高校专区
新颖的GPU Boruta算法用于从高维数据中进行特征选择
机构 * Department of Chemical Engineering, Tsinghua University（清华大学化学工程系）
AI总结 本文提出两种GPU加速的Boruta算法，通过排列重要性和杂质减少重要性提升计算效率，实验表明其在保持特征选择准确性的同时显著提高了处理大规模数据集的效率。
Comments This paper has been submitted to the journal Data Mining and Knowledge Discovery, and a preprint is available for the authors' records
NaiAD：启动基于数据的研究以进行大语言模型广告
机构 * Tsinghua University（清华大学） ； College of AI（人工智能学院） ； Department of Literature, Arts and Communication（文学、艺术与传播系） ； Anhui International Studies University（安徽国际关系大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）
AI总结 本文提出NaiAD数据集，用于研究大语言模型广告，包含58999个精心构建的广告嵌入响应与用户查询，通过理论指导的评估指标提升用户体验和商业价值。
Comments 37 pages, 11 figures
PDEAgent-Bench: 一个多指标、多库的PDE求解器生成基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Tencent（腾讯） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Arizona State University（亚利桑那州立大学） ； Rice University（里士满大学） ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学） ； Alibaba Group（阿里巴巴集团）
AI总结 PDEAgent-Bench是首个针对PDE求解器生成的多指标、多库基准，包含645个实例，涵盖6类数学问题和11种PDE家族，评估生成求解器的可执行性、数值精度和计算效率。
WindINR: 隐式神经表示的潜在状态用于复杂地形中快速局部风查询与修正
机构 * Tsinghua University（清华大学） ； MBZUAI ； Columbia University（哥伦比亚大学） ； EPFL（苏黎世联邦理工学院） ； The Arctic University of Norway（挪威北极大学）
AI总结 WindINR通过隐式神经表示框架实现复杂地形中高分辨率局部风查询和稀疏观测修正，利用潜在状态解码器提升查询效率，实现快速修正和高精度风力预测。
具有鲁棒性的扩散求解器用于逆问题
机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学尤太数学科学中心）
AI总结 本文提出一种鲁棒扩散求解器，通过噪声估计和Huber损失构建迭代加权最小二乘目标，以解决逆问题中的异常值问题，并在多个图像数据集上验证了其有效性。
Comments Accepted by CVPR 2026
大语言模型如何被说服：几个被重定向的注意力头
机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Tsinghua University（清华大学） ； Skywork AI
AI总结 研究揭示大语言模型在被说服时，少量中间层注意力头决定答案，通过重定向注意力产生事实性错误，该机制在开源LLM和现实攻击场景中均有效。
Comments 9 pages, 9 figures
Pair2Scene：学习局部物体关系以生成程序化场景
机构 * The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出Pair2Scene框架，通过学习局部规则与场景层次和物理算法，生成高保真的3D室内场景，优于现有方法。
Comments ICML 2026
SegviGen：将3D生成模型重新利用于部件分割
机构 * Renmin University of China（中国人民大学） ； Tsinghua University（清华大学） ； Beihang University（北航） ； Beijing Jiaotong University（北京交通大学） ； Bambu Lab（Bambu实验室）
AI总结 SegviGen通过利用预训练3D生成模型的结构先验，提出了一种新的高效部件分割框架，实现了交互式分割、完整分割及2D引导分割，实验显示在交互式分割上提升40%，完整分割提升15%，仅使用0.32%标注数据。
Comments Project page: https://fenghora.github.io/SegviGen-Page/
大语言模型中的稀疏奖励子系统
机构 * Tsinghua University（清华大学） ； Stanford University（斯坦福大学）
AI总结 研究揭示大语言模型隐藏状态中稀疏神经元构成奖励子系统，识别价值神经元和多巴胺神经元，用于预测模型置信度和指导推理过程。
AuthGlass: 通过综合声学特征在智能眼镜上基准测试语音活度检测与认证
机构 * Tsinghua University（清华大学）
AI总结 本文提出AuthG-Live和AuthG-Net方法，通过综合声学特征在智能眼镜场景下实现语音活度检测与认证，并发布AuthGlass数据集以促进相关研究。
Comments Submitted to IMWUT 2026
数据混合可在知识获取中引发相变
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Qizhi Institute（上海启智研究院） ； Simons Institute for the Theory of Computing, UC Berkeley（伯克利理论计算研究所）
AI总结 本文研究了在数据混合训练中LLM的知识获取行为，发现混合比例和模型规模会影响知识获取的相变现象，揭示了容量分配机制与信息理论框架下的预测关系。
Comments NeurIPS'25 Spotlight
Meow-Omni 1：用于猫类行为学的多模态大语言模型
机构 * University College London（伦敦大学学院） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 Meow-Omni 1通过融合视频、音频和生理时间序列数据，实现对动物意图的精准识别，其在MeowBench基准测试中达到71.16%的准确率，推动了跨物种意图理解及基础模型在兽医诊断和野生动物保护中的应用。
恒定目标能量匹配：连续和离散密度估计的统一框架
机构 * Department of Mathematical Sciences（数学科学系） ； Tsinghua University（清华大学） ； Qiuzhen College（启真学院） ； Yanqi Lake Beijing Institute of Mathematical Sciences and Applications（燕琦湖北京数学科学与应用研究院） ； Yau Mathematical Sciences Center（叶德培数学科学中心）
AI总结 本文提出CTEM框架，通过恒定目标能量差变换实现连续、离散和混合变量密度估计，提升密度估计性能并生成高质量样本。
CATO：用于一般几何PDE的图表化注意机制
机构 * DAMTP University of Cambridge（剑桥大学数学部） ； Institute for Foundations of Data Science（数据科学基础研究所） ； Yale University（耶鲁大学） ； Yau Mathematical Sciences Center Tsinghua University（清华大学姚贝泰数学科学中心）
AI总结 CATO通过学习几何自适应图表和导数感知物理监督，提高了PDE运算的精度和效率，实现26.76%的性能提升并减少81.98%的参数数量。
LLaVA-UHD v4: 什么使多模态大语言模型中的高效视觉编码成为可能？
机构 * Tsinghua University（清华大学） ； ModelBest
AI总结 本文通过 slice-based 编码和 intra-ViT 早期压缩，提升了多模态大语言模型在高分辨率图像输入中的视觉编码效率，减少 55.8% 的 FLOPs 而不牺牲下游性能。
Dolphin-CN-Dialect：中文方言的重要性
机构 * Dataocean AI ； Speech and Audio Technology Lab, Dept. EE, Tsinghua University（语音与音频技术实验室，电子工程系，清华大学）
AI总结 本文提出Dolphin-CN-Dialect模型，专注于中文及方言丰富的场景，通过改进数据处理、分词、训练稳定性及数据采样策略，提升方言识别性能，并实现流式与非流式推理，提供灵活定制和高效部署。
AssemPlanner：一种面向灵活装配系统的多智能体任务规划框架
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen 518055, China（清华大学深圳国际研究生院，清华大学，深圳 518055，中国） ； Department of Mechanical Engineering, Tsinghua University, Beijing 100084, China（清华大学机械工程系，清华大学，北京 100084，中国）
AI总结 本文提出AssemPlanner，一种多智能体任务规划框架，通过自然语言描述的任务转化为可执行的生产操作序列，解决传统方法配置耗时的问题。
ProcVLM：基于学习的程序导向进度奖励用于机器人操作
机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； Zhipu AI（智谱AI） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
AI总结 ProcVLM通过程序结构和阶段内视觉变化学习密集的进度奖励，提升机器人操作的程序推理能力，优于现有基线方法。
Omni-DeepSearch：一种基于音频的多模态深度搜索基准
机构 * CASIA ； UCAS ； BAAI ； Peking University（北京大学） ； Tsinghua University（清华大学）
AI总结 本文提出Omni-DeepSearch基准，用于评估基于音频的多模态深度搜索能力，通过多跳推理生成客观答案，结果显示该任务极具挑战性。
Comments 43 pages
超越全能代理：企业工作流中角色专业化多代理协作的基准测试
机构 * BAAI（北京人工智能研究院） ； CASIA（中国科学院自动化研究所） ； UCAS（中国科学技术大学） ； Peking University（北京大学） ； Tsinghua University（清华大学）
AI总结 本文提出EntCollabBench，用于评估企业多代理协作，模拟权限隔离组织，包含工作流和审批两个子集，通过执行轨迹、数据库验证和确定性政策裁决评估代理系统，实验表明当前模型在企业协作中仍存在缺陷。
Comments 45 pages
RewardHarness: 自我进化代理的后训练
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Kolors Team, Kuaishou Technology（快手团队） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Waterloo（滑铁卢大学） ； Etude AI ； Tsinghua University（清华大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 RewardHarness通过自我进化代理框架，利用少量人类偏好示例迭代优化工具库，实现高效图像编辑评估，准确率达47.4%，超越GPT-5 5.3个百分点。
Comments Project page: https://rewardharness.com
PrepBench: 我们距离自然语言驱动的数据准备还有多远？
机构 * Department of Computer Science and Technology, BNRist, Tsinghua University（计算机科学与技术系，BNRist，清华大学）
AI总结 PrepBench评估自然语言驱动的数据准备能力，涵盖交互澄清、代码生成和代码到工作流翻译三项核心能力，通过爬取数据挑战并设计系统性基准，揭示当前LLM在实现该范式转变中的挑战。
将地球观测数据的使用转型：利用历史先验进行超大规模训练的生成压缩模型，实现高达10000倍的数据压缩
机构 * Institute of Data and Information, Tsinghua Shenzhen International Graduate School（数据与信息研究所，清华大学深圳国际研究生院） ； Department of Earth System Science, Tsinghua University（地球系统科学系，清华大学） ； Sun Yat-Sen University（中山大学） ； National University of Singapore（新加坡国立大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心）
AI总结 本文提出一种生成压缩框架，利用历史地球观测档案实现任务自适应的数据压缩，通过超大规模训练实现高达10000倍的数据减少，展示历史先验生成压缩在地球观测数据中的应用潜力。
一对GRPO家族的统一：从隐式到显式的偏好约束用于稳定和通用的RL对齐
机构 * Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 本文提出了一种统一的偏好基于RL优化框架，通过Soft-Pair-GRPO和Hard-Pair-GRPO两种变体，解决了主流配对偏好学习中政策更新不稳定、梯度方向模糊等问题，提升了对齐质量与训练稳定性。
SE-Bench：基于知识内化的自我进化基准测试
机构 * Tsinghua University（清华大学）
AI总结 SE-Bench通过构建封闭书本训练环境，揭示了知识内化过程中开放书本悖论、RL差距及自博弈的有效性，为自我进化能力评估提供了严谨的诊断平台。
Comments Under review
谱分析与序列知识编辑崩溃的缓解
机构 * Shandong University（山东大学） ； School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
AI总结 本文通过谱分析揭示了序列知识编辑中模型泛化能力与预训练权重矩阵主导奇异方向的关系，提出REVIVE框架通过显式保留主导奇异子空间来稳定编辑过程，提升编辑效果并保持模型泛化能力。
Comments 22 pages, 18 figures, Accepted to ACL 2026 (Main Conference)
MapNav: 一种通过标注语义地图的新型记忆表示方法用于视觉-语言导航
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Tsinghua University（清华大学） ； Beijing Innovation Center of Humanoid Robotics Co., Ltd.（北京人形机器人创新中心有限公司） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学多媒体信息处理国家重点实验室，计算机学院）
AI总结 本文提出MapNav，通过标注语义地图替代传统历史帧，提升视觉-语言导航任务的性能，实验表明其在模拟和现实环境中均达到SOTA水平。
OrderFusion：用于端到端概率日内电价预测的订单簿编码
机构 * Delft University of Technology（代尔夫特理工大学） ； Austrian Institute of Technology（奥地利技术研究院） ； RWTH Aachen（亚琛工业大学） ； London Business School（伦敦商学院） ； University of Oxford（牛津大学） ； Squirrel AI（Squirrel AI公司） ； Tsinghua University（清华大学）
AI总结 本文提出OrderFusion方法，通过端到端概率模型学习订单簿的交互结构，改进日内电价预测，通过分层量化估计避免量化交叉问题。
Comments 10 pages, 4 figures, 4 tables
Sundial：一个高能力时间序列基础模型家族
机构 * School of Software, BNRist, Tsinghua University（软件学院，BNRist，清华大学）
AI总结 Sundial提出基于流匹配的TimeFlow损失，实现无需离散化的时间序列Transformer预训练，生成多可能预测，提升表示学习灵活性，并在时间序列基础模型中取得前所未有的模型容量和泛化性能。
基于神经拍卖的大型语言模型广告
机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学）
AI总结 本文提出神经拍卖机制，通过在LLM内部表示中进行拍卖，解决广告嵌入中的收益、平台收入与用户体验平衡问题，实现策略-proof且优化平台收益。
Comments 17 pages, 9 figures, including appendices
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