高校专区
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。
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。
可扩展的低成本实验室自动化：用于自主液体处理的数字孪生集成机器人平台（RAINBOTTM）
机构 * Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； AISCIA Informatics（AISCIA信息学公司） ； Hamad Bin Khalifa University (HBKU)（哈马德·本·哈利法大学）
AI总结 研究针对商业液体处理系统的局限，提出将消费级3D打印机改装为低成本液体处理机器人RAINBOTTM的方法，通过数字孪生实现远程监控，结合CEIDTM框架进行目标导向实验，成本低，建立了可访问的物理 - 虚拟实验室自动化框架。
人工智能数学推理：语言模型、神经符号系统与验证发现的综合综述
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 本文综述了数学推理领域从早期规则系统到当代推理模型、多智能体系统及验证发现工作流的演变，沿非正式推理、形式推理、数学发现及推理技术四轴组织，并评估了基准测试、失败模式及未来方向。
Comments Under review, 47 pages, 14 figures, 22 tables
MaskAttn-SDXL：可控区域级文本到图像生成
机构 * University of Southern California（南加州大学） ； University of Toronto（多伦多大学）
AI总结 本文提出MaskAttn-SDXL模块，通过在softmax前注入token条件空间门控，解决扩散模型在多物体生成中的全局协调和可靠性问题，无需改变SDXL流程。
Comments Published in the 2026 International Joint Conference on Neural Networks (IJCNN 2026)
Journal ref Proceedings of the 2026 International Joint Conference on Neural Networks (IJCNN 2026)
当模拟看起来正确但因果效应出错：大型语言模型作为行为模拟器
机构 * University of Toronto（多伦多大学）
AI总结 研究评估了大型语言模型在气候心理学干预中的行为模拟能力，发现描述性拟合不等于因果准确性，不同干预逻辑和结果类型导致误差差异，提示依赖描述性拟合可能误导干预效果结论。
AutoWorld: 通过自监督世界模型扩展多智能体交通仿真
机构 * University of Toronto（多伦多大学）
AI总结 本文提出AutoWorld框架，利用未标记的LiDAR数据自监督学习世界模型，提升多智能体交通仿真的真实感与性能，实验表明未标记数据能有效提升仿真效果。
可控聊天机器人：通过大语言模型激活引导探索个性化控制界面
机构 * University of Toronto（多伦多大学） ； Google AR（谷歌AR）
AI总结 研究探索可控聊天机器人范式，通过激活引导实现个性化，利用线性标量控制偏好表达强度，设计三种界面原型并进行用户研究，发现其在冷启动任务中比单独提示更能契合用户偏好，揭示了相关个性化方面的不同价值。
当伦理与收益相悖时：道德两难情境下的大语言模型智能体
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根人工智能研究所） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究道德要求与利润激励冲突时LLMs在道德两难博弈中的行为，引入\msim评估九个模型，通过ATEs估计因果效应、分析推理轨迹，发现模型道德行为有情境脆弱性，揭示了部署风险。
生成式增强推断
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）
AI总结 提出生成式增强推断（GAI）框架，将AI输出视为学习真实标签的高维信息特征而非代理，通过非参数方法建模，实现人机数据联合的一致估计和有效推断，在随机标注下渐近效率严格优于仅用人类数据。
用于因果推断的先验数据拟合网络的频率派一致性
机构 * LMU Munich \& Munich Center for Machine Learning (MCML), Munich, Germany ； University of Toronto \& Vector Institute, Toronto, Canada
AI总结 本文分析基于先验数据拟合网络（PFN）的平均处理效应（ATE）估计量的频率派一致性，发现其存在先验诱导的混淆偏差，并提出基于一步后验校正（OSPC）的校准方法，结合鞅后验恢复功能干扰后验，从而恢复频率派一致性并实现半参数Bernstein-von Mises定理。
Journal ref Proceedings of the 43-rd International Conference on Machine Learning, Seoul, South Korea, PMLR 306, 2026
探索扩散模型在约束逆运动学中的内在几何结构
机构 * Institute for Aerospace Studies, University of Toronto（航空航天研究所以及多伦多大学）
AI总结 通过约束逆运动学问题，研究扩散模型能否恢复数据流形的内在几何结构，实验表明模型得分函数恢复的内在维度与解析自由度匹配，且潜在空间线性插值保持约束流形结构。
Comments In Proceedings of the Robotics: Science and Systems (RSS) 2026 Workshop on Diffusion for Robot Learning, Sydney, Australia, July 17, 2026
鲁棒推理基准
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本研究提出鲁棒推理基准（RRB），通过13种确定性文本扰动评估8种前沿模型，发现Claude在面对变换提示时表现出异常拒绝行为，而开放权重模型在结构噪声下出现多种失败模式，如认知冲刷、分词崩溃和推理崩溃，导致平均准确率下降高达54%。研究进一步发现由模型自身推理链引起的注意力稀释问题，并提出Intra-Query Attention Dilution概念，表明中间推理步骤会污染标准密集注意力机制，未来架构需整合显式上下文重置以实现可靠推理。
CLT-Forge：一种可扩展的跨层转码器和归因图库
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Jinesis AI Lab（Jinesis人工智能实验室） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； CMU（卡内基梅隆大学） ； EuroSafeAI ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文提出CLT-Forge库，通过分布式训练、模型分片和压缩激活缓存提升跨层转码器的可扩展性，提供统一的可解释性流程和可视化接口，解决归因图的冗余问题。
Comments 9 pages, 7 figures, 1 table. Code: https://github.com/LLM-Interp/CLT-Forge. Demonstration video: https://youtu.be/6ptrrLawTl8
推理模型中的流体表示
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Toronto（多伦多大学）
AI总结 研究揭示了推理模型通过上下文细化令牌表示提升抽象问题解决能力的机制，提出流体推理表示概念。
Comments EMNLP 2026
3D 中的疼痛：生成用于自动疼痛评估的可控合成面部
机构 * Vector Institute（向量研究所） ； KITE Research Institute（KITE研究机构） ； University Health Network（大学健康网络） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Department of Medical Imaging, University of Toronto（多伦多大学医学成像系） ； Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所）
AI总结 研究针对面部表情自动疼痛评估面临的数据稀缺等问题，提出3DPain数据集及三阶段框架合成多视图面部，还引入ViTPain框架，为可推广的自动疼痛评估建立了可控、多样且基于临床的基础。
平均能量基于的贝叶斯推断
机构 * California Institute of Technology（加州理工学院） ； University of Toronto（多伦多大学）
AI总结 本文研究了在仅能获取参数和观测联合分布样本的情况下，非线性逆问题的平均能量基于的贝叶斯推断方法，提出了一种基于传输的方法，通过学习观测依赖的映射来近似后验分布，避免了传统方法的计算开销。
Comments 25 pages, 9 figures
具有仅距离测量的四旋翼编队飞行的可观测性意识控制
机构 * Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究 institute）
AI总结 本文提出一种基于STLOG的OPC控制器，用于提升四旋翼编队飞行在仅距离测量下的可观测性与定位鲁棒性。
Comments 37 pages, 5 figures
LightCrafter：用于可控且一致的重光照的PBR条件视频扩散细化
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Bosch Research（博世研究）
AI总结 研究视频重光照问题，提出LightCrafter混合管道，将其重表述为代理视频转换，利用PBR渲染并结合光度先验，在真实世界重光照基准上优于现有技术，还贡献合成基准及相关资源。
Comments Project page: https://www.zixinguo.me/lightcrafter
OPINE-World：基于本体错误优先的交互式探索的程序化世界建模
机构 * University of Toronto（多伦多大学）
AI总结 提出OPINE-World，一种在线交互学习面向对象的程序化世界模型的LLM智能体，通过本体错误度量引导探索，在ARC-AGI-3基准上无需逐游戏训练即解决20/25个游戏，动作效率达78.4。
解释时序图神经网络通过特征诱导的信息流
机构 * Berlin Institute for the Foundations of Learning and Data – BIFOLD（柏林学习与数据基础研究所） ； Machine Learning Group, Technical University of Berlin（柏林工业大学机器学习组） ； RIKEN AIP（日本理化学研究所革新智能综合研究中心） ； Department of Artificial Intelligence, Korea University（高丽大学人工智能系） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； Department of Chemistry, Chemical Physics Theory Group, University of Toronto（多伦多大学化学系化学物理理论组） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟）
AI总结 提出一种基于归一化相关度量框架的归因方法，通过分析所有事件相关变量的信息流来完整解释事件时序图神经网络，优于现有方法。
一种用于自然语言形式化和验证的神经符号方法
机构 * Amazon Web Services（亚马逊网络服务） ； University College London（伦敦大学学院） ； University of Toronto（多伦多大学） ； Queen Mary University of London（伦敦大学女王学院）
AI总结 针对大型语言模型缺乏形式正确性保证的问题，提出神经符号方法ARc，通过使用带人工指导的大型语言模型形式化自然语言政策，并在推理时验证逻辑正确性，实现高健全性和低误报率，还能产生可审计工件。
Comments 28 pages, 11 figures
TopCoW挑战——用于CT和MR血管造影的拓扑感知Willis环分割
机构 * Department of Quantitative Biomedicine, University of Zurich, Zurich, Switzerland ； Institute of Computational Life Sciences, Zurich University of Applied Sciences (ZHAW), Waedenswil, Switzerland ； Department of Neuroradiology, University Hospital of Zurich, Zurich, Switzerland ； Department of Neurosurgery, Zhongnan Hospital of Wuhan University, Wuhan, China ； Department of Radiology at Weill Cornell Medicine, Cornell University, New York, USA ； Institute for Tissue Engineering ； School of Computation, Information ； Technology, Technical University of Munich, Germany ； Athinoula A. Martinos Center for Biomedical Imaging, Harvard Medical School, Boston, USA ； School of Medicine ； Health, TUM Klinikum, Technical University of Munich, Germany ； Munich Center for Machine Learning, Munich, Germany ； Department of Computing, Imperial College London, London, UK ； Image Sciences Institute, UMC Utrecht, Utrecht, The Netherlands ； Department of Neurology ； Neurosurgery, University Medical Center Utrecht, Utrecht, The Netherlands ； Department of Radiology, University Medical Center Utrecht, Utrecht, The Netherlands ； Electronic \& Information Engineering School, Harbin Institute of Technology (Shenzhen), China ； Peng Cheng Laboratory, Shenzhen, China ； Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany ； Faculty of Mathematics ； Computer Science, Heidelberg University, Germany ； Helmholtz Imaging, German Cancer Research Center, Heidelberg, Germany ； Data Science School for Health, Karlsruhe/Heidelberg, Germany ； Learning Group, Department of Radiation Oncology, Heidelberg University Hospital ； Department of Radiology, University of Washington, Seattle, WA, USA ； Department of Radiology, Ren Ji Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China ； Department of Clinical Neurosciences, Division of Neurosurgery, Geneva University Hospitals, Geneva, Switzerland ； Department of Neurology, University Hospital of Zurich, Zurich, Switzerland ； Department of Physiology, University of Toronto, Canada ； Department of Neurosurgery, University Hospital of Zurich, Zurich, Switzerland ； Department of Diagnostic Imaging, National University Hospital, Singapore ； University of Chicago, USA ； Department of Diagnostic ； Interventional Neuroradiology, University Hospital Berne ； University of Berne, Berne, Switzerland ； Centre de Recherche du Centre Hospitalier de l’Université de Montréal (CRCHUM), Montréal, Québec, Canada ； DEEPNOID Inc., Seoul, South Korea ； Department of Artificial Intelligence, Korea University, Seoul, South Korea ； Charité Lab for AI in Medicine (CLAIM), Charité Universitätsmedizin Berlin, Berlin, Germany ； Lung Institute, Faculty of Medicine, Imperial College London, London, UK ； Centre for Medical Image Computing, Department of Computer Science, University College London, London, UK ； Department of Radiation Oncology, Duke University Medical Center, Durham, NC, USA ； Institute of Medical Technology, Peking University Health Science Center, Beijing, China ； Hangzhou Genlight MedTech Co., Ltd., China ； Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China ； Department of Automation, Shanghai Jiao Tong University, Shanghai, China ； Department of Artificial Intelligence, Sungkyunkwan University, Seoul, South Korea ； Department of Electrical ； Computer Engineering, Sungkyunkwan University, Seoul, South Korea ； Shanghai MediWorks Precision Instruments Co., Ltd., China ； Institute of Informatics, HES-SO Valais-Wallis, Switzerland ； Department of Measurement ； Electronics, AGH University of Krakow, Poland ； Laboratoire de Thermique et Energie de Nantes (LTeN), Université Nantes, Polytech’Nantes, Nantes, France ； Research Institute of Computer Vision ； Center for Precision Health, McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston, USA ； Physense, BCN-Medtech, Department of Communication ； Information Technologies, Universitat Pompeu Fabra, Barcelona, Spain ； Department of Mathematical Modeling ； Machine Learning, University of Zurich, Zurich, Switzerland ； Laboratory of Brain Atlas ； Brain-inspired Intelligence, Institute of Automation, Chinese Academy of Sciences, Beijing, China ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China ； School of Computer ； Information Engineering, Xiamen University of Technology, Xiamen, China ； Vascular Research Center, University at Buffalo, NY, USA ； Department of Pathology ； Anatomical Sciences, University at Buffalo, NY, USA ； Department of Neurosurgery, University at Buffalo, NY, USA ； LPIXEL Inc., Tokyo, Japan
AI总结 组织TopCoW基准挑战，发布含125对MRA和CTA扫描的注释数据集，参与者提交CoW分割和变体分类算法，经评估，最佳算法在多任务中表现出色，证明CoW分割算法对下游临床应用有可解释性效用。
Comments Summary paper for the TopCoW Challenge: 4 figures, 1 table, and supplementary material in appendix. Accepted for publication in NEJM AI. Datasets and best-performing algorithm Dockers are available at https://zenodo.org/records/15692630 and https://zenodo.org/records/15665435
Journal ref NEJM AI 2026;3(8)
在扩散大型语言模型中进行提示压缩：在LLDA上评估LLMLingua-2
机构 * University of Toronto（多伦多大学） ； King Mongkut’s University of Technology Thonburi（泰国科技理工学院）
AI总结 本文研究了提示压缩在扩散大型语言模型中的有效性，通过在LLDA上评估LLMLingua-2，发现提示压缩在数学推理任务中效果不佳，而摘要任务相对稳健，表明为扩散模型设计的提示压缩方法并不适用于所有场景。
Comments Accepted to appear in The 14th International Conference on Advances in Information Technology (IAIT2026)
具有连续处理的因果基础模型
机构 * Layer 6 AI ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文提出首个连续处理因果基础模型，通过设计连续处理变量的数据生成先验，生成丰富因果训练语料，并利用Transformer重建个体治疗响应曲线，实现无需额外训练的因果效应预测。
Comments 21 pages, 9 figures; added link to inference code
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