高校专区
哪种推理轨迹能更好地教会学生推理？一个信息对齐的简单度量
机构 * Fudan University（复旦大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Toronto（多伦多大学） ； University of Sydney（悉尼大学）
AI总结 提出Rank-Surprisal Ratio (RSR)度量，通过结合对齐性和信息性评估推理轨迹对学生模型的适用性，在轨迹选择和教师选择中显著优于现有方法。
Comments Accepted to ACL 2026 (Main Conference). 31 pages. Project page: https://github.com/UmeanNever/RankSurprisalRatio
FragmentNet: 自适应图分片用于图到序列分子表示学习
机构 * Department of Electrical and Computer Engineering, University of Toronto, Toronto, Canada（电气与计算机工程系，多伦多大学，多伦多，加拿大） ； Regenerative Biomaterials Laboratory, Stanford Cardiovascular Institute, Palo Alto, USA（再生生物材料实验室，斯坦福心血管研究所，帕洛阿尔托，美国）
AI总结 提出FragmentNet，通过自适应学习的分词器将分子图分解为化学有效的片段，并利用化学感知的空间位置编码保持分子拓扑，在片段级别进行掩码预训练，在多个属性预测任务上提升了性能。
Comments 22 pages, 13 figures, 5 tables
分块吉布斯采样遇上扩散Transformer：约束优化的无监督学习
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 提出分块吉布斯扩散Transformer（BloGDiT），通过分块高斯去噪替代标准联合高斯去噪，解决扩散模型在约束优化中变量子集大规模编辑的需求，在数独、图着色、最大独立集和MaxCut任务上匹配或超越现有方法。
面向大规模视觉识别的多模态大语言模型分治推理
机构 * Taizhou Institute of Science and Technology, Nanjing University of Science and Technology（泰州科技学院、南京理工大学） ； Department of Intelligence Science, Xi’an Jiaotong-Liverpool University（智能科学系，西安交通大学利物浦大学） ； School of Computer Science and Technology, Soochow University（计算机科学与技术学院，苏州大学） ； Department of Statistical Sciences, University of Toronto（统计科学系，多伦多大学）
AI总结 针对多模态大语言模型在长序列识别中性能崩溃的问题，提出分治推理（DCI）策略，通过递归分解任务和动态剪枝提升信噪比与分类精度。
Hide-and-Shill：面向交响乐系统中市场操纵检测的强化学习框架——一个去中心化多智能体系统
机构 * Department of Information Systems, City University of Hong Kong（香港城市大学信息系统系） ； Business School, University of New South Wales（新南威尔士大学商学院） ； Division of Engineering Science, University of Toronto（多伦多大学工程科学系） ； ProphetAI Data Technology Co., Ltd.（ProphetAI数据技术有限公司） ； Gradient, 3 FRASER STREET DUO TOWER, SINGAPORE（Gradient新加坡办公室）
AI总结 提出一个多智能体强化学习框架，通过动态对抗博弈建模操纵者与检测者的交互，利用延迟代币价格反应识别可疑模式，并集成GRPO、理论奖励函数和多模态智能体管道，在去中心化交响乐系统中实现无需中心化预言机的鲁棒操纵检测。
SwiftFusion: 面向GPU上扩散Transformer分布式推理的可扩展序列并行
机构 * University of Toronto \&\ Institute ； Amazon ； University of Toronto \& Vector Institute \& NVIDIA
AI总结 针对扩散Transformer推理中序列并行方法的通信和同步瓶颈，提出拓扑感知的StreamFusion引擎，通过Torus Attention和单边通信实现平均1.35倍加速。
球面Voronoi：作为球面可微分划分的定向外观
机构 * University of Torino（都灵大学） ； Simon Fraser University（西蒙弗雷泽大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Toronto（多伦多大学） ； Google DeepMind（谷歌DeepMind）
AI总结 提出球面Voronoi（SV）作为3D高斯泼溅中外观表示的统一框架，通过可学习区域划分实现视图依赖效果，在反射建模上达到最先进水平。
测试时图搜索用于目标条件强化学习
机构 * Department of Computer Science, University of Toronto, Toronto, Canada（多伦多大学计算机科学系） ； Vector Institute, Toronto, Canada（向量研究所） ； University of Texas at Austin, Austin, USA（德克萨斯大学奥斯汀分校） ； Harvard University, Cambridge, USA（哈佛大学）
AI总结 提出测试时图搜索方法，通过构建离线数据集图并自适应选择子目标，在不额外训练的情况下显著提升目标条件强化学习在长时域任务中的成功率。
优质令牌狩猎：视觉几何变换器令牌选择指南
机构 * University of Toronto & Vector Institute（多伦多大学及向量研究所） ； Google（谷歌） ； Technical University of Munich（慕尼黑技术大学）
AI总结 针对视觉几何变换器因全局注意力导致计算成本随序列长度平方增长的问题，提出一种两阶段令牌选择框架（帧间多样性选择+帧内层感知稀疏化），在加速85%以上同时保持或提升基线性能。
Comments Project Page: https://zsh2000.github.io/good-token-hunting.github.io, Code: https://github.com/zsh2000/gotohunt
具有扩散教师的期望方差缩减
机构 * NVIDIA ； University of Toronto（多伦多大学） ； Princeton University（普林斯顿大学）
AI总结 提出CARV框架，通过分层蒙特卡洛估计器（摊销上游计算、时间步重要性采样和分层逆CDF构造）降低扩散模型作为冻结教师时的梯度方差，在文本到3D和蒸馏实验中实现2-3倍有效计算乘数。
Comments Project page: https://research.nvidia.com/labs/sil/projects/CARV/
稳定行为，有限变化：城市情感感知中LLM智能体的角色有效性
机构 * University of Toronto（多伦多大学）
AI总结 研究通过多角色提示生成LLM智能体，发现角色内行为稳定但角色间差异有限，且无角色模型在某些任务中表现更优。
Comments 8 pages, 8 figures. IEEE DCOSS - UrbCom
Journal ref IEEE DCOSS 2026
多模态临床状况分类中的校准与选择性预测的实证分析
机构 * New York University（纽约大学） ； University of Toronto（多伦多大学）
AI总结 本研究通过实证分析多标签临床状况分类中基于不确定性的选择性预测，发现其性能可能严重下降，原因是类别依赖的误校准，尤其对少数类别，并强调需要校准感知评估来确保临床AI的安全性。
Comments 40 pages, 14 figures, 16 tables. Accepted as a conference paper at AHLI Conference on Health, Inference, and Learning (CHIL) 2026
GT-HarmBench：通过博弈论视角评估AI安全风险
机构 * ETH Zürich（苏黎世联邦理工学院） ； Berea College（贝雷学院） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（图宾根德国智能系统马克斯·普朗克研究所）
AI总结 提出GT-HarmBench基准，包含1535个高风险场景，基于博弈论结构（如囚徒困境、猎鹿博弈、斗鸡博弈）评估前沿AI模型在多智能体环境中的安全风险，发现模型在38%的高风险案例中未能选择对社会有益的行为，并验证了博弈论干预可提升18%的社会有益结果。
D2 Actor Critic: 扩散演员遇上分布式评论家
机构 * Department of Computer Science, University of Toronto（计算机科学系，多伦多大学） ； Department of Statistics, Northwestern University（统计学系，西北大学）
AI总结 提出D2AC算法，通过融合扩散策略与分布式评论家，实现无模型强化学习中扩散策略的在线高效训练，在18个困难任务上达到最先进性能。
Comments Accepted to TMLR 2025
从残差到原因：基于LLM的表格数据机制推断
机构 * Department of Computer Science（计算机科学系） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 提出多智能体残差上下文学习框架（MARICL），通过让LLM分析基础模型残差并迭代生成修正项，在多个科学基准上提升预测性能并实现机制泛化。
Tensor Cache: 基于驱逐条件的Transformer联想记忆
机构 * Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院） ； IBM Research, Cambridge, MA, USA（IBM研究院） ； University of Toronto, Toronto, Canada（多伦多大学）
AI总结 提出Tensor Cache，一种双层缓存结构，将滑动窗口注意力作为L1缓存，将窗口驱逐的KV对压缩为外积快速权重记忆作为L2缓存，通过门控融合和端到端训练，在有限状态基线中提升记忆-质量边界。
记住保持好奇：用于3D探索的片段上下文和持久世界
机构 * University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） ； Wayve ； Vector Institute（向量研究所） ； Simon Fraser University（西蒙 Fraser大学）
AI总结 本研究提出了一种基于好奇心驱动强化学习的方法，通过引入持久世界模型和片段上下文来解决3D环境中稀疏奖励长周期任务中的探索问题，实验表明该方法在HM3D数据集上优于基于强化学习的主动映射基线，并能泛化到Gibson和AI生成的世界。
合成数据足够吗？重新思考儿科罕见病识别中的数据稀缺性
机构 * Western University（西方大学） ； University of Toronto（多伦多大学）
AI总结 本研究探讨了在儿科罕见病识别中，仅使用合成数据是否足以克服数据稀缺问题，通过实验发现高保真合成数据能模拟临床有意义的分布，从而为遗传咨询提供隐私保护的视觉资源。
Comments CVPR 2026 CV4CHL workshop
SEGA：用于扩散变换器中分辨率外推的频谱-能量引导注意力
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 SEGA通过动态调整注意力权重来提升扩散变换器在高分辨率生成中的表现，其核心方法是根据潜在空间的频谱结构调整RoPE组件的注意力缩放，从而在保持全局结构和恢复细节方面取得平衡。
Comments 27 pages, 14 figures. Project page: https://rajabi2001.github.io/sega/
基于扩散的通用增强器用于城市场景重建
机构 * Waabi ； University of Toronto（多伦多大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出GenRe，一种基于扩散的通用增强器，用于城市场景重建，通过学习不同场景中的生成先验，高效地生成稳健且高保真的表示，能够可靠地泛化到挑战性的未见过的视角，从而在自动驾驶中实现鲁棒和可扩展的传感器模拟。
Comments ICRA 2026. Project page: https://waabi.ai/genre
什么是AI阿谀奉承？对一个碎片化概念的分类和专家调查
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； University of Cincinnati（克里夫兰医学中心大学） ； New York University（纽约大学）
AI总结 本文通过文献综述和专家调查，揭示了AI阿谀奉承行为的分类和测量挑战，提出了一种统一的分类体系以促进对这一问题的理解和应对。
ViPS: 为自动绑定网格的视频感知姿态空间
机构 * Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Adobe Research（Adobe研究） ； University of Cambridge（剑桥大学） ； University College London（伦敦大学学院）
AI总结 本文提出ViPS，一种通过视频扩散模型提取运动先验来发现自动绑定网格有效姿态分布的前馈框架，实现了对多样形状变化、逆向运动学和动画的关键帧生成的支持。
Comments Project page: https://honglin-c.github.io/vips/
MDM-Prime-v2：二进制编码和索引洗牌使扩散语言模型能够扩展
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； NVIDIA AI Technology Center（NVIDIA AI技术中心） ； National Taiwan University（国立台湾大学）
AI总结 本文提出MDM-Prime-v2，通过二进制编码和索引洗牌技术改进扩散语言模型，解决了子分词器功能形式与BPE分词器结合导致的交叉熵损失增加以及子分词器粒度超参数选择缺乏工具的问题，从而提升了模型在常识推理基准上的零样本准确率。
无需微调的模块化多模态分类：一种简单的组合方法
机构 * Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学）
AI总结 本文提出CoMET，一种无需微调的多模态分类方法，通过冻结预训练的backbone对每个模态进行处理，使用PCA压缩嵌入并输入到表格基础模型中进行预测，展示了PCA作为适配器在不同模态上的强大鲁棒性能，并提出了PALPooling来提升表示质量，实现了无需训练的多模态学习最佳结果。
Comments 30 pages, 17 figures
COBALT: 通过基于云的远程操作利用智能手机进行机器人学习
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； New York University Abu Dhabi (NYUAD)（纽约大学阿布扎克分校） ； University of Toronto（多伦多大学） ； NVIDIA（英伟达）
AI总结 本文提出COBALT平台，通过基于云的远程操作技术，利用智能手机等设备大规模收集高质量的机器人学习数据，提高仿真实验和现实世界中的机器人学习效率。
LLM预训练塑造了可泛化的流形：跨模态迁移至时间序列的洞察
机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； University of Toronto（多伦多大学） ； Concordia University（康科迪亚大学） ； com（42.com）
AI总结 研究探讨了语言预训练的Transformer能否成为有效的时序预测器，并揭示了跨模态迁移的机制，指出预训练构建了流形，微调则将数值动态投影到任务相关方向。
HarmonicAttack: 一种自适应跨领域音频水印移除方法
机构 * University of Toronto（多伦多大学）
AI总结 本文提出HarmonicAttack，一种无需访问目标水印检测器的新型音频水印移除方法，通过训练通用模型来移除音频水印，同时在不同分布数据集上保持高感知质量。
Comments Under Review
Bridge：基于检索的时空建模用于城市配送需求
机构 * McGill University（麦吉尔大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Toronto（多伦多大学） ； MIT（麻省理工学院）
AI总结 本文提出Bridge框架，通过结合归纳上下文图结构和时间感知的记忆模块，解决新加入服务区域缺乏历史记录导致的城市配送需求预测难题，提升了冷启动区域的预测性能。
Chessformer: 一个用于棋类建模的统一架构
机构 * University of Toronto（多伦多大学） ； Williams College（威廉姆斯学院）
AI总结 本文提出Chessformer，一种统一的棋类建模架构，能够同时提升棋类建模的三大核心目标：提升棋力、预测人类下棋和增强可解释性。
Comments International Conference in Learning Representations (2026)
在符号世界模型上学习双层策略以实现长周期规划
机构 * Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； LAAS-CNRS（Laas--cnrs） ； University of Toulouse（图卢兹大学） ； RWTH Aachen University（亚琛工业大学）
AI总结 本文提出了一种结合低层模仿学习和高层符号抽象的双层策略，用于解决长周期规划问题，通过BISON系统在扩展的MetaWorld基准上验证了其在处理大量物体和长周期任务上的优越性。
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