AI Agents Enable Adaptive Computer Worms
AI代理实现自适应计算机蠕虫
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Cambridge（剑桥大学） ； ServiceNow
AI总结 本研究展示了AI代理能够生成针对每个目标的定制攻击策略，利用被感染机器上的大语言模型自我维持并传播，形成自持的AI驱动网络威胁。
高校专区
University of Toronto（多伦多大学）
Evaluating LLMs' Effectiveness on Real-World Consumer Device Repair Questions
评估大语言模型在真实世界消费设备维修问题上的有效性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Toronto（多伦多大学）
AI总结 本文通过引入包含991个真实维修问题的基准测试，评估六种大语言模型在英语和孟加拉语上的正确性、完整性、实用性和安全性，发现模型虽能提供有用帮助，但在高风险维修任务中仍不可靠。
Multilingual Unlearning in LLMs: Transfer, Dynamics, and Reversibility
大型语言模型中的多语言遗忘：迁移、动态与可逆性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学）
AI总结 本文通过扩展TOFU基准到五种语言，研究大型语言模型中的多语言遗忘，发现遗忘迁移在不同语言间高度可变，且遗忘主要作用于后期解码层而非共享的跨语言潜在空间，因此可以通过推理时的单一引导方向逆转大部分遗忘效果。
Comments Accepted at ICML 2026
AI-Generated Traces for Novice Programmers: Learning Effects and Learner Differences in a Multi-Institutional Study
AI生成的新手程序员追踪：多机构研究中的学习效果与学习者差异
机构 * Delft University of Technology（代尔夫特理工大学） ； University of Toronto（多伦多大学） ； JetBrains Research（JetBrains研究）
AI总结 本研究提出AI生成的类比动画追踪（GATs），通过多机构实验比较其与文本解释对新手程序员学习程序执行的影响，发现GATs在即时学习上有选择性优势，但效果依赖情境且短暂，且受学习者参与度调节。
Fast Organic Crystal Structure Prediction with Unit Cell Flow Matching
基于晶胞流匹配的快速有机晶体结构预测
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； University of Zagreb（Zagreb大学） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（人工智能矢量研究所） ； Acceleration Consortium（加速联盟） ； Canadian Institute for Advanced Research（加拿大高级研究研究院） ； NVIDIA（NVIDIA公司）
AI总结 提出Clari模型，利用流匹配生成无冗余晶胞，以秒级速度实现有机晶体结构预测，速度提升15-30倍。
Direct Informed Sampling on Riemannian Manifolds via Loewner Order Lower Bounds
基于Loewner序下界的黎曼流形直接知情采样
机构 * Space and Terrestrial Autonomous Robotic Systems (STARS) Laboratory, University of Toronto Institute for Aerospace Studies (UTIAS)（太空与地面自主机器人系统实验室，多伦多大学航空航天研究所）
AI总结 提出一种利用Loewner序计算度量张量最紧常数下界的矩阵值可容许启发式，将黎曼知情集映射为各向同性欧氏空间中的标准长球超椭球，实现直接无拒绝采样，加速多种最优运动规划器收敛。
Comments Submitted to IEEE Robotics and Automation Letters (RA-L)
Fixed-Time Dynamic Landing of Quadrotors using Adaptive Unscented Kalman Filtering and Nonlinear Model Predictive Control
基于自适应无迹卡尔曼滤波和非线性模型预测控制的四旋翼飞行器固定时间动态着陆
机构 * Autonomous Vehicles Laboratory, Department of Aerospace Engineering, Toronto Metropolitan University（自主车辆实验室，航空航天工程系，多伦多 Metropolitan 大学） ； University of Toronto Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究 institute，多伦多大学）
AI总结 提出一种结合非线性模型预测控制与实时最小加加速度轨迹规划器及自适应无迹卡尔曼滤波的估计与控制框架，实现多旋翼无人机在移动平台上的固定时间动态着陆，并通过仿真和硬件实验验证了其可重复着陆能力和优于EKF/UKF的速度预测精度。
Comments Accepted to the Conference on Robots and Vision (CRV 2026), Vancouver, Canada
Diversity Over Frequency: Rethinking Tool Use in Visual Chain-of-Thought Agents
多样性优于频率：重新思考视觉思维链智能体中的工具使用
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 本文研究视觉思维链智能体在复杂推理任务中的工具使用，发现工具使用崩溃现象，并提出熵正则化方法通过鼓励多样化探索提升推理性能。
Comments Presented in ICML 2026
Decomposing and Measuring Evaluation Awareness
分解与度量评估意识
机构 * ETH Zürich（苏黎世联邦理工学院） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究院） ； Tübingen AI Center（图宾根人工智能中心） ； University of Toronto & Vector Institute（多伦多大学及向量研究所） ； EuroSafeAI（欧洲安全人工智能）
AI总结 本研究借鉴社会心理学，将评估意识分解为环境与模型两部分，通过EvalAwareBench基准测试发现识别率取决于模型与基准的配对，且识别很少导致行为改变，安全评估比能力评估更易受影响。
Mechanism Design Is Not Enough: Prosocial Agents for Cooperative AI
机制设计是不够的：面向合作AI的亲社会智能体
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所） ； EuroSafeAI ； University of Pennsylvania（宾夕法尼亚大学） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文证明仅靠机制设计无法最大化LLM智能体的社会福利，并提出亲社会智能体（兼顾他人福利）能弥补这一差距，实现更优的社会与个体结果。
Comments 42 pages
CodeHacker: Automated Test Case Generation for Detecting Vulnerabilities in Competitive Programming Solutions
CodeHacker: 用于检测竞赛编程解决方案漏洞的自动化测试用例生成
机构 * Shanghai University of Finance and Economics（上海金融学院） ； Northwestern Polytechnical University（西北工业大学） ； Meituan（美团） ； University of Toronto（多伦多大学）
AI总结 提出CodeHacker框架，通过多策略对抗测试用例生成（压力测试、反哈希攻击、逻辑特定攻击）和校准阶段，有效暴露程序漏洞，提升测试集真负率并增强RL训练模型性能。
