高校专区
分开训练，合并一起：模块化后训练与专家混合
机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； Allen Institute for AI（人工智能研究院）
AI总结 本文提出BAR方法，通过独立训练领域专家并采用专家混合架构实现高效更新，避免了传统重训练的高成本和性能下降问题，实验显示其在多个领域任务中表现优异。
Comments 9 content pages, 23 pages overall, 3 figures
无标度自适应规划用于确定性动力学与折扣奖励
机构 * University of California, Berkeley, USA（加州大学伯克利分校） ； Noah's Ark Lab, Huawei Technologies, London, UK（华为技术伦敦诺亚实验室） ； Adobe Research, San Jose, USA（Adobe研究实验室） ； SequeL team, INRIA Lille - Nord Europe, France（INRIA里尔-北欧洲SequeL团队）
AI总结 本文提出Platypoos算法，针对确定性动力学和折扣奖励的规划问题，提供改进的样本复杂度分析，并建立下界证明其最优性。
Comments 36th International Conference on Machine Learning (ICML 2019)
Journal ref Proceedings of the 36th International Conference on Machine Learning (ICML 2019)
机构 * EPFL Lausanne（日内瓦联邦理工学院拉沃斯分校） ； UC Berkeley（伯克利大学） ； Courant Institute, NYU（纽约大学Courant研究所）
Comments Accepted at ICLR 2026. Camera-ready version
SLO-Guard：面向SLO约束的LLM服务自动调优：崩溃感知、预算一致
机构 * Inland Norway University of Applied Sciences（内陆挪威应用科学大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 SLO-Guard通过结合热预算退火与树结构帕泽估计器，实现崩溃感知的自动调优，提升LLM服务在SLO约束下的预算一致性与稳定性。
Comments 20 pages, 6 figures, 5 tables. Code and raw per-trial JSONL data: https://github.com/Chrislysen/SLO-Guard
推测解码用于自回归视频生成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文探讨了推测解码在自回归视频生成中的应用，通过引入SDVG框架，利用图像质量路由替代token验证，实现高效视频生成，同时保持高质量并提升生成速度。
HORIZON：一个面向真实世界用户行为建模的基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research India（微软印度研究院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 HORIZON基准通过跨领域、长时域的数据和任务设计，解决传统用户建模基准的局限性，提出新的任务和评估方法，评估模型在异构环境中的泛化能力。
Comments 19 pages, accepted to ACL 2026 (Findings)
离线材料优化与CliqueFlowmer
机构 * BAIR, UC Berkeley, Berkeley, California, USA（BAIR，加州大学伯克利分校，伯克利，加利福尼亚州，美国） ； FAIR, Meta, San Francisco, California, USA（FAIR，Meta，旧金山，加利福尼亚州，美国）
AI总结 本文提出基于离线模型优化的材料发现方法，结合CliqueFlowmer模型优化目标材料属性，优于生成方法。
大语言模型代理中的不确定性量化：基础、新兴挑战与机遇
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文探讨了大语言模型代理中不确定性量化的基础、挑战及未来方向，提出新的框架并分析了现实场景中的技术难题。
Comments ACL 2026 Main Conference
R3D2：通过扩散实现自动驾驶模拟中的真实3D资产插入
机构 * Zenseact ； Linköping University（林哈尔大学） ； Chalmers University（查尔姆斯理工大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 R3D2是一种轻量级单步扩散模型，用于在现有场景中实时生成真实3D资产，通过训练学习真实集成，提升自动驾驶模拟的真实性。
读心术：利用思维树预测推理模型在编码任务上的准确性
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过系统研究前沿推理模型在真实世界编码基准上的表现，提出利用结构化思维树来表示推理轨迹，并通过轻量级分类器预测轨迹正确性，从而提升编码任务的准确性。
机械智能跨学科研讨会：总结报告
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； Purdue University（Purdue 大学） ； University of Michigan（密歇根大学） ； Tufts University（塔夫茨大学） ； Oregon State University（俄勒冈州立大学） ； Case Western Reserve University（凯斯西储大学） ； John’s Hopkins University（约翰·霍普金斯大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； University of California at Berkeley（加州大学伯克利分校） ； Penn State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Colorado Boulder（科罗拉多大学 Boulder 分校） ； New Mexico State University（新墨西哥州立大学） ； University of Notre Dame（诺丁汉大学） ； Stanford University（斯坦福大学）
AI总结 本报告总结了2024年机械智能跨学科研讨会的成果，探讨了机械结构自身通过响应性、适应性、记忆和学习编码智能的现象，以及其与计算智能的区别。
揭开真相的面纱：秩减少后主权重的浮现使以推理为导向的监督微调得以提升
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； International Computer Science Institute, CA, USA（国际计算机科学研究所） ； Lawrence Berkeley National Laboratory, CA, USA（伯克利国家实验室） ； Dartmouth College, NH, USA（达特茅斯学院） ； University of Exeter, Exeter, UK（埃克塞特大学） ； University of Oxford, Oxford, UK（牛津大学） ； University of Surrey, Guildford, UK（萨里大学） ； Tsinghua University, China（清华大学） ； Eindhoven University of Technology, the Netherlands（埃因霍温理工大学）
AI总结 本文提出LIFT方法，通过秩减少后选取主权重进行微调，提升推理能力，同时保持内存效率，优于全微调和LoRA。
Comments ICML 2025
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