高校专区
我们的模型建立在哪些模型之上？审计现代LLM中的隐形依赖
机构 * University of California, Berkeley（加州大学伯克利分校） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 本文提出ModSleuth系统，通过递归重建LLM依赖图，揭示多跳许可义务、训练-评估耦合等隐藏依赖问题，并发布工具和依赖图以支持透明分析。
个体行为的隐式神经表示
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Behavioral INR模型，用隐式神经表示从无标签多策略行为数据中学习策略表示，通过FiLM层调节策略函数，实现无监督策略识别，在连续状态-动作空间中提升策略可识别性。
Comments ICML 2026, Structured Probabilistic Inference & Generative Modeling Workshop
HERO: 基于环境观察的后见增强反思的智能体自蒸馏
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Independent Researcher（独立研究员） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出HERO框架，利用环境观察作为局部对齐反馈进行自蒸馏，解决多轮设置中特权反馈与当前决策上下文不对齐导致的性能下降问题，在TauBench和WebShop上提升任务成功率并减少冗余轮次。
面向边缘设备上心电图异常检测的隐私保护联邦自编码器
机构 * Google Research, New York, NY（谷歌研究，纽约，纽约州） ； 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） ； University of Melbourne（墨尔本大学） ； University of Sydney（悉尼大学）
AI总结 提出一种结合联邦学习、差分隐私和INT8量化的端到端系统，在PTB-XL数据集上实现无监督12导联ECG异常检测，满足隐私、实时性和非IID数据要求。
Comments 9 pages, 4 figures, 6 tables. Preprint prepared in IEEE conference format. Submitted to: FLTA 2026
针对手术机器人任务学习策略的对抗攻击
机构 * University of California, Berkeley（加州大学伯克利分校） ； KTH Royal Institute of Technology（瑞典皇家理工学院）
AI总结 研究学习型策略在机器人辅助手术中易受对抗攻击的脆弱性，提出破坏性和引导性攻击方法，实验表明攻击可使手术子任务成功率平均降低61%。
OmniLoc: 一种几何感知的基础模型，用于跨多样室内环境的无锚点用户设备定位
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出OmniLoc，首个基于无线测量的基础模型，通过统一输入分词、几何感知Transformer和几何感知位置估计模块，实现跨室内环境的鲁棒无锚点定位，显著优于现有方法。
人类与AI生成语言的动态：语义如何在不同时间尺度上波动
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出语义时间尺度分析流程，通过自相关窗口度量（ACW-0）量化人类与AI生成语音中语义特异性与上下文相似性的时间组织，发现ACW-0长度与词汇通用性相关，且该关联在随机化后被削弱。
Comments 45 pages, 4 figures, 4 tables. Accepted manuscript; published in Computer Speech & Language
Journal ref Computer Speech & Language (2026) 102013
LifeSentence: 语言模型可以从纵向面板数据编码人类生命历程轨迹
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出LifeSentence模型，将大型语言模型与纵向面板数据结合，通过结构化自然语言记录生命事件并微调预训练模型，在少样本条件下超越传统方法，实现生命事件预测与时间顺序重建。
时间不一致控制问题中学习均衡的确定性策略梯度
机构 * Department of Industrial Engineering and Operations Research, University of California, Berkeley, USA（加州大学伯克利分校工业工程与运筹学系） ； Department of Applied Mathematics, The Hong Kong Polytechnic University, Kowloon, Hong Kong（香港理工大学应用数学系）
AI总结 提出一种连续时间无模型强化学习算法，通过确定性策略梯度和内定点迭代学习时间不一致控制问题的均衡策略，并在均值-方差投资组合和非指数贴现跟踪投资组合中验证有效性。
Comments Keywords: Time-inconsistent control, two-stage reformulation, model-free continuous-time reinforcement learning, deterministic policy gradient, fixed point iteration
具有行动条件保证的共形风险规避决策
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出行动条件共形预测方法，通过分位数损失最小化算法实现行动条件风险价值优化，在有限样本下提供行动条件安全保证。
整流流中对比速度匹配的几何擦除
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出GEM框架，通过对比速度匹配实现整流流模型中的概念擦除，结合生成流网络与教师引导的流匹配，有效抑制有害内容生成。
扩散模型中学习数据统计的理论：从容易到困难
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文研究了扩散模型在学习数据统计时的分布简单性偏差，揭示了学习 pairwise 统计和 higher-order 统计所需的样本复杂度差异，并引入了扩散信息指数这一不变量。
Journal ref ICML 2026
正确预测，误导性解释：关于视觉-语言模型解释的脆弱性
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究探讨了视觉-语言模型中解释热图在对抗条件下是否忠实反映推理过程，提出X-Shift攻击揭示解释与预测行为的脱节，验证了解释机制的脆弱性。
Comments Accepted at the ICML 2026 Workshop on Trustworthy AI for Good (AI4GOOD), Seoul, South Korea
DynaRetarget: 基于采样的轨迹优化的动态可行重定向
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出DynaRetarget框架，通过采样轨迹优化将人体运动重定向为人形机器人控制策略，实现长时域动态可行运动，在数百个演示中取得更高成功率。
潜在颜色子空间：高维混沌中的涌现秩序
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。
Comments Accepted at ICML 2026
立场：停止将中间令牌拟人化为推理/思考痕迹！
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文论证将模型生成的中间令牌拟人化为“推理痕迹”或“思考痕迹”具有误导性，呼吁社区避免此类拟人化。
Comments Appears in ICML 2026. [This is a fork of v1. This fork, while overlapping with v1 in background section, differs both in the overall focus as well as the specific argument against anthropomorphization of reasoning traces]
Journal ref ICML 2026
人类引导的智能体AI用于多模态临床预测：来自AgentDS医疗基准的教训
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 通过人类引导智能体AI在多模态临床预测任务中取得领先性能，提炼出领域知识引导特征工程、任务特定多模态融合和临床动机模型集成三大通用经验。
Comments Presented at the Data Challenge track at the 14th IEEE International Conference on Healthcare Informatics (ICHI) 2026 on June 3, 2026
全局几何不足以用于视觉表示
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过实验发现全局嵌入几何与组合绑定能力几乎无关，而输入-输出雅可比矩阵衡量的功能敏感性可靠地追踪该能力，并分析指出这是由于现有损失函数显式约束嵌入几何但未约束局部输入-输出映射所致。
AI4SLT: 基于 Lean 4 的形式化统计学习理论实证过程
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文首次在 Lean 4 中完整形式化统计学习理论，基于实证过程理论，通过人机协作工作流构建了可验证的定理证明工具箱，并揭示了教材中的隐含假设。
Comments Accepted by ICML 2026
预测驱动的已部署模型风险监控：检测有害分布漂移
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出预测驱动风险监控（PPRM），一种基于预测驱动推断的半监督方法，通过结合合成标签与少量真实标签构建运行风险的随时有效下界，实现对有害漂移的检测，并在图像分类、大语言模型和电信监控任务中验证有效性。
Comments Accepted by ICML2026
FOCUS: DLLMs 知道如何驯服它们的计算瓶颈
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学）
AI总结 针对扩散大语言模型解码中大部分计算浪费在不可解码令牌上的问题，提出 FOCUS 推理系统，通过动态聚焦可解码令牌并驱逐不可解码令牌，提升有效批大小，实现高达 3.52 倍的吞吐量提升。
Comments ICML 2026 camera-ready version
基于AI生成描述的1亿+星系图像语义搜索
机构 * New York University（纽约大学） ； University of Toronto（多伦多大学） ； Dunlap Institute for Astronomy & Astrophysics（达伦普天文与天体物理研究所） ； University of California, Berkeley（加州大学伯克利分校） ； Center for Data Science（数据科学中心） ； Lawrence Berkeley National Lab（伯克利国家实验室） ； Flatiron Institute（Flatiron研究所） ； Université Paris-Saclay（巴黎-萨克莱大学） ； CEA（法国原子能委员会） ； CNRS（法国国家科学研究中心） ； AIM（应用数学研究所） ； Princeton University（普林斯顿大学）
AI总结 提出利用视觉语言模型生成星系图像描述，并对比对齐预训练天文学基础模型，构建可搜索嵌入，实现大规模星系图像的语义搜索，在稀有现象发现上取得最先进性能。
Comments ApJ, in press
绕过生产环境中的提示守卫：受控释放提示攻击
机构 * UC Berkeley（加州大学伯克利分校） ； zkBricks Inc（zkBricks公司） ； Ethereum Foundation（以太坊基金会） ； NYU Shanghai（纽约大学上海分校）
AI总结 针对AI对齐的提示过滤存在理论上的不可能性，本文提出受控释放提示攻击，利用轻量级输入过滤器与主模型之间的资源不对称性，在实际部署的大语言模型系统中成功绕过提示守卫。
Comments Accepted to USENIX Security 2026
Range-Arithmetic: 在不可信方上进行可验证的深度学习推理
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Range-Arithmetic框架，通过将非算术运算转化为可验证的算术步骤，实现高效的深度神经网络推理验证，降低了计算和通信开销。
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