高校专区
合成角色预训练：从零开始的对齐
机构 * EPFL（洛桑联邦理工学院） ； University of Toronto（多伦多大学） ； Northeastern University（东北大学） ； SJTU（上海交通大学） ； Saarland University（萨尔大学） ； Hereon（亥姆霍兹极地与海洋研究中心） ； TUHH（汉堡工业大学） ； Ontocord AI（Ontocord人工智能公司） ； TUC（德累斯顿工业大学） ； DFKI（德国人工智能研究中心）
AI总结 该研究提出合成角色预训练（SPP），在预训练token零阶段植入助手角色，通过标注反思、预训练及角色绑定，提升模型价值构成遵循度与鲁棒性，降低对齐错误率，证明预训练时角色干预是对齐的有效方法。
从视觉控件到UI代码：高效的基于工具的生成
机构 * McMaster University（麦克马斯特大学） ； University of Toronto（多伦多大学） ； Concordia University（康考迪亚大学）
AI总结 本研究提出轻量级工具框架WidgetGen，在6个多模态模型和1000个控件上，其视觉重建指标优于直接提示和Widget2Code，且重建的图像-代码对可提升Qwen系列模型性能
Comments ECCV2026 (MUCG Workshop)
面向移动智能体评估的LLM评判基准测试
机构 * Mila – Québec AI Institute（米拉-魁北克人工智能研究所） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） ； Shanghai University（上海大学） ； McMaster University（麦克马斯特大学）
AI总结 该研究推出MobileJudgeBench基准，评估6种LLM评判器方法在移动智能体轨迹上的可靠性，发现简单基线评判器具竞争力、基准质量指标可预测评判器效用，且不同LLM后端故障特征相反。
面向统一动态人脸关键点检测
机构 * University of Toronto（多伦多大学） ； ModiFace（ModiFace公司）
AI总结 该研究针对人脸关键点检测需为不同N点数据集独立训练模型、仅能输出固定数量关键点的局限，提出FPALP概念与统一动态FLD方法，实现单模型适配多数据集、动态输出指定数量关键点，性能优于部分现有SOTA方法。
Comments 9 pages, 6 figures in Main Paper. 13 pages, 3 figures in Appendix
P³：用于验证代码生成的程序与证明联合规划
机构 * Apodex ； Princeton University（普林斯顿大学） ； Caltech（加州理工学院） ； University of Toronto（多伦多大学）
AI总结 P³是一种用于验证代码生成的程序与证明联合规划的LLM智能体工作流，在三个基准上的求解率优于基线，还降低了API成本与运行时间。
DoRF++：面向鲁棒Wi-Fi感知的多普勒辐射场球面表示学习
机构 * University of Toronto（多伦多大学）
AI总结 本文针对Wi-Fi感知的跨用户泛化难题，提出DoRF++模型，将NeRF概念引入Wi-Fi感知，结合球面Transformer实现手势识别，在单多天线AP场景下的困难手势识别中性能优于现有方法。
视频世界模型的可寻址内存
机构 * NVIDIA（英伟达） ； Princeton University（普林斯顿大学） ； University of Toronto（多伦多大学） ； Vector Institute（矢量研究院）
AI总结 针对交互式视频世界模型超出训练时序后内存寻址失效及压缩缓存破坏内存的问题，提出无训练框架 WorldTrace，含两种压缩方法，在新基准 LoopBench 上分别提升时序一致性 15.5%、情景回忆 19.5%。
Comments Project page: https://research.nvidia.com/labs/sil/projects/WorldTrace/
全模态分解自编码器学习全栈可穿戴解耦表示
机构 * Khalifa University（哈利法大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室） ； Aristotle University of Thessaloniki（亚里士多德大学）
AI总结 该研究针对现有多模态可穿戴模型的不足，提出OmniDecVAEs框架，在30模态的HAR任务中，提升了识别准确率与数据合成质量，可用于边缘可穿戴与医疗领域。
Comments 15 pages, 7 figures, 7 tables
分子生成模型如何组织分子身份
机构 * Toyota Research Institute（丰田研究所） ； Technical University of Denmark（丹麦技术大学） ； CAPeX Pioneer Center for Accelerating P2X Materials Discovery（CAPeX P2X材料发现加速先锋中心） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； NVIDIA（英伟达） ； Massachusetts Institute of Technology（麻省理工学院） ； Acceleration Consortium（加速联盟）
AI总结 该研究通过明确分子身份并将其通过生成过程拉回，揭示了三种分子生成架构的内部储备呈分段常数区域，其组织受多种因素影响，需先表征内部组织才能将生成空间视为可化学导航。
Comments 22 pages (14 main text + 8 supporting information)
滑动传感器：连续体机器人状态估计的可配置置信度
机构 * University of Toronto Robotics Institute（多伦多大学机器人研究所）
AI总结 本研究提出可机械重构的滑动传感器设计，通过调整其在连续体机器人内的位置优化状态估计置信度，可降低全身形状估计误差，为连续体机器人的安全交互提供支撑。
Comments Accepted as an extended abstract at 2026 IEEE 9th International Conference on Soft Robotics (RoboSoft). * Equal contribution
面向技能原生的大语言模型：用于基准测试和训练长程推理的技能熵
机构 * Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； 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） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学）
AI总结 该研究针对现有基准无法评估LLM跨技能长程推理能力的问题，提出Skill Entropy（技能熵）并构建Skill²-Bench基准，还开发Skill-Entropy RL训练框架，显著提升了Qwen3模型在该基准上的表现。
LiNC：基于逐样本置信度与高斯混合模型的轻量级噪声校正
机构 * University of Toronto（多伦多大学） ； The Hospital for Sick Children（病童医院） ； UHN KITE Research Institute（大学健康网络KITE研究所） ； Vector Institute（向量研究所） ； Institute of Biomedical Engineering（生物医学工程研究所） ； Rehabilitation Sciences Institute（康复科学研究所） ； Department of Laboratory Medicine and Pathobiology（检验医学与病理生物学系）
AI总结 针对医学成像数据集的标签噪声问题，本文提出LiNC方法，通过逐样本置信度参数结合高斯混合模型校正标签，在MedMNISTv2数据集上取得稳定的准确率提升且开销极小。
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
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
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。
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。
理论上可认证，实践中却被破解：密码学模型认证中的假设差距
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Vector Institute & University of Toronto（向量研究所及多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； J.P.Morgan AI Research & AlgoCRYPT CoE（摩根大通人工智能研究及AlgoCRYPT中心） ； University of Toronto（多伦多大学）
AI总结 研究密码学模型认证中现有安全定义与实际应用的差距，通过精心设计训练数据可攻击相关认证方案。为此形式化严格安全概念，引入通用协议模板，为设计安全隐私保护的机器学习审计协议提供指导。
Humanly：一个用于人机协作写作的可配置且可追溯的环境
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； USC（南加州大学） ； KAUST（阿卜杜拉国王科技大学）
AI总结 研究针对人机协作写作难以判断创作过程的问题，提出Humanly写作平台，用户能配置环境，平台记录活动与辅助，可打包会话生成证书，支持多种场景，经研究验证对各角色有帮助且能区分打字方式。
ArbiGraph：用于评估上下文管理的任意可扩展可验证任务图
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 ArbiGraph作为基准生成器，将任务表示为带Python求解器的自然语言问题，通过类型化中间状态组合任务。用多种任务类别实例化并评估智能体，发现其在孤立任务和复杂相关任务上表现不同，揭示了单任务评估无法发现的问题。
SeededGrasp：复杂场景中多实体语言引导抓取
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of British Columbia（英属哥伦比亚大学） ； Google Deepmind（谷歌DeepMind）
AI总结 针对复杂场景中机器人抓取问题，提出 SeededGrasp 框架，通过 VLM 预测种子点，结合轻量级抓取生成模型，解耦语义与几何执行，无需端到端训练，发布多实体数据集，实验证明该方法优于基线。
用于诊断性MRI的频率分层主动k空间采样
机构 * Istanbul Technical University（伊斯坦布尔技术大学） ； University of Toronto（多伦多大学） ； Sunnybrook Research Institute（桑尼布鲁克研究所） ； KTH Royal Institute of Technology（皇家理工学院）
AI总结 研究针对MRI加速采样中不同频率信息处理难题，提出HieraSample框架，通过余弦退火课程和基于Mamba的策略，在不同加速倍数下实现高效采样，在fastMRI+膝盖基准测试中提升了ACL诊断性能。
Comments EMA4MICCAI 2026: The 2nd MICCAI Workshop on Efficient Medical AI
VQ-Transplant：用于预训练视觉分词器的高效VQ模块集成
机构 * University of Toronto（多伦多大学） ； Boston College（波士顿学院）
AI总结 研究针对训练VQ模块资源需求大的问题，提出VQ-Transplant框架，可将新VQ模块集成到预训练分词器，保留编码器-解码器参数，引入轻量级解码器适应策略，降低训练成本95%，在工业级模型上获高重建保真度，推动量化研究发展。
Comments 20 pages, 9 figures and 16 tables
通过UMAP降维增强的电子健康记录中乳腺癌数据的无监督聚类分析
机构 * Dipartimento di Informatica Sistemistica e Comunicazione, Università di Milano-Bicocca（信息系统与通信系，米兰比可卡大学） ； Institute of Health Policy Management and Evaluation, University of Toronto（卫生政策管理与评估研究所，多伦多大学）
AI总结 研究利用电子健康记录中的乳腺癌数据，先采用DBSCAN密度聚类法，又通过UMAP降维增强效果，用三个统计指标评估聚类结果，证实了UMAP与DBSCAN结合用于该数据聚类的有效性，为医学解读患者组提供了支持。
Comments Accepted at the CIBB 2026 conference ( https://cibb2026.teralab.ai/ )
AgentDebugX：用于大语言模型代理中故障可观测性、归因和恢复的开源工具包
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） ； Google（谷歌公司） ； Stanford University（斯坦福大学）
AI总结 研究大语言模型代理故障调试难题，提出开源框架AgentDebugX，其核心DeepDebug通过多轮诊断定位根源，在基准测试中表现出色，能修复更多失败任务，还通过多种方式公开工作流程并提供错误中心。
对齐调整如何塑造大语言模型中谄媚及相关线索诱导偏差的表征？
机构 * University of Michigan（密歇根大学） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室和向量研究所） ； Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 研究大语言模型中谄媚及相关线索诱导偏差的位置，通过从隐藏状态提取偏差方向并经探测等三种方法三角测量，发现易感性由对齐调整而非预训练导致，还能适度去偏，偏差是对齐调整安装的不同因果活性方向。
DA-MergeLoRA：基于超网络的LoRA合并用于少样本测试时的域适应
机构 * Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） ； Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）
AI总结 研究少样本测试时的域适应问题，提出DA-MergeLoRA框架，将LoRA微调与模型合并相结合，通过元学习训练超网络生成合并因子，在多个域适应数据集上取得最优性能。
Comments ECCV 2026, Code: https://github.com/nahbois4321/DA-MergeLoRA
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