A Temporal Spatial Minimax Rate for Smoothly-Varying Distributions in Wasserstein Space
Wasserstein空间中平滑变化分布的时空极小极大速率
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究在Wasserstein空间中，基于过去有限噪声快照估计未来曲线值的极小极大速率，提出时空下界并证明其匹配上界。
高校专区
University of California, Berkeley（加州大学伯克利分校）
Human Adults and LLMs as Scientists: Who Benefits from Active Exploration?
人类成人与LLM作为科学家：谁从主动探索中受益？
机构 * Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； University of California Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Meta FAIR ； MIT Media Lab（麻省理工学院媒体实验室） ； Montreal Neurological Institute（蒙特利尔神经科学研究所）
AI总结 本研究通过主动探索实验，发现主动探索能显著提升成人对合取因果规则的推理能力，但合取规则仍需更多测试；同时比较了大型语言模型的表现，发现部分模型在假设推断准确率上接近人类，但探索策略效率较低且存在类似的合取-析取性能差距。
Comments Accepted at the 48th Annual Conference of the Cognitive Science Society (CogSci 2026)
LLM-Conditioned Synthesis of Pathological Gaits via Structured Gait-Language Representations
基于结构化步态-语言表示的LLM条件病理步态合成
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 提出一种多模态LLM引导框架，通过结构化文本描述合成病理步态3D数据，利用运动标记化、病理感知语言条件、LLM语义增强和语言到步态生成，改善下游分类性能。
Comments Accepted at CVPR MOMA Workshop 2026 and selected for spotlight presentation at the workshop
Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations
用参与度换取可持续性：面向电子商务推荐中碳感知的重排序
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出一种碳感知重排序策略，通过检索增强的碳足迹估计管道推断缺失的产品碳足迹标签，并在三个推荐模型上权衡用户参与度与碳排放，实现可持续推荐。
Comments 23 pages, 30 figures. Code available at https://github.com/andersvestrum/carbon-aware-recsys
Scale When Needed: Adaptive Neuron-level Mixed Precision Quantization Aware Training
按需扩展：自适应神经元级混合精度量化感知训练
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度思维） ； University of Cambridge（剑桥大学）
AI总结 提出神经元级混合精度量化感知训练（NMP-QAT），通过可微代理和直通估计器让每个神经元独立学习离散精度，实现按需扩展位宽，在MLP和表格基础模型上取得更优的压缩-精度权衡。
Comments Accepted at ICML - GlobalSouthML workshop, 2026
GradShield: Alignment Preserving Finetuning
GradShield: 保持对齐的微调
机构 * University of California, Berkeley（加州大学伯克利分校） ； HUMAIN ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科学与技术城） ； University of Washington, Seattle（华盛顿大学（西雅图））
AI总结 提出GradShield过滤方法，通过计算微调隐式危害分数并采用自适应阈值，在微调前移除有害数据，保持LLM安全对齐，攻击成功率低于6%。
MidSteer: Optimal Affine Framework for Steering Generative Models
MidSteer：用于引导生成模型的最优仿射框架
机构 * University of Basel（巴塞尔大学） ； University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学）
AI总结 本文提出MidSteer，一种基于仿射变换的最优概念引导框架，通过最小干扰实现生成模型中的概念切换，并在视觉扩散模型和大型语言模型上验证其有效性。
RAVEN: Retrieval-Augmented Vulnerability Exploration Network for Memory Corruption Analysis in User Code and Binary Programs
RAVEN: 用于用户代码和二进制程序中内存损坏分析的检索增强漏洞探索网络
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出RAVEN框架，结合LLM代理与检索增强生成，自动生成遵循Google Project Zero模板的漏洞分析报告，在105个样本上平均质量得分54.21%。
CountsDiff: A Diffusion Model on the Natural Numbers for Generation and Imputation of Count-Based Data
CountsDiff: 一种用于计数数据生成和插补的自然数扩散模型
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CountsDiff扩散框架，通过生存概率调度和显式损失加权简化Blackout扩散，引入连续时间训练、无分类器引导和逆动态，在自然图像和单细胞RNA-seq插补任务中匹配或超越现有方法。
Comments 39 Pages, 11 figures. To appear in the 43rd International Conference on Machine Learning (ICML 2026)
Hard labels sampled from sparse targets mislead rotation invariant algorithms
从稀疏目标采样的硬标签误导旋转不变算法
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
AI总结 针对稀疏目标下的二分类问题，证明旋转不变算法（如逻辑损失梯度下降）的过风险下界为Ω((d-1)/n)，而通过重参数化u_i v_i的非旋转不变算法可实现O(s log d / n)的上界。
Journal ref ICML-2026
LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms
LLM增强的数字孪生用于短视频平台策略评估
机构 * University of California, Berkeley（加州大学伯克利分校） ； The Chinese University of Hong Kong（香港中文大学） ； New York University（纽约大学） ； The University of Hong Kong（香港大学）
AI总结 提出一种LLM增强的四模块数字孪生架构（用户、内容、交互、平台），通过事件驱动执行层和可插拔策略组件，支持在闭环动态下对平台策略（含AI策略）进行可复现的仿真评估。
ScenicRules: An Autonomous Driving Benchmark with Multi-Objective Specifications and Abstract Scenarios
ScenicRules：具有多目标规范和抽象场景的自动驾驶基准测试
机构 * University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出ScenicRules基准，通过层次化规则框架和形式化场景模型，在随机环境下评估自动驾驶系统对优先级多目标规范的满足程度。
Comments v2: Minor numerical corrections for Table V. 16 pages, 14 figures, 7 tables. Extended version of paper accepted to 2026 IEEE Intelligent Vehicles Symposium (IV 2026). ScenicRules benchmark available at https://github.com/BerkeleyLearnVerify/ScenicRules
Should You Use Your Large Language Model to Explore or Exploit?
你应该使用你的大语言模型进行探索还是利用？
机构 * UC Berkeley（伯克利大学） ； Microsoft Research（微软研究院）
AI总结 研究当前大语言模型在探索-利用权衡中的决策能力，通过分离探索和利用任务评估其表现，发现推理模型在利用任务上最有潜力但成本高，非推理模型通过工具使用和上下文总结可提升中等难度任务性能，但在所有任务中均不如简单线性回归，然而LLM在具有语义的大动作空间探索中有帮助。
Comments Accepted to UAI 2026
Consistency-Preserving Diverse Video Generation
保持一致性的多样化视频生成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种联合采样框架，在保持时间一致性的同时提高文本到视频生成中批次内视频的多样性，通过轻量级潜在空间模型避免视频解码和反向传播。
Measuring Agents in Production
生产环境中的智能体测量
机构 * University of California at Berkeley（加州大学伯克利分校） ； IBM Research（IBM研究院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学）
AI总结 通过对86个已部署系统的调查和20个案例研究，发现生产环境中的LLM智能体主要采用简单可控的方法，可靠性是首要挑战，并依赖系统级设计和人工评估。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026) as Oral Presentation
Secure Code Generation at Scale with Reflexion
大规模安全代码生成中的反射
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究评估了使用Instruct Prime和反射提示方法提升代码安全性的效果，发现反射提示能显著提高安全性能，尤其在第一轮提示中效果最明显。
Comments Accepted for publication at the 2nd IEEE International Conference on AI-powered Software (AIware 2025)
CRAFT: Coaching Reinforcement Learning Autonomously using Foundation Models for Multi-Robot Coordination Tasks
CRAFT：利用基础模型自主教练强化学习以完成多机器人协调任务
机构 * Department of Mechanical Engineering, University of California Berkeley（机械工程系，加州大学伯克利分校）
AI总结 提出CRAFT框架，利用大语言模型分解任务、生成奖励函数，并通过视觉语言模型优化，实现多机器人协调学习，在四足导航和双臂操作任务中验证有效性。
Finding the Minimal Parameter Budget for Implicit Reasoning: A Data Complexity Driven Scaling Law for Language Models
寻找隐式推理的最小参数预算：一种基于数据复杂度的语言模型缩放定律
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Tokyo（东京大学）
AI总结 本文通过控制合成环境中的预训练实验，发现语言模型隐式推理所需的最小参数预算与图搜索熵之间存在缩放定律，并确定了每参数最多可处理约0.008比特信息的容量上限。
Comments Accepted to ICML 2026
Database Normalization via Dual-LLM Self-Refinement
通过双LLM自精炼的数据库规范化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Miffie框架，利用双模型自精炼架构和大语言模型实现数据库自动规范化，无需人工干预且保持高准确率。
Comments 7 pages
ChemQuests: A Curated Chemistry Question-Answer Database Extracted from ChemRxiv papers
ChemQuests: 从ChemRxiv论文中提取的精选化学问答数据库
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ChemQuests数据集，包含从155篇ChemRxiv论文中提取的952个高质量问答对，覆盖17个化学子领域，用于化学NLP研究。
MoDA: Modulation Adapter for Fine-Grained Visual Grounding in Instructional MLLMs
MoDA: 面向指令型多模态大语言模型的细粒度视觉定位的调制适配器
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MoDA调制适配器，通过指令引导的通道级乘法调制增强细粒度视觉定位，在12个基准上对三种MLLM架构取得一致提升，计算开销极小。
Comments Accepted at ICML 2026. Code is available at https://github.com/waybarrios/MoDA
Multi-Objective Preference Optimization: Improving Human Alignment of Generative Models
多目标偏好优化：提升生成模型的人类对齐
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 针对RLHF和偏好优化方法假设单一目标的问题，提出多目标偏好优化框架MOPO，通过约束KL散度最大化主要目标并保障次要目标下限，在合成基准和人类偏好数据上实现帕累托最优策略。
Comments arXiv admin note: text overlap with arXiv:2406.18853 by other authors
Self-Augmenting Retrieval for Diffusion Language Models
扩散语言模型的自增强检索
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google Research（谷歌研究院）
AI总结 提出SARDI框架，利用扩散语言模型去噪过程中丢弃的低置信度标记作为前瞻信号指导检索，无需训练且与检索器无关，在多跳问答基准上以高达8倍吞吐量超越现有方法。
Comments ICML 2026
Goedel-Architect: Streamlining Formal Theorem Proving with Blueprint Generation and Refinement
Goedel-Architect: 通过蓝图生成与精炼简化形式定理证明
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Toronto（多伦多大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学）
AI总结 提出Goedel-Architect框架，通过生成和精炼依赖图蓝图，结合Lean 4证明器并行证明引理，在多个基准测试上达到开源最优性能。
Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads
Agent记忆：有状态长时任务工作负载的表征与系统影响
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 本文首次对LLM agent记忆系统进行系统级表征，提出四轴分类法，通过阶段感知分析框架评估10种代表性系统，并给出10条系统设计建议。
Double Preconditioning (DoPr): Optimization for Test-Time Performance, not Validation Loss
双重预处理 (DoPr)：针对测试时性能而非验证损失的优化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； DeepMind（深度Mind） ； Google Research（谷歌研究）
AI总结 提出双重预处理优化范式，通过结合梯度级和激活级预处理，缓解自回归语言建模等场景中训练/验证损失与下游指标不匹配的测试时反馈问题，提升测试时性能而不一定改善验证损失。
LLM Self-Recognition: Steering and Retrieving Activation Signatures
LLM 自我识别：引导与检索激活签名
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 通过随机稀疏向量引导内部残差流，在LLM生成文本中嵌入可检测指纹，实现高精度归属，同时保持文本质量。
Comments To appear in Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
Computation-Aware Event-to-Frame Reconstruction via Selective Attention
计算感知的基于选择性注意力的事件到帧重建
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种高效的事件到帧重建框架，通过循环编码器-解码器、选择性上下文融合和轻量级混合注意力机制，在保持重建质量的同时降低计算复杂度。
A Framework for Measuring Appropriate Reliance on Set-Valued AI Advice
衡量对集合值AI建议适当依赖的框架
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 本文提出首个正式框架，用于在序列判断-顾问范式中衡量对集合值AI建议的适当依赖，涵盖分类和回归任务，并定义了新的度量指标以捕捉现有方法忽略的细微差别。
Beyond Similarity: Trustworthy Memory Search for Personal AI Agents
超越相似性：面向个人AI代理的可信记忆搜索
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对个人AI代理中基于语义相似性的记忆检索存在的信任漏洞，提出轻量级记忆插件MemGate，通过查询条件神经门控实现可信记忆搜索。
