高校专区
主动概念学习中的大胆猜测与温和猜测
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文研究了主动概念学习中EIG与PTS策略的权衡，发现EIG在复杂规则中有效但对简单规则表现欠佳，而PTS通过安全查询维持提案有效性，提升收敛速度。
少即是多：从有限数据实现可扩展的视觉导航
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利加州大学）
AI总结 本文提出Less is More方法，通过结合有限专家示范与规划器生成的监督，实现高效视觉导航。
Comments v2: Minor text edits, reference formatting fixes, and project page link added
dUltra: 通过强化学习实现超快扩散语言模型
机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 dUltra通过端对端强化学习框架实现超快扩散语言模型，提升并行生成效率和准确性。
Meta SecAlign: 一种针对提示注入攻击的 secure LLM 基础
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； UC Berkeley（加州大学伯克利分校）
AI总结 Meta SecAlign 是首个开源的 LLM，具备内置的模型级防御，实现了商业级性能，且在复杂代理任务中表现优异，同时在提示注入攻击中展现出更高的安全性。
探测大型视觉-语言模型中的知觉恒常性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； 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）
AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。
Comments Under Review
自适应稀疏莫比乌斯变换用于学习多项式
机构 * UC Berkeley（伯克利大学）
AI总结 本文提出自适应稀疏莫比乌斯变换算法，用于高效学习稀疏多项式，改进超图重建的效率。
不确定性驱动量化大语言模型中的社会偏见变化
机构 * UC Berkeley（伯克利大学） ； Centre for Computational Medicine at The Hospital for Sick Children（儿童医院计算医学中心） ； UCSF（旧金山大学） ； Meta Superintelligence Labs（Meta超智能实验室）
AI总结 研究发现量化过程导致大语言模型中社会偏见的翻转，且不确定性与量化强度影响偏见变化，需进行后续评估以确保可靠性。
Comments 12 pages, 6 figures
决策导向的顺序实验设计：一种方向性不确定性引导方法
机构 * Department of Statistics and Operations Research, University of North Carolina（统计与运筹学系，北卡罗来纳大学） ； Department of Industrial Engineering and Operations Research, University of California, Berkeley（工业工程与运筹学系，加州大学伯克利分校）
AI总结 本文提出一种基于方向性的不确定性度量，用于改进顺序实验设计，以更有效地优化决策损失。
代码世界模型的双重生命：通过执行轨迹证明性地揭示恶意行为
机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全倡议（BASIS）加州大学伯克利分校）
AI总结 通过语义轨道分析，CTVP验证代码生成模型的恶意行为，引入ARQ量化验证成本，理论证明对抗鲁棒性非游戏化。
Comments 13 Pages, A Preprint
神经网络在信息论极限附近学习通用多索引模型
机构 * Peking University（北京大学） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 神经网络通过梯度下降在信息论极限内高效学习多索引模型，证明两层网络在特定条件下能以最优样本和时间复杂度实现目标学习。
Comments 85 pages, 2 figures. The order of the first two authors was determined by a coin flip. Accepted by ICLR 2026
数据中的潜意识效应：通过对数线性性的一般机制
机构 * University of California, Berkeley（加州大学伯克利分校） ； Microsoft Research（微软研究院） ； Courant Institute, New York University（纽约大学Courant研究所） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Logit-Linear-Selection方法，揭示数据集中的隐藏效应机制，通过选择特定子集使模型表现出多样化行为。
Comments Code available at https://github.com/ishaqadenali/logit-linear-selection
通过最优树进行高效子组分析的全局参数融合
机构 * Division of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计学系） ； Helen Wills Neuroscience Institute, University of California, Berkeley（加州大学伯克利分校海伦·威尔斯神经科学研究所）
AI总结 本文提出了一种融合最优因果树方法，利用混合整数优化提升子组分析的准确性与统计效率，并在模拟和实际数据中验证了其有效性。
VidTune: 通过生成音乐和上下文缩略图创建视频配乐
机构 * University of California, Berkeley（加州大学伯克利分校） ； Adobe Research（Adobe研究）
AI总结 VidTune通过生成多样化音乐选项和上下文缩略图，帮助创作者高效地审查和比较配乐，提升视频配乐创作的效率和趣味性。
Comments Accepted to CHI 2026
离线领域随机化的统计保证
机构 * UC Berkeley（加州大学伯克利分校） ； École Polytechnique（巴黎高等理工学院）
AI总结 本文研究了离线领域随机化（ODR）的统计保证，将其视为参数仿真器家族的最大似然估计，并在温和条件和均匀利普希茨连续性假设下提供弱一致和强一致保证，以指导下游离线强化学习的随机化分布选择。
Comments ICLR 2026
面向决策的基准测试以转变AI天气预报访问：应用于印度季风
机构 * Department of the Geophysical Sciences, University of Chicago（地球科学系，芝加哥大学） ； Development Innovation Lab, University of Chicago（创新发展实验室，芝加哥大学） ； Development Innovation Lab India, University of Chicago Trust（印度创新发展实验室，芝加哥大学信托） ； Data Science Institute, University of Chicago（数据科学研究所，芝加哥大学） ； Department of Earth and Planetary Science, University of California, Berkeley（地球与行星科学系，加州大学伯克利分校） ； NorthWest Research Associates, Boulder, CO（北西部研究协会，博尔德，科罗拉多） ； Department of Economics, University of Chicago（经济学系，芝加哥大学） ； Harris School of Public Policy, University of Chicago（哈里斯公共政策学院，芝加哥大学） ； Climate and Ecosystem Sciences Division, Lawrence Berkeley National Laboratory（气候与生态系统科学部，伯克利国家实验室）
AI总结 本文提出面向决策的基准测试框架，用于改进AI天气预测模型在印度季风预测中的应用，帮助农民应对气候变化带来的天气冲击。
为多智能体协调演化可解释的宪法
机构 * College of Engineering Shibaura Institute of Technology（Shibaura Institute of Technology 工程学院） ； Faculty of Arts and Sciences The University of Tokyo（东京大学 文理学部） ； 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） ； Department of Informatics Università degli Studi di Milano-Bicocca（米兰-比科卡大学 信息学系）
AI总结 本文提出通过进化算法自动发现多智能体协调的可解释宪法，通过实验展示进化宪法在提升社会稳定性方面的有效性。
Comments 23 pages, 4 figures
PluriHarms：对AI危害全谱人类判断的基准测试
机构 * UC Berkeley（伯克利大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Allen Institute for AI（人工智能研究院） ； New York University（纽约大学）
AI总结 PluriHarms通过系统研究人类对AI危害的判断，旨在推动更安全的AI发展。
Spiral RoPE: 在二维平面上旋转你的旋转位置嵌入
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of California, Santa Cruz（加州大学圣克ruz分校） ； John Hopkins University（约翰霍普金斯大学）
AI总结 Spiral RoPE通过多方向位置编码改进视觉变换器在分类、分割和生成任务中的性能。
时空决策变压器用于交通协调
机构 * New York University（纽约大学） ； UC Berkeley（伯克利大学）
AI总结 MADT通过引入图注意力机制、时间变压器编码器和返回到去的条件，实现了多智能体交通信号控制的序列建模，有效提升了交通协调性能。
基于自适应线性路径模型的扩散
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LP-MBD和ALP-MBD，通过线性概率路径和强化学习提升扩散模型在机器人控制中的适应性和鲁棒性。
Comments ICRA 2026
对忠实性的积极案例：LLM自我解释有助于预测模型行为
机构 * University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； University College London（伦敦大学学院） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出NSG度量标准，证明LLM自我解释能提升模型行为预测能力，且比外部生成解释更具预测价值，揭示了自我解释在AI监督中的积极作用。
自然语言行为-批评者：在语言空间中可扩展的非策略学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出NLAC算法，利用生成式LLM批评者生成自然语言反馈，实现更高效稳定的LLM智能体训练。
Comments 21 pages, 4 figures
MedFrameQA: 一个多图像医学视觉问答基准用于临床推理
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Harvard University（哈佛大学） ； UC Berkeley（加州大学伯克利分校） ； Emory University（埃默里大学） ； UC San Francisco（旧金山加州大学）
AI总结 MedFrameQA是一个多图像医学视觉问答基准，旨在评估多图像医学推理能力，揭示现有模型在处理复杂医学叙述时的不足。
Comments 27 pages, 15 Figures Benchmark data: https://huggingface.co/datasets/SuhaoYu1020/MedFrameQA
用于机器人控制的流匹配策略梯度
机构 * Amazon FAR（亚马逊Far） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； HKU（香港大学） ； CMU（卡内基梅隆大学）
AI总结 本文提出了一种基于流匹配的策略梯度方法，用于训练更复杂的机器人控制策略，实现了在四肢运动、人形运动跟踪和操作任务中的成功，并展示了在仿真到现实迁移中的鲁棒性。
Comments Project webpage: https://hongsukchoi.github.io/fpo-control
World-Gymnast: 在世界模型中用强化学习训练机器人
机构 * New York University（纽约大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 World-Gymnast通过在世界模型中进行强化学习微调，有效提升真实机器人性能，比监督学习和软件模拟更具优势。
Comments https://world-gymnast.github.io/
HuPER：一种受人类启发的语音感知框架
机构 * Zhejiang University, China（浙江大学） ； University of California, Berkeley, USA（加州大学伯克利分校）
AI总结 HuPER是一种受人类启发的语音感知框架，通过自适应推断实现高效语音识别，仅需100小时训练数据即可在多个语言基准中取得最佳性能，并支持跨语言零样本迁移。
基于代码的词：通过代码引导的推理克服语义惯性
机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； School of Psychological and Cognitive Sciences, Peking University（心理与认知科学学院，北京大学） ； Tsinghua International School（清华大学国际学校） ； University of California, Berkeley（加州大学伯克利分校） ； State Key Lab of General AI, Peking University（通用人工智能国家重点实验室，北京大学） ； Beijing Key Laboratory of Behavior and Mental Health, Peking University（北京行为与心理健康重点实验室，北京大学） ； Embodied Intelligence Lab, PKU-Wuhan Institute for Artificial Intelligence（具身智能实验室，北京大学-武汉人工智能研究院）
AI总结 通过代码引导的推理（LCV）克服语义惯性，表明表示形式影响模型在动态场景中的推理能力。
泛化还是幻觉？理解Transformer中的上下文推理
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 本文研究了Transformer中上下文推理机制，揭示其驱动泛化与幻觉的双重性，并通过理论分析与实验验证了矩阵因子化在其中的关键作用。
Comments NeurIPS 2025, first three authors contributed equally
FlowCast: 为可扩展的零成本推测性流匹配进行轨迹预测
机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔分校） ； University of California, Berkeley（加州大学伯克利分校） ； Inception Labs（Inception实验室） ； Adobe Research India（Adobe印度研究）
AI总结 FlowCast通过利用流匹配模型保持恒定速度的特性，实现无需训练的高效推理，提升图像生成等任务的速度2.5倍，同时保持质量。
Comments Accepted at International Conference on Learning Representations (ICLR 2026)
亚线性时间的注意力近似量子算法
机构 * Simons Institute for the Theory of Computing, UC Berkeley（Simons理论计算研究所，伯克利大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种量子算法，以亚线性时间近似注意力矩阵的行，利用量子Nyström近似、均值估计和杠杆得分采样技术。
Comments ICLR 2026
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