高校专区
mjlab: 一种轻量级的GPU加速机器人学习框架
机构 * UC Berkeley（加州大学伯克利分校） ； Sorbonne University（索邦大学）
AI总结 mjlab是一种轻量级GPU加速机器人学习框架，结合可组合环境和MuJoCo Warp，提供快速安装和直接访问原生数据结构的功能，并附带三种任务的参考实现。
Comments Comments: 11 pages; Code is available at https://github.com/mujocolab/mjlab ; Expanded sensor and domain randomization sections, added references, minor edits
机器去学习并不如你所想：生成式AI政策与研究的启示
机构 * The GenLaw Center（GenLaw中心） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Center for Democracy & Technology（民主与科技中心） ； Princeton（普林斯顿） ； Google（谷歌） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； Cornell Tech（康奈尔科技） ； Cornell Law School（康奈尔法学院） ； Cornell University（康奈尔大学） ； Lighthouse ； Stanford Law School（斯坦福法学院） ； UC Berkeley（伯克利大学） ； Independent（独立研究者） ； Northeastern University（东北大学） ； Harvard Business School（哈佛商学院） ； W. Virginia University College of Law（维珍尼亚大学法学院）
AI总结 本文指出机器去学习并非通用解决方案，揭示其在生成式AI政策与研究中的局限性。
Comments NeurIPS 2025 (Oral)
交错头部注意力
机构 * Meta ； UT Austin（德克萨斯大学） ； UC Berkeley（伯克利大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 交错头部注意力通过构造伪头实现跨头混合，提升多步推理效率，在多项式任务和顺序敏感任务中参数效率提高，实测在RULER和OpenThoughts上取得显著提升。
反 diagonal 霍尔顿采样
机构 * University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学）
AI总结 反 diagonal 霍尔顿采样通过引入学习的反 diagonal 项，提高多模问题的采样效率，适用于复杂分布的高效采样。
RAYNOVA：在射线空间中实现尺度-时间自回归世界建模
机构 * Applied Intuition ； UC Berkeley（加州大学伯克利分校）
AI总结 RAYNOVA通过双因果自回归框架实现尺度-时间自回归世界建模，在驾驶场景中实现多视角视频生成，具有更高的吞吐量和可控性。
Comments Accepted by CVPR 2026; Project website: https://raynova-ai.github.io/
HetroD：一种用于异质交通中自动驾驶的高保真无人机数据集和基准
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； UC Berkeley（伯克利大学） ； fka GmbH
AI总结 HetroD通过高保真无人机数据集和基准，解决异质交通中自动驾驶面临的复杂行为预测与规划挑战。
Comments IEEE International Conference on Robotics and Automation (ICRA) 2026
从不完美的仿真中学习灵巧操作技能
机构 * UC Berkeley（伯克利大学）
AI总结 本研究提出\ours框架，通过仿真到现实迁移解决复杂接触动力学和触觉反馈问题，实现多指手在螺母拧紧和螺丝驱动任务中的高效操作。
Journal ref 2026 IEEE International Conference on Robotics & Automation
基于描述的可解释性：通过CLIP探测CNN中的偏见
机构 * Northwestern University, Evanston, IL, USA（西北大学） ； University of California, Berkeley, CA, USA（加州大学伯克利分校） ； Eastern Switzerland University of Applied Sciences, Rapperswil, SG, CH（东瑞士应用科学大学）
AI总结 本文提出一种基于描述的XAI方法，通过CLIP模型探测CNN中的偏见，以提高模型鲁棒性。
Comments Accepted and presented at the IEEE ICIP 2025 Satellite Workshop "Generative AI for World Simulations and Communications & Celebrating 40 Years of Excellence in Education: Honoring Prof. Aggelos Katsaggelos", Anchorage, USA, Sept 14, 2025. Camera-ready preprint; IEEE Xplore version to follow. Author variant: Amil Dravid. Code: https://github.com/patch0816/caption-driven-xai
Journal ref 2025 IEEE International Conference on Image Processing Workshops (ICIPW), IEEE, 2025
SPACeR：基于集中参考模型的自我对战锚定
机构 * Applied Intuition ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Stanford University（斯坦福大学）
AI总结 SPACeR通过集中参考模型指导自我对战，实现高效、可扩展的自动驾驶策略生成。
Comments Accepted at ICLR 2026. Project page: https://spacer-ai.github.io/
虚假奖励：重新思考强化学习中的训练信号
机构 * University of Washington, Seattle, WA, USA（华盛顿大学） ； Allen Institute for Artificial Intelligence, Seattle, WA, USA（人工智能研究院） ； University of California, Berkeley, Berkeley, CA, USA（加州大学伯克利分校）
AI总结 该研究发现，即使使用随机分配的虚假奖励，强化学习方法也能在某些模型上显著提升性能，凸显了验证训练信号的重要性。
具有激励的合成控制：通过激励探索实现准确的反事实估计
机构 * J.P. Morgan Chase AI Research（J.P. Morgan Chase人工智能研究） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种激励合成控制方法，通过激励探索实现准确的反事实估计，无需先验重叠假设，并扩展至合成干预场景。
Comments Accepted to TMLR
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