高校专区
pacSTL: 基于数据驱动可达性分析的PAC有界信号时序逻辑
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出pacSTL框架，结合PAC有界可达集预测与区间STL，通过优化问题计算原子鲁棒性上下界并传播，实现规范级别的PAC有界鲁棒性评估，用于不确定动态系统的验证与监控。
生成式增强推断
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）
AI总结 提出生成式增强推断（GAI）框架，将AI输出视为学习真实标签的高维信息特征而非代理，通过非参数方法建模，实现人机数据联合的一致估计和有效推断，在随机标注下渐近效率严格优于仅用人类数据。
通过证明者-估计者辩论避免混淆
机构 * Google DeepMind（谷歌DeepMind） ； UK AI Security Institute（英国人工智能安全研究所） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 研究如何训练强大AI系统，利用证明者-估计者辩论放大人类判断。针对现有递归辩论协议的混淆论证问题，提出新协议，在一定假设下确保诚实辩论者能用与对手相当的计算效率策略获胜。
提升具身世界模型用于规划与控制
机构 * Computer Science, New York University（纽约大学计算机科学系） ； BAIR, UC Berkeley（伯克利大学BAIR）
AI总结 本文提出一种轻量级策略，将高层动作映射到低层关节动作序列，结合冻结的世界模型，实现预测未来观察的提升世界模型，有效降低规划复杂度。
Comments Accepted to ECCV2026. Edited policy masking
Assistax: 一个用于辅助机器人的多智能体硬件加速强化学习基准
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Assistax基准，利用JAX硬件加速和基于多智能体强化学习的辅助机器人任务，实现高达370倍加速，并测试机器人的零样本协调能力。
Comments Accepted at the Reinforcement Learning Conference 2026
电影的自回归建模及其在视频蒙太奇中的应用
机构 * TTI-Chicago（芝加哥丰田理工学院） ； Adobe（奥多比公司） ； Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University（捷克技术大学捷克信息学、机器人学与控制论研究所） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究针对视频蒙太奇挑战，提出FilmGPT自回归Transformer，通过在电影语料库训练捕捉电影“语法”，推理时用镜头约束解码算法选最佳镜头，在镜头预测和电影编辑任务中表现出色，还适用于多种视频蒙太奇应用。
Journal ref SIGGRAPH Conference Papers '26, Article 129, 1-11, ACM, 2026
CyberGym-E2E：面向AI代理端到端网络安全能力的可扩展真实世界基准
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出CyberGym-E2E，一个大规模、真实的端到端网络安全基准，通过自动化流水线将开源漏洞数据转化为评估环境，全面评估AI代理在漏洞发现、PoC生成和补丁生成全生命周期中的能力。
Comments ICML 2026
LLMs中RL越狱的系统性研究
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文首次系统分解RL越狱框架，通过分析奖励函数、动作空间、回合长度等环境形式化因素和算法措施，发现密集奖励和延长回合长度是越狱成功的主要驱动因素，并提供了提升RL越狱效率及强化模型防御的工具。
Comments Warning: This paper may contain unfiltered and potentially offensive jailbreaking examples. Accepted at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026
STAC：当无害工具形成危险链以劫持LLM代理
机构 * AWS AI Labs（AWS人工智能实验室） ； UC Berkeley（伯克利大学）
AI总结 STAC通过多轮工具链攻击揭示LLM代理的安全漏洞，提出基于推理的防御策略，显著降低攻击成功率。
Comments Long version with 15 pages in main draft and a total of 39 pages including references and appendix. Data and code \url{https://github.com/amazon-science/MultiTurnAgentAttack}
BADTV：揭示第三方任务向量中的后门威胁
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； University of California, Berkeley（加州大学伯克利分校） ； RIKEN（理化学研究所） ； National Chengchi University（国立成功大学） ； CISPA Helmholtz Center for Information Security（CISPA 河岸信息安全中心） ； Institute of Science Tokyo（东京科学研究所）
AI总结 研究大规模预训练模型中任务向量易受后门攻击问题，提出BadTV攻击方法，通过创建非对称复合后门，在多种操作下保持有效，实验表明其成功率高，现有防御失效，凸显保障任务向量安全需有力对策。
Comments This paper has been accepted to the ACM SIGSAC Conference on Computer and Communications Security (ACM CCS)
生成式编译：人工智能生成代码时的即时编译器反馈
机构 * ETH Zurich（苏黎世联邦理工学院） ； Sofia University ``St. Kliment Ohridski''（索菲亚大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究针对人工智能生成代码时的问题，提出生成式编译方法，核心是sealor技术，能在生成中获取编译器反馈，在Rust编码任务中评估，减少非编译输出、提高功能正确性，使编译器在生成阶段发挥更重要作用。
用于高能物理分析的预训练事件分类模型
机构 * Department of Physics, University of California, Berkeley, CA 94720（加州大学伯克利分校物理系） ； Physics Division, Lawrence Berkeley National Laboratory, Berkeley CA 94720（伯克利国家实验室物理部）
AI总结 本文提出基于图神经网络的预训练事件分类模型，通过1.2亿个模拟质子-质子碰撞事件学习通用表示，验证其在不同模拟框架下的泛化能力，并通过微调提升分类性能与效率。
Comments 13 pages, 2 figures
Journal ref JINST 21 (2026) P08006
TerraTransfer: 无需专家示范的端到端驾驶策略学习
机构 * Applied Intuition ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出一种无需专家示范的端到端驾驶方法，通过向量化模拟器中的自博弈预训练策略，再与预训练视觉骨干对齐，降低了数据成本并达到或超越现有方法。
生成性合成数据用于因果推断：陷阱、解决方法与机遇
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文探讨生成合成数据在因果推断中的局限性，提出混合合成数据框架以提升因果效度，通过实验验证其在不同场景下的优势。
DermDepth：迈向用于皮肤病学的单目度量尺度3D重建模型
机构 * University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 研究针对皮肤病学实践中常用2D方法的现状，提出DermDepth单视图度量尺度3D模型及D-Synth数据集，经实验训练和微调，能有效校正度量尺度误差，在多基准通用并与医学文献测量结果一致。
Comments Accepted at MICCAI 2026
用于公平高效恶性肿瘤分类的可控多样皮肤病图像生成
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究针对皮肤病诊断中缺乏多样标注图像的问题，提出cgDDI框架，能合成健康皮肤样本、映射罕见病变，支持自动分割掩码，通过多数据集验证，提高了恶性肿瘤分类准确率，公开相关资源推动公平性研究。
Comments Accepted at MICCAI 2026
辩论动态与价值对齐在大语言模型辩论中
机构 * D-Lab University of California, Berkeley（D-Lab 加州大学伯克利分校）
AI总结 研究通过LLM辩论探讨多轮设置中模型的辩论动态与价值对齐，发现不同模型在同步和轮转结构下的行为差异及价值倾向。
看、聚焦、行动：通过人类注视和中央凹视觉变换器实现高效且稳健的机器人学习
机构 * University of California, Berkeley（加州大学伯克利分校） ； Tongji University（同济大学） ； University of California, Davis（加州大学戴维斯分校）
AI总结 研究如何将人类注视融入机器人策略以提升效率与稳健性，开发GIAVA系统，通过中央凹补丁令牌化将注视信息集成到视觉变换器，减少计算量，降低计算开销，增强稳健性，在高精度任务中提高成功率，凸显人类启发的中央凹视觉处理的潜力。
Comments Project page: https://soltanilara.github.io/giava/
SheetMind：一个由端到端大语言模型驱动的用于电子表格自动化的多智能体框架
机构 * Cornell University（康奈尔大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology (GZ)（香港科学与技术大学）
AI总结 介绍由大语言模型驱动的多智能体框架SheetMind用于电子表格自动化，其分层系统含三个智能体，经评估在SheetCopilot基准测试中执行成功率达100%、功能正确性54.8%超对手，消融研究验证配置优势，还集成到谷歌表格。
无兴趣AI预测器中的诚实安全性
机构 * LawZero ； Université de Montréal（蒙特利尔大学） ； Mila ； University of California Berkeley（加州大学伯克利分校） ； McGill University（麦吉尔大学） ； Arb Research ； Center for Theoretical Study Charles University in Prague（布拉格查理大学理论研究中心） ； University of Oxford（牛津大学） ； Sapien Institute（Sapien研究所）
AI总结 提出一种形式化安全论证，通过数据表示和训练过程确保预测器诚实预测而不成为追求目标的智能体，并证明危险预测器出现的概率可控。
注入悖论：通过RAG上下文注入在安全训练的LLM推荐中实现品牌级压制
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究发现在基于RAG的LLM推荐中，安全训练会导致注入提示反而压制目标品牌推荐率，揭示了安全机制可能被逆向利用的风险。
Comments 18 pages, 1 figure, 15 tables. Accepted at the ICML 2026 Workshop on Failure Modes in Agentic AI (FAGEN), a non-archival venue
简单配方有效：视觉-语言-动作模型通过强化学习成为自然持续学习者
机构 * University of Southern California（南加州大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过系统研究发现，对于大型预训练视觉-语言-动作模型，简单的顺序微调结合低秩适配在持续强化学习中表现出高可塑性、几乎无遗忘和强零样本泛化，优于复杂方法。
Comments Accepted at RLC 2026; Best paper award at ICRA26 RL4IL Workshop
PRiSM：语音模型中电话实现的基准测试
机构 * CMU（卡内基梅隆大学） ； Gwangju Institute of Science and Technology（光州科学技术院） ； UT Austin（得克萨斯大学奥斯汀分校） ； LMU Munich（慕尼黑路德维希-马克西米利安大学） ； UC Berkeley（伯克利加州大学） ； NVIDIA（英伟达） ； UBC（不列颠哥伦比亚大学）
AI总结 该研究针对语音模型中电话实现进行基准测试，引入PRiSM开源基准用内在和外在评估揭示语音感知盲点，标准化评估并通过探针评估下游效用，发现训练语言接触对PR性能关键，编码器-CTC模型稳定，专门PR模型优于大型音频语言模型，还发布相关资源推动多语言语音模型发展。
Comments Presented at ACL 2026
使用四旋翼无人机进行近距离光伏板自主涂层作业
机构 * High Performance Robotics Laboratory, Department of Mechanical Engineering, University of California Berkeley（加州大学伯克利分校机械工程系高性能机器人实验室）
AI总结 研究利用四旋翼无人机对光伏板进行近距离自主涂层作业，提出基于视觉惯性里程计等的定位系统及考虑地面效应等的控制方法，经室内外实验验证了系统自主能力，为光伏板涂层作业提供新途径。
Comments 7 pages, 11 figures. Accepted to IEEE IROS 2026
用随机锐度感知最小化训练对角线性网络
机构 * Simons Institute for the Theory of Computing University of California, Berkeley（Simons理论计算研究所 加州大学伯克利分校） ； Faculty of Mathematics Ruhr University Bochum（数学系 比尔特蒙大学） ； Faculty of Electrical Engineering, Mathematics, and Computer Science University of Twente（电子工程、数学和计算机科学系 特文特大学）
AI总结 研究线性回归任务中对角线性网络景观与训练动态，通过添加正态噪声实现随机锐度感知最小化，证明其与损失锐度相关，能促使层平衡，刻画了噪声水平对收缩等的影响。
Comments 62 pages, 6 figures
用PCS引导的邻居嵌入揭示单细胞数据中的平滑结构
机构 * Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学系） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和文迪·施密特中心） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Center for Computational Biology, University of California, Berkeley（加州大学伯克利分校计算生物学中心）
AI总结 研究针对从单细胞数据提取平滑低维表示的挑战，基于PCS框架评估NE算法，引入NESS改进其表示，通过应用于六个数据集，获得如识别过渡和稳定细胞状态等生物学见解。
幂律的力量：不对称性使组合推理成为可能
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文研究了幂律分布对组合推理任务的影响，发现其在状态跟踪和多步算术等任务中优于均匀分布，通过理论分析揭示了幂律分布通过引入有益的不对称性，使模型能更高效地学习长尾技能。
校准的斯塔克尔伯格博弈：学习针对校准代理的最优承诺
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 研究校准斯塔克尔伯格博弈，将标准框架推广，其中代理依校准预测行动。虽信息减少，但委托人最优效用有界。针对校准挑战，开发新校准概念及算法，包括基于最佳响应区域的松弛，及代理自适应校准算法，助委托人更快收敛。
GrandTour: 一种用于多模态感知与状态估计的野外腿式机器人数据集
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Oxford University（牛津大学）
AI总结 GrandTour数据集为多模态感知与状态估计提供了大规模野外腿式机器人数据，支持SLAM和高精度状态估计的研究与开发。
Comments Turcan Tuna, and Jonas Frey contributed equally. Submitted to Sage The International Journal of Robotics Research
复合人工智能系统中聚合的力量与局限性
机构 * UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学）
AI总结 研究复合人工智能系统中聚合的力量与局限性，在委托 - 代理框架内揭示可行性扩展等三种机制，证明其对引出能力扩展的作用，通过玩具任务实证说明结果，朝表征系统克服相关局限迈进。
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