高校专区
基于槽生存预测和事件驱动生命周期控制的自适应无服务器资源管理
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Independent Researcher, Mukilteo（独立研究员，穆基尔托） ； Fordham University（福特汉姆大学） ； Independent Researcher, Washington（独立研究员，华盛顿）
AI总结 本文提出一种自适应框架，通过事件驱动架构和概率建模优化无服务器性能，采用双策略动态调整空闲时间并基于槽生存预测实现智能请求等待策略，实验表明在多云环境中冷启动减少51.2%且成本效率提升近2倍。
通过3D高斯散射实现大规模360°无人机拍摄影像中的室内资产检测
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 本文提出一种基于3D高斯散射的室内资产检测方法，通过结合掩码语义和空间信息，提升多视角掩码关联和检测精度，实验显示在两个大型室内场景中，F1分数提升65%，mAP提升11%。
Comments Accepted to CVPR 2026 3DMV Workshop
鲁棒学习异质动态系统
机构 * University of California at Berkeley（加州大学伯克利分校） ； Zhejiang University（浙江大学） ； University of California at San Francisco（加州大学旧金山分校）
AI总结 本文提出一种鲁棒学习方法，用于建模异质动态系统，通过最大化最坏情况奖励来构造鲁棒动态系统，并建立理论保证以提高泛化性能。
这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性
机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。
Comments 31 pages, 4 tables, 19 figures
MINERVA-Cultural: 一个用于文化和多语言长视频推理的基准
机构 * Google DeepMind（谷歌DeepMind） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出MINERVA-Cultural基准，旨在解决现有视频评估中文化偏见问题，通过多语言多文化视频数据和原生语言问题，推动视频推理模型的发展。
Comments Accepted to CVPR 2026
DeepSearch: 通过蒙特卡洛树搜索克服强化学习中的瓶颈问题
机构 * Stanford University（斯坦福大学） ； University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所革新智能研究中心） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Amazon AWS（亚马逊云科技）
AI总结 DeepSearch通过将蒙特卡洛树搜索整合到强化学习中，解决探索不足的问题，提升数学推理能力，实验显示其在推理任务中达到62.95%的准确率，且效率显著高于传统方法。
DeepSpeak 数据集
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DeepSpeak数据集，包含超过100小时的真实和深度伪造音频视频内容，旨在解决复杂的说话人头像场景。通过提供高质量的真实数据和生成的深度伪造数据，以及基于嵌入的身份匹配方法，提升深度伪造检测的鲁棒性。
Comments https://github.com/hfaridlab/deepspeak
Journal ref Published in CVPR 2026 Findings
你的代理，他们的资产：OpenClaw的现实世界安全性分析
机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； NUS（新加坡国立大学） ； Tencent（腾讯） ； ByteDance（字节跳动） ； UC Berkeley（加州大学伯克利分校） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文首次对OpenClaw进行现实世界安全性评估，引入CIK分类法分析代理的持久状态，发现攻击单个CIK维度可显著提高攻击成功率，强调需系统性保障个人AI代理的安全。
Combee：用于自我改进语言模型代理的提示学习扩展
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Tensormesh ； Gradient Network
AI总结 Combee通过并行扫描和增强洗牌机制，提升提示学习效率，实现多代理并行训练，同时保持学习质量。
通过交错多模态推理的视觉-反图形代理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Impossible, Inc.（Impossible公司）
AI总结 本文提出VIGA框架，通过符号逻辑与视觉感知的交叉验证，解决视觉语言模型在单次设置中重建图像的挑战，支持2D文档生成、3D重建等任务。
Comments Project page: https://fugtemypt123.github.io/VIGA-website/
通过随机玩具学习抓取任何物体
机构 * University of California, Berkeley（加州大学伯克利分校） ； Sapienza University of Rome（罗马大学） ； ItalAI ； Panasonic（松下）
AI总结 本文通过随机组装的简单玩具训练机器人，使其具备泛化抓取能力，采用对象中心视觉表示实现零样本性能，实现在YCB数据集上的67%抓取成功率。
RAPTOR：四旋翼控制的基石策略
机构 * EECS, UC Berkeley, USA（加州大学伯克利分校电子工程与计算机科学系） ； ARRC, Technology Innovation Institute, UAE（阿联酋技术创新研究所自主与机器人研究中心）
AI总结 RAPTOR通过元模仿学习训练出适应性强的四旋翼基础策略，能零样本适应多种四旋翼平台，包括不同重量、电机类型和飞行控制器的设备。
EventFlow：通过流匹配进行时间点过程的预测
机构 * University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Irvine（加州大学尔湾分校）
AI总结 EventFlow提出了一种非自回归生成模型，用于时间点过程的预测，通过流匹配框架直接学习事件时间的联合分布，降低预测误差，优于基线模型。
Comments AISTATS 2026 Best Paper Award, camera ready version
通过协方差重新校准缓解非线性卡尔曼滤波器的过度自信
机构 * Department of Civil and Environmental Engineering, University of California, Berkeley（加州大学伯克利分校土木与环境工程系）
AI总结 本文提出一种协方差重新校准框架，用于缓解非线性卡尔曼滤波器在非线性测量下的协方差低估问题，通过重新近似测量模型提升状态和协方差估计精度。
Comments This paper has been accepted by Automatica
SecPI: 通过安全推理内化实现安全代码生成
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 SecPI通过内化结构化安全推理，使推理模型在无需安全指令的情况下生成安全代码，经验证在多个安全基准测试中显著提升代码功能正确性和安全性。
探讨数据干预以实现子群体公平性：ICU案例研究
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 本文通过ICU案例研究探讨数据干预对子群体公平性的影响，发现数据添加可能同时提升和损害模型公平性，结合数据与模型方法更有效。
SpectralSplat：面向驾驶场景的外观-解耦前馈高斯点云法
机构 * Applied Intuition ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 SpectralSplat通过前馈高斯点云法解耦场景几何与外观属性，提升驾驶场景的重建质量和可控外观迁移能力。
Comments Under review
NePPO：近势策略优化用于一般和多智能体强化学习
机构 * UC Berkeley（加州大学伯克利分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出NePPO方法，通过学习玩家无关的势函数近似纳什均衡，解决多智能体强化学习中一般和合作-竞争环境下的收敛问题，实验证明其优于IPPO和MAPPO。
上下文水印用于大型语言模型
机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出In-Context Watermarking方法，通过提示工程在生成文本中嵌入水印，无需访问解码过程，适用于检测AI生成内容，验证了其作为通用且实用的水印方法的可行性。
Comments ICLR2026
Opal：面向个人AI的隐私内存
机构 * Google DeepMind（谷歌DeepMind） ； UC Berkeley（加州大学伯克利分校）
AI总结 Opal通过将数据依赖推理与个人数据分离，利用可信 enclave 提高检索准确率，并在基础设施成本上取得显著优势。
DrugPlayGround：大型语言模型和嵌入式在药物发现中的基准测试
机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所） ； The Chinese University of Hong Kong（香港中文大学） ； 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 本文提出DrugPlayGround框架，用于评估大型语言模型在生成药物物理化学特性、药物协同作用等文本描述方面的性能，同时通过专家解释验证模型的化学和生物推理能力。
Comments 29 pages, 6 figures
SIEVE: 从自然语言中高效参数学习
机构 * University of California, Berkeley（加州大学伯克利分校） ； Bespoke Labs
AI总结 SIEVE通过合成数据生成管道实现高效参数学习，仅需三个查询示例即可提升模型性能，适用于需要上下文的推理任务。
自适应随机 pivoting 和体积采样
机构 * University of California Berkeley（加州大学伯克利分校） ； Caltech（加州理工学院）
AI总结 本文将自适应随机 pivoting 算法与体积采样分布及线性回归主动学习算法联系起来，提出新的分析和更高效的实现方法。
Comments 14 pages, 2 figures
基础模型在骨科MRI中的临床效用：生物标志物准确性与预测结果
机构 * Center for Intelligent Imaging, Department of Radiology and Biomedical Imaging, University of California, San Francisco（加利福尼亚大学旧金山分校放射与生物医学影像系智能成像中心） ； Department of Bioengineering, University of California, Berkeley（加利福尼亚大学伯克利分校生物工程系） ； Department of Bioengineering and Therapeutic Sciences, University of California, San Francisco（加利福尼亚大学旧金山分校生物工程与治疗科学系） ； Department of Medical Sciences and Technology, Indian Institute of Technology, Madras（印度理工学院马德拉斯分校医学科学与技术系） ； Bay Area Institute of Computation, Altos Labs（Altos Labs湾区计算研究所）
AI总结 本文提出了一种模块化系统，将常规MRI转化为标准化定量生物标志物，用于临床决策支持。通过微调基础分割模型，实现了自动检测和提示，提高了生物标志物的临床可靠性，并展示了其在膝关节分层和预测膝关节置换及骨关节炎中的应用。
Comments Under review at npj Digital Medicine (revision submitted Jan 2026) | Code: https://github.com/gabbieHoyer/AutoMedLabel | Supplementary data/tables: https://doi.org/10.6084/m9.figshare.29633207
Journal ref npj Digit. Med. (2026)
Omni-SimpleMem：自主研究引导的终身多模态代理记忆发现
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Pennsylvania（宾夕法尼亚大学） ； 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） ； Cisco（思科）
AI总结 本文提出Omni-SimpleMem，通过自主研究流程发现多模态记忆框架，提升AI代理的长期记忆能力，其核心贡献在于通过自动实验发现架构改进、数据管道修复等关键突破，超越传统AutoML。
ReFormeR：学习和应用显式查询改写模式
机构 * University of Waterloo（滑铁卢大学） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 ReFormeR通过提取并整合查询改写模式，引导LLM进行受控的改写操作，提升检索效果。
SA-CycleGAN-2.5D：基于三平面上下文的自注意力CycleGAN用于多中心MRI和谐化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Purdue University（普渡大学）
AI总结 本文提出SA-CycleGAN-2.5D框架，通过三平面流形注入、密集自注意力生成器和频谱归一化判别器，解决多中心MRI数据中的扫描器偏移问题，显著降低MMD并提升和谐化效果。
Comments 12 pages, 5 figures, 5 tables. Submitted to MICCAI 2026
具有代理特性的逻辑推理代理评估
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出一种评估和基准测试逻辑推理代理的框架，通过代理评估实现可重复、可审计和抗执行失败的评估。案例研究中，自动形式化代理在FOLIO验证集上以86.70%的准确率超越了基线方法。
Comments Accepted at ICLR 2026 Agents in the Wild (AIWILD) Workshop. 5 pages, 2 figures, 1 table
凸集的比率覆盖与最优混合密度估计
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Economics and Business, Pompeu Fabra University, Barcelona, Spain（庞培法布拉大学经济与商业系） ； ICREA, Barcelona, Spain（巴塞罗那ICREA） ； Barcelona Graduate School of Economics（巴塞罗那经济学研究生院） ； Department of Statistics, CREST/ENSAE Paris, Palaiseau, France（CREST/ENSAE巴黎统计系） ； Department of AI and Data Science, The University of Hong Kong（香港大学人工智能与数据科学系） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计系）
AI总结 本文研究了基于Kullback-Leibler散度的密度估计问题，提出在有限密度字典下，通过凸集覆盖理论和混合密度估计方法，获得最优的高概率保证，改进了传统密度比有界时的估计率。
Comments 47 pages
学习上下文感知的运行时监视器以实现安全的基于AI的自主性
机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） ； University of California at Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种学习上下文感知运行时监视器的新框架，用于安全的基于AI的控制集合。通过将监视学习转化为上下文学习任务，该方法在控制器选择中提供理论安全保证，并提高控制器多样性利用，通过自动驾驶模拟验证了其在安全性和性能上的显著改进。
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