干预并决策，还介绍首个多用户协作基准，实验显示其性能优于直接聊天。
科学论文中自动分类修辞部分的大规模数据集
机构 * Graduate School of Education, Stanford University（斯坦福大学教育研究生院） ； Center for Social Data Science (SODAS), University of Copenhagen（哥本哈根大学社会科学数据科学中心） ； Networks, Data, and Society (NERDS), IT University of Copenhagen（哥本哈根IT大学网络、数据与社会中心） ； Pioneer Centre for Artificial Intelligence (P1), Denmark（丹麦先锋人工智能中心） ； Complexity Science Hub, Austria（奥地利复杂科学中心）
AI总结 该研究利用基于规则的分类算法，对语义学者开放研究语料库中的数百万篇科学论文进行质量筛选和标注，构建了一个数据集，可助力大规模科学话语和写作模式的计算研究。
Comments Data descriptor; includes supplementary information (1 PDF). 15 pages, 4 figures, 5 tables
主权谈判基准：在隐私、同意、证据和制度压力下评估委托谈判中用户拥有的个人代理
机构 * Stanford University（斯坦福大学）
AI总结 研究个人代理替用户谈判的情况，介绍主权谈判基准，其能在多方面约束下评估谈判，通过多种场景验证，指出仅协议成功对用户拥有的谈判代理不足。
使用部分双向性训练混合块扩散语言模型
机构 * Stanford University（斯坦福大学）
AI总结 针对大语言模型高吞吐量长上下文生成挑战，提出BDLM Mamba-attention混合模型，通过限制反向Mamba扫描到活动去噪块解决缓存问题，在长上下文推理中吞吐量有显著提升。
Comments 16 pages, 3 figures
用于稀疏视图神经重建的可靠性感知单目深度监督
机构 * Stanford University（斯坦福大学）
AI总结 研究稀疏视图神经重建的单目深度监督，用Depth Anything V2作密集单目深度先验，经尺度变换拟合对齐预测，通过仅RGB基线模型生成的光度掩码选择性应用深度监督，在不同场景评估，结果表明应选择性适度加权应用。
Comments 10 pages, 6 figures. All authors contributed equally
快速、并行、查询高效的二元分类
机构 * Stanford University（斯坦福大学）
AI总结 研究为有归一化d维特征的二元标记数据集计算分离超平面的分类问题，提出随机算法，给出不同算法的顺序运行时间、并行深度及矩阵向量查询次数等，改进了顺序运行时间和并行深度。
Comments COLT 2026
Mnemosyne: 用于验证和修复AI生成工作流的代理事务处理
机构 * Stanford University（斯坦福大学） ； QuadriumAI
AI总结 提出代理事务处理（ATP）模型，将生成动作视为不可信提案，通过确定性约束集验证后才提交，并实现运行时修复，确保状态正确性独立于生成层。
Comments 41 pages, 25 tables, 6 figures
通过工作流归纳实现多轮智能科学文献搜索
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Together AI ； University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学）
AI总结 提出PaperPilot，通过构建可执行DAG工作流进行多轮文献搜索，利用用户反馈优化查询和工作流，显著提升搜索性能并消除执行错误。
Comments 17 pages, 12 figures
多感官持续学习：将预训练的视觉运动策略适应到力觉
机构 * Stanford University（斯坦福大学）
AI总结 提出MuSe方法，通过多阶段融合、多感官未来预测和预训练数据经验回放，将有限的多感官数据融入预训练的纯视觉策略，在保持原始任务性能的同时适应新任务。
何时学习停止有帮助？推理模型中早期退出的成本感知研究
机构 * University of Maine at Presque Isle（缅因大学普雷斯克岛分校） ； Stanford University（斯坦福大学） ； Independent Researcher（独立研究员）
AI总结 研究推理语言模型中学习停止规则相对于简单置信度或收敛阈值的优势，提出LearnStop方法，发现其效果取决于任务类型，在自由形式数学任务中表现优于标量退出。
Comments 23 pages, 5 figures
无高斯假设的可识别性：符号世界模型与近无限时间一致性
机构 * Department of Computer Science, Stanford University（1 计算机科学系，斯坦福大学）
AI总结 本文提出物理基础符号架构（PGSA），证明其在非高斯动态系统中实现精确线性可识别性和近无限时间一致性，克服了统计世界模型的高斯边界限制。
Comments Pre-print
泛化的搭便车假说：解释和缓解涌现的错位
机构 * Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出搭便车假说，认为聊天模板标记导致微调行为泛化到无关领域，并设计TReFT方法通过正则化标记表示缓解涌现错位，在多个数据集上有效。
隐藏状态隐私存在空中间
机构 * Stanford University（斯坦福大学）
AI总结 通过理论下界和实验证明，高斯释放机制在隐藏状态隐私中无法同时实现中等效用和隐私，存在空中间区域，并提出了对角逆Fisher机制作为最优解。
Comments 74 pages, 61 figures
通过场景自我探索进行视图规划
机构 * Northwestern University（西北大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 提出ViewSuite基准测试揭示VLM在多步视图规划中的不足，并设计迭代框架通过自我探索和视图图蒸馏将Qwen2.5-VL-7B的交互式视图规划准确率从2.5%提升至47.8%。
TRACE: 面向能力的代理训练
机构 * Stanford University（斯坦福大学）
AI总结 TRACE通过对比成功与失败轨迹自动识别能力缺失，合成针对性训练环境并利用RL训练适配器，提升代理在不同环境中的表现。
线性高斯带中先验扩散性与遗憾值
机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 研究线性高斯带中汤普森采样的贝叶斯遗憾值，通过新引理证明其遗憾值表达式，表明先验相关‘预热’项与极小极大遗憾值可加性解耦，还给出下限说明‘预热’项不可避免。
图谱是理想上下文：用于可泛化基础医学图像分割的一次性定制
机构 * Nanjing University（南京大学） ； The Ohio State University（俄亥俄州立大学） ； Stanford University（斯坦福大学）
AI总结 研究医学图像中解剖结构分割问题，提出图谱引导框架AtlasSegFM，通过图谱查询配准生成提示，用冻结基础模型细化分割，经自适应融合模块结合图谱先验与模型输入及预测，实现一次性定制。
Comments ECCV 2026
用于扩散过程随机控制的自适应划分与学习
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
AI总结 研究无界连续状态空间等设定下扩散过程的强化学习，引入基于模型算法自适应划分联合状态-动作空间，平衡探索与近似，分析得出依赖多因素的遗憾界并验证方法有效性。
大语言模型分别编码有害性和拒绝性
机构 * Northeastern University（东北大学） ； Stanford University（斯坦福大学）
AI总结 研究大语言模型对有害性的理解，发现其有害性和拒绝性在模型内分别编码，有害性方向与拒绝方向不同，据此揭示越狱方法原理及对抗微调影响，提出潜在危害表示的安全应用。
MAD-PINN：一种用于安全和最优多智能体控制的分散式物理信息机器学习框架
机构 * Center for Cyber-Physical Systems, Indian Institute of Science（印度科学研究院中心 for 联合体系统） ； Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天工程系）
AI总结 针对大规模多智能体系统安全与性能协同优化难题，提出MAD-PINN框架。利用基于上图的公式化方法，通过物理信息神经网络近似求解，采用分散训练与执行策略，实验表明其性能优越且具可扩展性。
Comments 9 Pages, 4 Figures, 4 Tables. First two authors have contributed equally
具有软约束和硬约束的交互式多目标概率偏好学习
机构 * Department of Computer Science（计算机科学系） ； Stanford University（斯坦福大学）
AI总结 研究高风险决策中多目标平衡问题，提出Active-MoSH框架，其局部组件结合概率偏好学习与主动采样，全局组件利用多目标敏感性分析，提升决策信心，通过实验验证其性能优势。
Comments 42nd Conference on Uncertainty in Artificial Intelligence (UAI 2026)
MambaCapsule：使用Mamba胶囊网络实现基于心电图的透明心脏病诊断
机构 * State Key Laboratory of Transvascular Implantation Devices and TIDRI, Zhejiang University（浙江大学血管介入关键实验室及TIDRI） ； School of Public Health, Zhejiang University and Zhejiang Key Laboratory of Medical Imaging Artificial Intelligence（浙江大学公共卫生学院及浙江省医学影像人工智能重点实验室） ； State Key Laboratory of Transvascular Implantation Devices of The Second Affiliated Hospital and Liangzhu Laboratory, Zhejiang University（浙江大学第二附属医院血管介入关键实验室及梁渚实验室） ； Department of Gastroenterology, First Hospital of Quanzhou Affiliated to Fujian Medical University（福建医科大学泉州第一医院消化内科） ； School of Medicine, Stanford University（斯坦福大学医学院）
AI总结 研究针对心律失常诊断模型缺乏透明度问题，提出MambaCapsule网络，用Mamba提取特征、胶囊网络预测，通过重构心电图信号增强可解释性，在数据集上取得高准确率。
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