高校专区
ABBEL: 为高效交互学习自然语言信念状态
机构 * 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 本文提出ABBEL框架，通过显式自然语言信念状态直接监督每个摘要的信息内容，以解决传统方法在生成摘要时信息丢失或更新错误的问题，从而在保持高效内存使用的同时提升交互性能。
摆脱验证者：通过示范学习推理
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 本文提出RARO方法，通过逆强化学习从专家示范中学习强大的推理能力，无需任务特定的验证者，从而在多个评估任务中实现了显著的性能提升。
选择性Sinkhorn路由以提高稀疏专家混合模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出了一种选择性Sinkhorn路由方法，通过将token到专家的分配问题转化为最优传输问题，并引入约束以确保专家利用率均衡，从而在不依赖辅助平衡损失的情况下提升稀疏专家混合模型的性能。
Comments 12 pages, 5 figures
CTIConnect：一种用于异构网络威胁情报的检索增强大语言模型基准
机构 * Virginia Tech Department of Computer Science（弗吉尼亚理工大学计算机科学系） ； University of California, Berkeley Department of Computer Science（加州大学伯克利分校计算机科学系）
AI总结 本文提出CTIConnect基准，用于评估检索增强型大语言模型在网络威胁情报任务中的表现，通过整合五个异构数据源构建了1860个专家验证的问答对，揭示了不同任务类别中跨源语义差距的差异以及检索策略和性能瓶颈的变化，展示了领域特定策略在提升性能上的优势。
Comments Accepted to KDD 2026
RAG安全与隐私：形式化威胁模型和攻击面
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文研究了RAG系统中的安全与隐私问题，提出首个形式化的威胁模型，定义了攻击向量如文档级成员推断和数据中毒，以提升对RAG系统隐私和安全性的理解。
Comments Published at the 5th ICDM Workshop in November 2025
Journal ref 2025 IEEE International Conference on Data Mining Workshops (ICDMW), pp. 1387-1394, 2025
多样性是否是可扩展机器人操作的全部需求？
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文研究了数据多样性在机器人学习中的作用，发现任务多样性比单任务演示量更重要，多身体预训练数据在跨身体转移中可选，专家多样性可能对策略学习产生干扰，提出分布去偏方法提升性能。
Comments Code is available at https://github.com/OpenDriveLab/AgiBot-World
RoCA: 面向鲁棒跨域端到端自动驾驶的框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Davis（加州大学戴维斯分校）
AI总结 本文提出RoCA框架，通过联合概率分布建模端到端自动驾驶管道中的 ego 和周围车辆信息，提升跨域自动驾驶的泛化能力和鲁棒性，无需额外推理计算。
Comments accepted for ICML 2026
基于聚类的因果混合器用于多变量时间序列的在线异常检测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种基于聚类的因果混合器，用于多变量时间序列的在线异常检测，通过聚类处理通道间的相关性，结合因果混合器保持时间因果性，并开发了序列异常评分方法以提高检测准确性。
语言模型能否学会倾听？
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种基于说话人话语生成适当面部回应的框架，通过将量化后的面部动作元素作为额外语言token输入到基于transformer的大型语言模型中，从而提升监听响应的质量。
Comments ICCV 2023; Project page: https://people.eecs.berkeley.edu/~evonne_ng/projects/text2listen/
Ousiometrics: 本质的意义与权力-危险-结构框架相一致，而非价值-唤醒-主导框架
机构 * Computational Story Lab, Vermont Advanced Computing Center, University of Vermont, Burlington, VT 05405, United States（计算故事实验室、佛蒙特高级计算中心、佛蒙特大学、伯灵顿，VT 05405，美国） ； Vermont Complex Systems Institute, MassMutual Center of Excellence for Complex Systems and Data Science, University of Vermont, Burlington, VT 05405, United States（佛蒙特复杂系统研究所、马斯穆特复杂系统和数据科学卓越中心、佛蒙特大学、伯灵顿，VT 05405，美国） ； Department of Computer Science, University of Vermont, Burlington, VT 05405, United States（计算机科学系、佛蒙特大学、伯灵顿，VT 05405，美国） ； Santa Fe Institute, 1399 Hyde Park Rd, Santa Fe, NM 87501, United States（圣达菲研究所、1399号海德公园路，圣达菲，NM 87501，美国） ； Howard Hughes Medical Institute, Janelia Research Campus, Ashburn, VA 20147, United States（霍华德·休斯医学研究所、贾能利亚研究校区、阿什伯恩，VA 20147，美国） ； Advanced Bioimaging Center, University of California Berkeley, Berkeley, CA 94720, United States（先进生物成像中心、加州大学伯克利分校、伯克利，CA 94720，美国） ； School of Computer and Mathematical Sciences, University of Adelaide, Adelaide, SA 5005, Australia（计算机与数学科学学院、阿德莱德大学、阿德莱德，SA 5005，澳大利亚） ； Computational Ethics Lab, University of Vermont, Burlington, VT 05405, United States（计算伦理实验室、佛蒙特大学、伯灵顿，VT 05405，美国）
AI总结 本文提出了一种新的意义本质描述框架GPADS，通过分析英语语料库发现，意义本质应由权力-危险-结构框架描述，并构建了ousiometer原型。
Comments 115 pages (30 page main manuscript, 85 page appendix), 82 figures (9 main, 73 appendix), 3 tables (2 main, 1 appendix)
Journal ref Science Advances, 12(9): eadr4039, 2026
在全同态加密下学习因果结构时保护数据隐私
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Hong Kong University of Science and Technology（香港理工大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对分布式因果结构学习中的隐私泄露问题，提出基于全同态加密的方法，通过电路简化、除法和对数近似以及SIMD批处理技术，在加密数据上高效完成因果结构学习，并支持扩展到差分隐私。
FoeGlass: 简单的上下文学习足以对音频深度伪造检测器进行红队测试
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出FoeGlass，一种基于大语言模型上下文学习的黑盒自动红队方法，通过生成音频样本发现深度伪造检测器的盲点，将假阴性率降低高达94%。
Comments Accepted at ICML 2026
AutoLab：前沿模型能否解决长周期自动研究与工程任务？
机构 * MIT（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） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。
Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/
AlphaQ: 混合专家量化的免校准位分配
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Xiamen University（厦门大学多媒体可信感知与高效计算重点实验室） ； International Computer Science Institute（国际计算机科学研究所） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Liquid AI
AI总结 针对混合专家模型量化中依赖校准数据导致位分配次优的问题，提出基于重尾自正则化理论的免校准位分配方法AlphaQ，通过专家权重谱的重尾程度分配位宽，在预算约束下最小化量化误差，实现接近全精度的性能。
Comments 28 pages, 11 figures
面向TabPFN的文本编码器预训练
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度思维）
AI总结 提出TabPFN文本适配器，通过轻量级适配器将文本嵌入映射到TabPFN的嵌入空间，避免PCA瓶颈，保留TabPFN数值优势，训练效率更高。
AICompanionBench: 以LLM为评判标准的AI伴侣安全基准测试
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 本文提出AICompanionBench，首个公开的细粒度安全风险标注的人机伴侣对话基准数据集，并评估20个LLM在检测不安全交互中的表现，发现强模型在显式有害内容上准确率高，但难以识别隐式不安全交互。
教机器人说‘我不知道’：用于不确定性感知SLAM的SENTINEL
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SENTINEL框架，通过几何扫描统计和跨模态深度一致性为低成本2D LiDAR提供无训练、无标签的可靠性评分，拒绝损坏扫描并回退到轮式里程计，防止SLAM无声损坏。
Comments 6 pages, 10 figures, 3 tables, This paper was accepted at Uncertainty in Open-World Robotics Workshop in conjunction with Internation conference of robotics and automation (ICRA 2026)
面向深度无监督域适应的精确模型选择
机构 * University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 针对深度无监督域适应中缺乏准确模型选择方法的问题，提出Deep Embedded Validation (DEV)方法，通过嵌入适应特征表示到验证过程中，获得目标风险的无偏估计，并利用控制变量技术降低方差，理论和实验证明了其有效性。
Comments upload to arxiv for record
MineXplore: 面向GNSS拒止地下环境的开源强化学习探索基准
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 提出基于真实矿井数据的开源MuJoCo导航基准MineXplore，通过六阶段管道重建隧道网络，验证了在GNSS拒止、光照退化等极端条件下策略学习的稳定性与可复现性。
Comments 7 pages,11 figures, Submitted to the workshop Xplore:Cross-Disciplinary aspects of Exploration in Robotics, Reinforcement Learning and Search Held at International Conference on Robotics and Automation (ICRA)
Hyper-ICL：基于双曲锚点蒸馏的注意力校准用于多模态上下文学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Hyper-ICL，一种轻量级训练框架，通过低秩logit适配器和双曲锚点蒸馏损失校准注意力分布，无需推理时提供上下文示例即可重建演示效果，提升多模态上下文学习的准确性和稳定性。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
用于视觉-语言模型的有状态视觉编码器
机构 * University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出有状态视觉编码器，通过将每个视觉表示条件于先前的视觉特征，增强视觉-语言模型在多图像、多轮交互中的视觉变化感知能力，在跨图像空间聚合、多目标视觉差异和轨迹行为克隆等任务上取得一致改进。
Comments Project page: https://statefulvisualencoders.github.io/
DLLG: 大语言模型专家的动态logit级门控
机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学）
AI总结 提出DLLG框架，通过轻量级门控模块学习token级专家融合权重，利用稀疏的响应级监督实现动态logit级集成，无需token级标签或专家重训练，在推理和代码基准上优于路由、启发式集成和参数合并方法。
基于提示决策变压器的无线网络可泛化多任务学习
机构 * IEEE ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PromptDT框架，将多小区选择重构为序列建模问题，利用离线轨迹和任务特定提示实现跨异构网络配置的可扩展学习，在无需重训练的情况下提升多任务QoE达49%。
Comments Accepted paper at IEEE International Mediterranean Conference on Communications and Networking (MeditCom) 2026
通用智能体能否自动化数据筛选？
机构 * Virginia Tech（弗吉尼亚理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出Curation-Bench基准，通过通用编码智能体自动化数据筛选循环，实验表明现成智能体可达到强基线，但存在执行-研究差距，而结构化方法引导的智能体能在十分之一数据预算下自主组合出优于强基线的数据选择策略。
Comments Preprint
VAMPS: 视觉辅助数学问题求解基准
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出VAMPS基准，通过1,168道双语多选题评估多模态大模型在借助绘图工具进行数学推理时的表现，发现直接解析求解优于工具辅助视觉求解。
通过最小二乘和力学建模估算假肢接受腔中的法向和剪切界面压力
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学）
AI总结 针对假肢接受腔界面压力测量中剪切力缺失和传感器串扰问题，提出一种基于稀疏传感和最小二乘的准静态弹簧-质量接触模型，通过全局力/力矩和局部压力数据验证模型性能。
免训练的词汇-稠密融合用于对话记忆检索
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 本文提出一种免训练、仅CPU的检索方法，通过分数级融合最大查询-轮次相似度（后期交互）与BM25，显著提升多会话对话记忆检索的命中率，并分析了不同编码器和池化策略的影响。
Comments 9 pages, 3 figures, 10 tables. Code, data, and per-table receipts: https://github.com/Chrislysen/opsem
强化学习中的精确遗忘
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出强化学习中的精确遗忘问题，通过ρ-TV稳定算法实现数据删除后输出与从未学习该数据时不可区分，并给出近乎最优的遗憾界。
Comments ICML Spotlight
KODA: 视觉-语言基础模型的对比表示比较与对齐
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出KODA框架，通过核优化方法对比分析视觉-语言基础模型的表示差异，并识别弱聚类与强聚类的样本子集，实现表示对齐。
当场抓获（激活）：面向LLM智能体的凭证泄露预输出和多轮检测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究通过激活探针、蜜令令牌和累积信息流追踪三种互补防御方法，在预输出和多轮对话中检测LLM智能体的凭证泄露。
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