高校专区
SimFoundry: 用于策略学习和评估的模块化自动化场景生成
机构 * NVIDIA ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学）
AI总结 提出SimFoundry系统，从视频零样本构建仿真场景，支持对象、场景和任务编辑，生成数字孪生与数字表亲，提升策略在真实世界的泛化能力，实验显示仿真评估与真实性能高度相关。
基于几何感知的黎曼流形上运动规划
机构 * Institute for Aerospace Studies, University of Toronto（航空航天研究 institute，多伦多大学）
AI总结 本文提出基于采样的运动规划框架，直接在黎曼流形上操作，利用黎曼几何距离近似和自然梯度引导局部规划，实验证明其在非欧几里得几何下能生成更优轨迹。
Comments In Proceedings of the 17th World Symposium on the Algorithmic Foundations of Robotics (WAFR), Oulu, Finland, Jun 15-17, 2026
生成体验用于数字心理健康干预：来自随机研究的证据
机构 * Stanford University（斯坦福大学） ； University of Toronto Mississauga（多伦多大学滑铁卢分校）
AI总结 本文提出生成体验范式，通过动态构建干预体验提升数字心理健康干预效果，实验显示GUIDE在减压和用户体验方面显著优于基线对照。
可修正性转换：构建接受更新的目标
机构 * University of Toronto（多伦多大学）
AI总结 该研究提出一种可修正性转换方法，可在不牺牲性能的情况下将几乎任何目标转换为可修正版本，能诱导AI产生可修正行为，为AI安全提供了关键的可修正目标方案。
OsteoFlow: 基于Lyapunov引导的流式蒸馏用于预测下颌重建后的骨重塑
机构 * Department of Electrical and Computer Engineering, University of British Columbia, Canada（电气与计算机工程系，不列颠哥伦比亚大学，加拿大） ； Department of Mechanical Engineering, University of British Columbia, Canada（机械工程系，不列颠哥伦比亚大学，加拿大） ； Department of Surgery, University of British Columbia, Canada（外科系，不列颠哥伦比亚大学，加拿大） ； Sunnybrook Research Institute, University of Toronto, Canada（阳光医院研究学院，多伦多大学，加拿大）
AI总结 OsteoFlow通过Lyapunov引导的轨迹蒸馏方法，从术后第5天的CT扫描预测第1年的骨重塑，显著提升了预测精度，减少了手术切除区的平均绝对误差。
从分析到综合：个性化大语言模型智能体中的隐式行为对齐基准测试
机构 * National University of Singapore（新加坡国立大学） ； University of Toronto（多伦多大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； University of Oxford（牛津大学）
AI总结 该研究针对大语言模型智能体的个性化问题，构建了IBA-Bench基准，提出IBA-Agent框架，实验显示其可在九类场景中提升隐式行为对齐效果，但有效个性化仍是重大挑战。
Push-Wiper：基于分段推动轨迹的通用机器人清洁方案，用于处理不同污渍与表面
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Z-Lab, Zerith Robotics（Zerith机器人公司Z-Lab实验室） ； University of Toronto（多伦多大学）
AI总结 Push-Wiper 框架将粘性污渍清洁转化为聚合问题，通过分段推动轨迹结合 Diffusion Policy 与 ASPI 控制器，清洁得分比基线高130%，可零样本泛化至多种污渍与表面。
Comments 8 pages, 8 figures. Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
用于介电弹性体致动器自动化制造的机器人系统
机构 * University of Connecticut（康涅狄格大学） ； University of Toronto（多伦多大学）
AI总结 本研究提出一种自动化机器人制造系统，通过旋涂和冲压工艺制造含12层介电层、11层CNT电极的多层DEAs，使总工艺时间减少14.2%，减少56.1%的人工操作。
三种表征策略下的信任及其背叛
机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
AI总结 该研究将信任视为虚拟认知状态，构建三种表征并探究其对Brandenburger-Keisler不可能性的影响，发现不同表征遭遇背叛时的存续方式存在显著差异。
Comments 27 pages
信念感知影响与信任（BAIT）：在人机重复交互中塑造人类信念
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Toronto（多伦多大学） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 研究针对重复人机交互问题，提出BAIT控制器将分层粒子滤波器与信念感知规划器集成，能推断人类信念变化，优化长期影响与人类信任的权衡，在多场景实验中任务性能与基线相当且用户信任更高。
Comments 9 pages, 4 figures, submitted to IEEE Robotics and Automation Letter (RA-L)
用于矢量量化的分布匹配：一个统一的理论和实证框架
机构 * University of Toronto（多伦多大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Boston College（波士顿学院） ； Lehigh University（里海大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 针对现有矢量量化方法训练不稳定和码本崩溃问题，提出分布匹配框架，通过对齐特征和码向量分布缓解上述问题，经理论分析和实验验证，基于瓦瑟斯坦距离目标实例化该框架，在视觉tokenization基准上表现有效且鲁棒。
Comments 33 pages, 17 figures, and 16 tables. arXiv admin note: substantial text overlap with arXiv:2506.15078
用于人工智能篡改视频检测的集成深度学习方法
机构 * Department of Mathematical and Computational Sciences, University of Toronto Mississauga（多伦多大学密西沙加分校数学与计算科学系） ； Department of Mathematical and Computational Sciences, University of Toronto（多伦多大学数学与计算科学系） ； University of Toronto（多伦多大学）
AI总结 研究针对人工智能篡改视频检测难题，开发多模态深度伪造检测系统，结合音频视觉分析，用模型集成及均值平均、堆叠等策略组合分数，提升检测鲁棒性与性能，凸显对未见篡改泛化的挑战，平均准确率约70%。
CARE：通过科学实验中的可审计证据审查控制LLM生成的策略
机构 * University of Macau（澳门大学） ； University of Toronto（多伦多大学） ； UCLA（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； XtalPi（晶泰科技） ； McGill University（麦吉尔大学）
AI总结 提出CARE框架，通过可审计的干预门控机制，在保留非LLM优化器作为默认路径的同时，利用LLM修正挑战者排序策略，显著提升高通量实验优化性能。
Comments 27 pages, 5 figures. Code: https://github.com/SHITIANYU-hue/care
DCC: 面向处理-内存架构的机器学习内核数据驱动编译
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； ETH Zürich（苏黎世联邦理工学院） ； Nvidia（英伟达） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 针对PIM系统中数据重排与计算代码优化相互依赖的问题，提出数据驱动的编译器DCC，通过统一调优联合优化数据重排与计算代码，在HBM-PIM和AttAcc PIM上分别实现平均2.21倍和3.92倍的加速。
尾感知信息论泛化用于RLHF和SGLD
机构 * Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算高精尖创新中心） ； Advanced Institute of Information Technology, Peking University（北京大学信息技术高等研究院） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所） ； Computer and Mathematical Sciences, Computer Science, and Statistics, University of Toronto（多伦多大学计算机与数学科学、计算机科学和统计学系） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出一种尾依赖信息论框架，用于处理亚韦尔bull数据，通过移位对数f_θ-分歧来界定制换测度期望，从而在重尾数据下获得更精确的泛化界限。
Comments 47 pages, 6 figures
当只有最终文本幸存时：多智能体归因的隐式执行追踪
机构 * University of Southern California（南加州大学） ； University of Toronto（多伦多大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Independent Researcher（独立研究员）
AI总结 本文提出隐式执行追踪框架，通过在生成过程中嵌入代理特定的统计信号，实现多智能体系统的归因和执行轨迹恢复，即使在元数据缺失的情况下也能保持生成质量。
带偏置项的线性分类器中的良性过拟合
机构 * University of Toronto（多伦多大学）
AI总结 本文将Hashimoto等人的线性分类良性过拟合分析框架扩展至含偏置项的分类器，揭示偏置项对不同协方差 regime 下良性泛化的影响，完善了线性分类良性过拟合的理论。
机构 * Clausthal University of Technology, Clausthal, Germany（克莱斯特哈尔技术大学） ； Vector Institute, University of Toronto, Toronto, Canada（向量研究所）
Journal ref 2nd AI for Math Workshop at ICML 2025
FairFund-Bench：评估大语言模型资源分配中的分配偏差
机构 * University of Toronto（多伦多大学）
AI总结 FairFund-Bench基准通过调整审计格式等特征，发现LLM资源分配的偏差受审计类型影响，且因果框架效应强于人口统计效应，可用于评估LLM的分配偏差。
Comments 19 pages, 7 figures. Code and data: https://github.com/martinlukk/fairfund-bench
SREGym：面向AI SRE代理的实时基准测试平台，具有高保真的故障场景
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 SREGym通过模拟真实云原生系统栈中的高保真故障场景，为AI SRE代理提供实时基准测试环境，包含90个真实挑战性SRE问题，评估前沿代理能力差异显著，可达40%。
ActionParty：生成视频游戏中的多主体动作绑定
机构 * Snap Research（Snap研究院） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出ActionParty，一种可控制多主体的生成视频游戏世界模型，通过引入主体状态标记和空间偏置机制，提升动作关联准确性与身份一致性。
Comments ECCV 2026 - Project page: https://action-party.github.io/
精细指令：将合成指令扩展到预训练规模
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究针对大语言模型监督训练数据有限的问题，提出将互联网规模预训练文档知识转化为合成指令和答案训练对的程序，生成FineInstructions数据集，经实验验证该方法在预训练中表现优于其他技术。
RL²-VLA：面向视觉-语言-动作模型的测试时缩放自适应RL隐成分引导
机构 * National University of Singapore（新加坡国立大学） ； University of Toronto（多伦多大学） ； Singapore Technologies Engineering（新加坡科技工程公司）
AI总结 针对VLA模型分布外任务性能下降问题，提出基于VLA隐空间的自适应推理时引导框架RL²，仅在预测失败时激活成分引导，在SIMPLER等基准上分布外成功率最高提升17.3%，可迁移至真实世界。
Comments Code and models are available at https://rl2-vla.github.io
世界动作模型是否比视觉语言动作模型表现更好？一项鲁棒性研究
机构 * Huawei Technologies（华为技术有限公司） ； University of Toronto（多伦多大学）
AI总结 本文比较了最新状态的VLA策略和最近发布的WAMs，在不同视觉和语言扰动下评估其性能，发现WAMs在鲁棒性上表现更强，而VLA需要大量训练数据和多样化学习目标。
语言模型中的天球表示
机构 * Fields Institute（菲尔兹研究所） ； Principles of Intelligence（智能原理机构） ； University of Toronto（多伦多大学）
AI总结 研究约1000亿参数的语言模型是否存在可从残差流解码的夜空图表示，发现多数开源模型具备该表示，其性能指标优异且为首个弯曲高维不可约特征流形实例，相关代码已公开。
面向AI安全评估的对抗语用学：指令冲突、嵌入命令与策略模糊性基准
机构 * Humber Polytechnic（汉博理工学院） ； University of Toronto（多伦多大学）
AI总结 提出对抗语用学基准和标注协议，通过语言学控制的分类法评估模型在指令冲突、嵌入命令等场景下的行为，为安全评估提供实证和方法论工具。
Comments 32-page main paper plus 13-page supplement; 6 figures and 17 tables total; code and data artifact available at the linked repository
RoboHarness：用于长期规划的异构机器人策略的内存驱动编排
机构 * Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； University of British Columbia（英属哥伦比亚大学） ； University of Toronto（多伦多大学） ； McGill University（麦吉尔大学） ； Labs（2012实验室）
AI总结 针对长期机器人任务需多种能力、异构策略编排难的问题，提出RoboHarness框架，通过多模态执行内存等表征策略能力边界，经内存桥接稳定策略交接，实验验证其在长期规划和分布外鲁棒性上有显著提升。
Comments 21 pages, 8 figures
利用大型语言模型的迭代个性化增强行为提示：一项关于电力和热水节约的实地实验
机构 * School of Environment, Tsinghua University（清华大学环境学院） ； Department of Applied Psychology and Human Development, University of Toronto（多伦多大学应用心理学与人类发展系） ； State Key Laboratory of Regional Environment and Sustainability, Tsinghua University（清华大学区域环境与可持续性国家重点实验室） ； Department of Psychology, Beijing Normal University at Zhuhai（北京师范大学珠海校区心理学系） ； Department of Psychology and Cognitive Sciences, Tsinghua University（清华大学心理学与认知科学系）
AI总结 本研究利用大型语言模型实现迭代个性化，通过实地实验发现其在促进节能方面效果显著，且在前两轮干预中表现更优，但热水节约效果较弱且随时间减弱。
用于流式联邦学习的自适应数据接纳与保留
机构 * University of Toronto（多伦多大学）
AI总结 研究客户端内存有限的流式联邦学习，提出联合服务器端接纳和客户端内存管理框架，开发ACDPP策略，结合K步保留规则与在线接纳规则等，通过论证使其与预言机基准联系，实验表明该策略在满足约束时接近基准。
Tokengeist：智能对话中的多轮归因追踪
机构 * University of Toronto（多伦多大学） ； Microsoft Research（微软研究院）
AI总结 研究多轮对话中语言模型响应的归因问题，提出多轮上下文归因及 Tokengeist 框架，通过有向无环图递归遍历恢复依赖路径，发布基准 MTCABench，实验表明 Tokengeist 能有效解决现有方法多跳依赖恢复不足问题。
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