高校专区
Progent：通过权限控制保障AI代理
机构 * UC Berkeley（加州大学伯克利分校） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学）
AI总结 Progent通过权限控制框架保障AI代理安全，利用LLM生成并更新策略，通过SMT求解器确保权限空间单调收敛，有效降低攻击成功率并保持高实用性。
EvolveMem：通过AutoResearch实现LLM代理的自进化内存架构
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； UC Berkeley（加州大学伯克利分校） ； UCSC（加州大学圣克鲁兹分校）
AI总结 本文提出EvolveMem，一种通过AutoResearch实现自进化内存架构的LLM代理系统，通过闭环自进化过程自动优化检索配置，实现存储知识与检索机制的协同进化，实验表明其在多个基准测试中均取得显著性能提升。
大型语言模型应显式表达不确定性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 本文研究通过训练使模型在回答时显式表达不确定性，以减少过度自信的错误，提升回答质量，并通过检索增强生成技术改进最终响应。
MIMIC-D: 多模态模仿用于多智能体协调的去中心化扩散策略
机构 * Department of Mechanical Engineering, University of California Berkeley（加州大学伯克利分校机械工程系）
AI总结 本文提出MIMIC-D，通过去中心化扩散策略实现多智能体多模态模仿学习，解决了传统方法在多模态任务中协调效率低的问题。
Comments 8 pages, 4 figures, 5 tables
否定忽视：当模型在训练中无法学习否定时的失败
机构 * University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Warsaw University of Technology（华沙技术大学） ； NASK National Research Institute（国家研究 institute NASK） ； Truthful AI ； Anthropic ； UC Berkeley（伯克利大学）
AI总结 研究发现，当模型在训练中接触到标记为假的声明时，会错误地认为这些声明为真，且这种现象不仅发生在否定语句中，还扩展到其他认知限定词，影响模型的行为和安全性。
Zatom-1：迈向3D分子和材料的多模态基础模型
机构 * LBNL（劳伦斯伯克利国家实验室） ； ICSI（国际计算机科学研究所） ； University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 Zatom-1是一种跨领域、通用的模型架构，统一了3D分子和材料的生成与预测学习，通过多模态流匹配目标实现高效的预训练和稳定采样，提升了生成推理速度和跨领域预测性能。
Comments 38 pages, 10 figures, 15 tables. ICLR 2026 FM4Science. Code, data, and model weights are available at https://github.com/Zatom-AI/zatom
增强检索的辅导系统用于AI教育中的算法追踪与问题解决
机构 * North Carolina State University（北卡罗来纳州立大学） ； University of Pittsburgh（匹兹堡大学） ； University of California, Berkeley（加州大学伯克利分校） ； Aalto University（阿尔托大学）
AI总结 本文提出KITE系统，通过增强检索生成技术辅助学生理解算法追踪和问题解决，提升算法推理能力。
Comments Paper accepted to the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2026), co-located with ACL 2026
ImageAttributionBench: 我们距离可推广的图像归因还有多远？
机构 * Fudan University（复旦大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出ImageAttributionBench，一个涵盖多种语义领域的综合数据集，用于评估图像归因方法在真实场景下的性能，揭示现有方法在鲁棒性和泛化能力上的不足。
安卓会为打破游戏而做梦吗？通过BenchJack系统性审计AI代理基准
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 本文提出BenchJack系统，通过自动化红队系统审计AI代理基准，发现219种奖励黑客漏洞，提升基准鲁棒性。
RMNP：基于行动量归一化的可扩展矩阵优化预条件化
机构 * Dartmouth College（达特茅斯学院） ； International Computer Science Institute（国际计算机科学研究所） ； University of California, Berkeley（加州大学伯克利分校） ； Meta
AI总结 RMNP通过行归一化替代牛顿-施卢茨迭代，提升预条件化效率，保持优化性能，实验显示其在大语言模型预训练中表现优异。
Comments The 43rd International Conference on Machine Learning (ICML 2026)
语言模型的目标选择与人类在自我指导学习任务中不同
机构 * University of California, Berkeley（加州大学伯克利分校） ； Amazon AGI Lab（亚马逊人工智能实验室）
AI总结 研究通过控制实验发现语言模型在目标选择上与人类存在显著差异，多数模型表现不佳，而人类则能逐步探索并达成多样化目标。
THINKSAFE: 为推理模型生成的自我安全对齐
机构 * KAIST（韩国科学技术院） ； KRAFTON（KRAFTON公司） ； UC Berkeley（加州大学伯克利分校）
AI总结 THINKSAFE通过自我生成对齐框架提升推理模型的安全性，无需外部教师，实验表明其在安全性和推理能力上优于GRPO，计算成本显著降低。
Comments 17 pages, 13 figures
ViTacFormer：学习跨模态表示以实现视觉-触觉灵巧操作
机构 * University of California, Berkeley（加州大学伯克利分校） ； Peking University（北京大学） ； Sharpa
AI总结 本文提出ViTacFormer，通过跨注意力编码器融合高分辨率视觉与触觉，并结合自回归触觉预测头提升精度与鲁棒性，实现多指手的模仿学习，成功完成高精度灵巧操作任务。
基于大语言模型的非塔台机场飞行安全评估自动化方法研究
机构 * Research Intern, Department of Mechanical and Aerospace Engineering, George Washington University（乔治华盛顿大学机械与航空航天工程系研究实习生） ； Ph.D. Student, Department of Mechanical and Aerospace Engineering, George Washington University（乔治华盛顿大学机械与航空航天工程系博士生） ； Undergraduate Student, Aerospace Program, University of California, Berkeley（加州大学伯克利分校航空航天项目本科生） ； Full Professor, Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系教授） ； Ph.D. Student, Department of Computer Science, George Washington University（乔治华盛顿大学计算机科学系博士生） ； Associate Professor, Department of Mechanical and Aerospace Engineering, George Washington University（乔治华盛顿大学机械与航空航天工程系副教授）
AI总结 本文提出利用视觉语言模型分析非塔台机场CTAF通讯、气象数据和飞行轨迹，通过实证研究和合成数据验证，展示框架在识别飞行冲突中的有效性，表明VLM在非塔台机场安全评估中的潜力。
Comments 25 pages, 17 figures, 5 tables, Accepted to AIAA 2026
误差白化：为何高斯-牛顿法优于牛顿法
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 本文从函数空间视角分析高斯-牛顿法优于牛顿法的原因，指出通过投影消除参数化扭曲，实现误差白化，从而在不同学习任务中表现更优。
Comments Neurips preprint
CheXTemporal：用于胸部X光影像中时间感知推理的数据集
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； HOPPR ； University Hospital Zurich（苏黎世大学医院）
AI总结 该研究提出CheXTemporal数据集，用于胸部X光影像中时间感知推理，包含前后X光片及时间空间标注，评估了多种视觉语言模型在零样本设定下的接地和进展分类任务，发现模型在空间接地和时间推理方面存在局限。
ExploitGym：AI代理能否将安全漏洞转化为实际攻击？
机构 * UC Berkeley（加州大学伯克利分校） ； Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； Arizona State University（亚利桑那州立大学） ； Anthropic（Anthropic公司） ； OpenAI ； Google（谷歌）
AI总结 ExploitGym通过大规模真实漏洞数据评估AI代理的漏洞利用能力，揭示前沿模型在复杂漏洞利用中的表现，凸显AI发展对网络安全的潜在风险。
面向可扩展的基于持续性的拓扑优化
机构 * École Polytechnique Paris（巴黎高等理工学院） ； ENS Ulm, PSL Paris（乌尔姆国立高等学院，巴黎PSL） ； UC Berkeley（伯克利大学）
AI总结 本文提出一种更可扩展的拓扑优化流程，通过随机切片和Nadaraya-Watson高斯卷积改进子采样和梯度扩展，提升持续性优化的效率与效果。
SHIELD：利用对偶性和凸性进行可扩展最优控制的认证方法
机构 * Model Predictive Control Laboratory, UC Berkeley（模型预测控制实验室，加州大学伯克利分校） ； Nextracker Inc（Nextracker公司）
AI总结 SHIELD通过减少决策变量维度和约束集，结合对偶性和强凸性，提供安全约束删除证书，加速算法并验证在复杂交通场景中的SMPC效果，实现高效可行的轻量MPC。
基于视觉的手影法用于机器人操作的逆运动学
机构 * OMGrab Inc.（OMGrab公司） ； University of California, Berkeley（加州大学伯克利分校） ； Fung Institute for Engineering Leadership（工程领导力基金会）
AI总结 本文提出了一种基于单目RGB-D相机的逆运动学映射方法，用于将人类手部动作转化为机器人关节指令，通过实验验证了其在结构化和非结构化环境中的有效性。
Comments v2: accepted at IEEE Access (2026); minor revisions per peer review, added WiLoR occlusion-mitigation experiment, error analysis, EMA ablation, and author photos
ReasonEdit：通过人类推理编辑视觉语言模型
机构 * University of Virginia（弗吉尼亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 ReasonEdit通过引入人类推理机制，改进视觉语言模型的编辑能力，提升编辑泛化性能。
意图条件流占用模型
机构 * Princeton University（普林斯顿大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出意图条件流占用模型（InFOM），通过引入用户意图的隐变量，提升模型对长期依赖的建模能力，在36个状态基和4个图像基基准任务中实现回报提升1.8倍和成功率提升36%。
Comments ICLR 2026
通过代码图实现高效的预算自动算法设计
机构 * Operations Research Center（运筹学研究中心） ； Department of Civil and Environmental Engineering（土木与环境工程系） ； University of California, Berkeley（加州大学伯克利分校） ； Laboratory for Information & Decision Systems（信息与决策系统实验室）
AI总结 本文提出基于代码图的高效自动算法设计方法，通过优化搜索策略和图结构分解算法，提升算法生成效率并验证其在组合优化问题中的优越性。
偏好条件多目标强化学习中的可控性
机构 * LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信学院，巴黎理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； TU Delft（代尔夫特理工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种新的评估指标，用于衡量偏好条件多目标强化学习中控制能力的可靠性，以解决现有指标无法准确反映偏好变化对智能体行为影响的问题。
基于签名的方法用于具有非线性和路径依赖奖励的上下文老虎机
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学）
AI总结 本文提出DisSigUCB算法，通过签名变换将路径依赖奖励函数近似为线性函数，实现非线性和路径依赖场景下的子线性 regret 绑定。
将策略梯度与提示优化组合用于语言模型程序
机构 * University of Notre Dame（诺特大学） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Anyscale ； CMU（卡内基梅隆大学） ； Zoom, Inc.（Zoom公司） ； Contextual AI ； MIT（麻省理工学院）
AI总结 本文研究了如何将GRPO与自动提示优化结合，以提升多提示程序的性能，实验表明这种组合在分类、多跳搜索和隐私保护委托任务中平均提升准确率11%。
Comments ACM CAIS 2026. Lakshya*, Dilara*, and Noah* contributed equally to this work
基于动作分块的强化学习
机构 * UC Berkeley（伯克利大学）
AI总结 本文提出Q-chunking方法，通过动作分块技术提升长周期稀疏奖励任务的强化学习效率，实现离线到在线学习的样本效率优化。
Comments The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025); 29 pages, 17 figures
HapticLDM：一种用于文本到触觉生成的扩散模型
机构 * Technology Development Center, Guangzhou Shiyuan Electronic Technology Company Limited（广州仕元电子技术有限公司技术发展中心） ； School of Automation and Intelligence, Beijing Jiaotong University（北京交通大学自动化与智能学院） ； Department of Architecture, University of California, Berkeley（加州大学伯克利分校建筑系） ； School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与技术学院）
AI总结 本文提出HapticLDM，基于潜在扩散模型生成文本到触觉反馈，通过动态数据处理和全局去噪机制提升振动生成的准确性和一致性，经评估显示其在真实感和语义对齐方面表现优异。
在公平性约束下为子群体选择最佳政策
机构 * Department of Industrial Engineering and Operations Research（工业工程与运营管理系） ； Berkeley Artificial Intelligence Research Lab（伯克利人工智能研究实验室） ； University of California Berkeley（加州大学伯克利分校）
AI总结 本文提出在公平性约束下选择最佳政策的问题，设计了满足子群体阈值的算法，并通过实验验证了其效率优势。
连续潜在上下文使Transformer实现高效的在线学习
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学）
AI总结 本文研究连续潜在上下文是否能提升Transformer的在线学习能力，通过构造常深Transformer实现加权多数算法和Q学习，并在合成数据上优于大模型。
Comments 37 pages, 15 figures, 3 tables
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