高校专区
一种最优的不可知PAC算法
机构 * Aarhus University（奥胡斯大学） ； The University of Hong Kong（香港大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 该研究针对有限VC维的二元分类函数类，构造出达到统计最优风险界的不可知PAC学习算法，确定了其样本复杂度（仅差通用常数），匹配了已有下界。
Comments 18 pages
当AI基准测试达到平台期：基准饱和的系统性研究
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 Washington（华盛顿大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究定义并分析了60个语言模型基准的饱和现象，发现近半数基准出现饱和，且专家策划而非公开测试数据影响抗饱和能力，为延长基准寿命提供了设计建议。
Comments Published at ICML 2026 (Forty-Third International Conference on Machine Learning)
LDARNet: 用于基因组建模的DNA自适应表示网络与可学习分词
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出LDARNet，一种结合动态分块和双向路由的120M参数层次基因组基础模型，在27个任务中优于更大模型，并发现学习到的边界与生物学基序对齐。
Comments Fix parameter count typo; update results
星系相空间与场级宇宙学：半经验模型的强度
机构 * Berkeley Center for Cosmological Physics, University of California, Berkeley（伯克利宇宙学物理中心，加州大学伯克利分校） ； Physics Division, Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室物理系） ； Center for Computational Astrophysics, Flatiron Institute（Flatiron研究所计算天文学中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系） ； Cosmic Dawn Center (DAWN), Copenhagen, Denmark（宇宙黎明中心（DAWN），哥本哈根，丹麦） ； DTU Space, Technical University of Denmark（技术大学丹麦分校DTU空间） ； IFPU - Institute for Fundamental Physics of the Universe, via Beirut 2, 34151, Trieste, Italy（IFPU——宇宙基本物理研究所，意大利特里斯特） ； International Centre for Radio Astronomy Research, The University of Western Australia（国际射电天文研究中心，西澳大利亚大学） ； ARC Centre for All-Sky Astrophysics in 3 Dimensions (ASTRO 3D)（三维全天空天体物理中心（ASTRO 3D））
AI总结 本文提出利用星系3D位置和径向速度训练图神经网络与动量神经网络，实现对物质密度参数Ωm的高精度估计，展示了半经验模型在生成真实模拟目录中的应用潜力。
Comments 24 pages, 6 figures
Journal ref Volume 1007, Number 1, Year 2026, Pages 34
链式视觉思维：通过连续视觉标记教学VLMs更好地看到和思考
机构 * UC Berkeley（加州大学伯克利分校） ； UCLA（洛杉矶大学） ； Panasonic AI Research（松下人工智能研究）
AI总结 COVT通过连续视觉标记提升VLMs的视觉推理能力，使模型在多个基准测试中性能提升3%-16%。
Comments Project page: https://wakalsprojectpage.github.io/covt-website/
大型语言模型中层级情感组织的涌现
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of Tokyo（东京大学）
AI总结 受情感轮理论启发，分析大型语言模型输出中情感状态间的概率依赖关系，发现模型自然形成与人类心理模型一致的层级情感树，且更大模型发展出更复杂的层级结构，同时揭示社会经济角色在情感识别中的系统性偏差。
Comments ICML 2026
ActQuant: 面向视觉-语言-动作模型的亚4比特动作引导量化
机构 * Northeastern University（东北大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ActQuant框架，通过动作引导的混合精度后训练量化，在亚4比特权重量化下保持VLA模型性能，并引入OmniModel.cpp实现高效部署。
基于图神经网络的多机器人通信受限的无标签运动规划与预测控制
机构 * New York University（纽约大学） ； University of California Berkeley（加州大学伯克利分校）
AI总结 本文提出一种分层框架，结合图注意力规划器和分布式非线性模型预测控制器，以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题，通过图神经网络方法实现可扩展的去中心化解决方案。
Comments 8 pages, 6 figures, Accepted at the IEEE International Conference on Robotics and Automation (ICRA) 2026
Compass: 为动态适应优化复合AI工作流
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 本文提出Compass框架，通过离线优化和在线适应动态切换复合AI工作流的配置，提升准确率、延迟和成本的平衡能力。
Comments 10 pages, 7 figures; accepted at the 26th IEEE International Symposium on Cluster, Cloud, and Internet Computing (CCGrid 2026)
Journal ref Proceedings of the 2026 IEEE 26th International Symposium on Cluster, Cloud and Internet Computing (CCGrid), pp. 84-93, 2026
通过多路径推理和反馈驱动优化实现自动化可视化代码合成
机构 * AI Research, Enhans, Seoul, South Korea Innovation \& Technology, KAIST, Daejeon, South Korea Department of Computer Science, University of California, Berkeley, CA, United States Department of Electrical
AI总结 VisPath通过多路径推理和反馈驱动优化，提升自动化可视化代码生成的可靠性与准确性。
Comments Accepted by International Conference on Pattern Recognization (ICPR 2026)
Journal ref Pattern Recognition. ICPR 2026. Lecture Notes in Computer Science, vol 16812. Springer, Cham
学习该记住什么：基于上下文蒸馏的测试时训练
机构 * Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究针对现有测试时训练未考虑保留信息未来效用的问题，提出TTCD框架及IP-TTCD变体，实验显示其在长上下文语言建模任务中性能优于多个基准方法，可助力架构持续学习。
大声还是沉默？一种用于多模态临床AI中模态级失败分析的可复用框架
机构 * Massachusetts Institute of Technology（麻省理工学院） ； American International School Vienna（维也纳美国国际学校） ； Neuqua Valley High School（纽夸谷高中） ； North Hollywood High School（北好莱坞高中） ； Hopewell Valley Central High School（霍普韦尔谷中央高中） ； University of California, Berkeley（加州大学伯克利分校） ； Siriraj Hospital（诗里拉吉医院） ； Harvard University（哈佛大学） ； Agency for Science, Technology and Research（新加坡科技研究局） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Geneva（日内瓦大学） ； Poznan University of Technology（波兹南理工大学）
AI总结 该研究提出一种模型无关的多模态临床AI模态级失败分析框架，可复用且仅用部署可观测信号，经植入真实值和MIMIC-IV队列验证，能定位失败模态、区分失败类型，为心脏基础模型部署提供参考。
SCHEDBench：评估大语言模型在自然语言组合调度中约束忠实度的基准
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 SCHEDBench基准针对13个LLMs的测试表明，模型对同一调度问题的语义等价表述缺乏不变性，约束重排序引发的敏感性最为突出。
Comments 19 Pages
CurveShift：智能体的进展是标量吗？区分水平与形态
机构 * University of Southern California（南加利福尼亚大学） ； University of Chicago（芝加哥大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Davis（加利福尼亚大学戴维斯分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 该研究针对大型语言模型进展的标量总结问题，通过LiveCodeBench基准分离混淆，发现2024年9月后发布的模型在竞赛编程难任务上有超出预期的增益，发布了相关数据集与代码。
Comments 25 pages, 4 figures, 7 tables. Data and code: https://github.com/harvenstar/CurveShift
CrackedPDFs：用于PDF中隐藏提示注入的受控基准测试
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 研究针对PDF中隐藏提示注入问题，引入CrackedPDFs基准测试，评估多种检测方法，如PromptGuard、结构学习模型等，结果显示文档感知混合检测在受控配对评估下有效，但缺乏现实世界鲁棒性和跨家族泛化能力。
Comments Revised author metadata to include Karthik Subramanian; corrected paired-metric terminology; added code, dataset, reproduction, and archival information. Code: https://github.com/volkthienpreecha/crackedpdfs/releases/tag/v1.0.0-paper ; Dataset: https://huggingface.co/datasets/volkthienpreecha/crackedpdfs ; Archive: https://doi.org/10.5281/zenodo.21735803
智能体会自行回避吗？测量LLM智能体对带内拒绝访问信号的遵从性
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种轻量级带内拒绝信号（Recuse Signal），通过实验测量LLM智能体是否自愿遵从该信号，发现信号能有效诱导回避，但高级模型在操作员授权下可能忽略。
Comments v4: adds Experiment 4 (cross-vendor mid-task halt; measured harness-enforcement backstop). 15 pages, 2 figures
反向翻译增强的直接偏好优化用于神经机器翻译
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 提出基于直接偏好优化的强化学习后训练框架，利用通用文本语料和专家反馈纠正神经机器翻译错误，在英德翻译任务上将COMET分数从0.703提升至0.747。
Comments 5 pages, 2 figures
OBLR-PO：大型语言模型后训练稳定强化学习的理论框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 OBLR-PO通过理论框架优化学习率和基线，提升大型语言模型后训练的稳定性与性能。
Comments 28 pages, 16 figures
ARMOR：面向无人机物理攻击的鲁棒强化学习控制
机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 ARMOR是一种抗攻击的无模型强化学习控制器，通过两阶段训练框架学习鲁棒状态表示，可保障无人机在传感器受攻击时的安全运行，泛化能力更强且训练成本更低。
Comments Published at ICRA'2026
诊断序列机器人任务中的组合泛化问题
机构 * University of California, Berkeley（加州大学伯克利分校） ； Tsinghua University（清华大学）
AI总结 本文针对序列机器人操作的组合泛化问题，将泛化差距分解为三类偏移，发现结构化子集覆盖动作相关依赖即可实现高分布外性能，微调单演示可大幅提升OOD成功率，提出数据收集应优先依赖覆盖。
CLIFT：通过非侵入式闭环迭代微调将Gemini机器人端侧模型转化为人形机器人专家
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； NVIDIA Research（英伟达研究院）
AI总结 本研究针对闭源机器人模型的托管式SFT API范式，提出CLIFT方法，在不访问模型内部机制的情况下，将Gemini机器人端侧模型经两次飞轮循环提升至接近完美的敏捷接触任务成功率。
教会视频生成器记忆：为不可见状态演化引出动态记忆
机构 * Applied Intuition（应用直觉） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对视频生成模型在观测中断时状态冻结的问题，提出ReMind框架，通过面向记忆的数据构建、事件感知训练和缓存适配，利用KV缓存机制实现动态记忆，在STEVO-Bench和恢复任务上取得最佳成绩。
揭秘视频推理
机构 * SenseTime Research（商汤科技研究院） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过实验揭示视频扩散模型中的推理主要发生在去噪步骤中，提出链式步骤（CoS）机制，并发现工作记忆、自我修正和感知先行等涌现行为，最后提出一种无需训练的集成策略来提升推理能力。
Comments Homepage: https://www.wruisi.com/demystifying_video_reasoning
流形上的 Rao-Blackwellized 得分匹配
机构 * Department of Statistics, University of California, Berkeley, Berkeley CA, U.S.A.（加州大学伯克利分校统计学系）
AI总结 针对潜分布支撑在光滑嵌入流形上的去噪得分匹配，提出通过最近点投影条件期望消除奇异性的 Rao-Blackwellized 方法，并推导出小噪声展开下与内在黎曼得分相差显式 σ² 修正的规范目标。
Comments 24 pages, 3 figures; SPIGM @ ICML 2026
MinerU-Popo：结构化文档解析的通用后处理模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室，OpenDataLab） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MinerU-Popo轻量级通用后处理框架，通过分解为文本/表格截断恢复、标题层级重建和图文关联四个子任务，并利用动态分块和重叠同步将OCR页面级结果重构为文档级逻辑结构，显著提升标题层级TEDS和RAG准确性。
Comments The code is available at https://github.com/opendatalab/MinerU-Popo
gp2Scale：一类紧凑支持非平稳核及分布式计算用于精确高斯过程在1000万数据点上的应用
机构 * Applied Mathematics and Computational Research Division Lawrence Berkeley National Laboratory（应用数学与计算研究部伯克利国家实验室） ； Climate and Ecosystem Sciences Division Lawrence Berkeley National Laboratory（气候与生态系统科学部伯克利国家实验室） ； Department of Statistics Rice University（统计学系里德大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 gp2Scale通过非平稳核设计实现高斯过程在1000万数据点上的精确计算，无需诱导点或近似方法，提升计算效率和灵活性。
Comments None
可检测边界处的后训练：一种用于微调的博弈论方法
机构 * University of California, Berkeley（加州大学伯克利分校） ； Inria（法国国家信息与自动化研究所） ； École Normale Supérieure（巴黎高等师范学院）
AI总结 该研究提出博弈论框架解决RL微调中KL正则化系数设置问题，将均衡系数归约为KL正则化RL目标，在Qwen3-8B等模型实验中实现良好奖励-保留权衡，可用于审计开源模型API提供商。
DuplexGen：人机交替对话的自适应合成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Seoul National University（首尔大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 DuplexGen框架通过将LLM预测与少量槽级人类偏好标注校准，生成场景自适应交替发言对话，契合人类偏好的效果优于未校准方法，证明人类校准对交替发言合成场景特定性的关键作用。
Comments Manuscript under review
奇妙的自适应分类法及其使用方法
机构 * University of California, Berkeley（加州大学伯克利分校） ； Apple（苹果公司） ； Bespoke Labs（Bespoke实验室）
AI总结 研究智能体系统失败反馈问题，提出AdaMAST方法将轨迹转换为自适应失败分类法，该分类法能作为共享反馈接口，在智能体系统搜索、运行时及轨迹选择等方面改进智能体，提升准确率和分辨率。
功能缓存嫁接：具身智能体的鲁棒且快速代码策略合成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出FCGraft框架，通过维护函数级验证代码骨架及其键值缓存，对新任务进行缓存嫁接（拼接和修补），减少预填充计算并复用验证结构，实现更鲁棒和快速的策略合成。
Comments Accepted at ICML 2026
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