高校专区
PIS：一种通过集合条件流匹配实现任意稀疏观测的通用物理反演求解器
机构 * School of Information, University of California, Berkeley, USA（信息学院，加州大学伯克利分校） ； College of Civil Engineering, Tongji University, Shanghai, China（土木学院，同济大学） ； Institute of Mechanical Sciences（机械科学研究院）
AI总结 PIS通过集合条件流匹配和余弦退火稀疏课程，实现从任意稀疏传感器稳定反演，显著提升极端稀疏条件下的反演精度和效率。
数字化模拟以增强军事医疗撤离决策制定
机构 * University of California Berkeley, Fung Institute（加州大学伯克利分校，冯研究所） ； Stanford University, Stanford Intelligent Systems Laboratory（斯坦福大学，斯坦福智能系统实验室） ； United States Army, Department of Aviation Medicine（美国陆军，航空医学部）
AI总结 MEWI通过三维模拟提升医疗撤离决策能力，增强联合部队的医疗撤离教育与操作效率。
DistMLIP：一种用于机器学习互原子势的分布式推断平台
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； LBNL（劳伦斯伯克利国家实验室）
AI总结 DistMLIP是一种基于图级并行化的分布式推断平台，可提升机器学习互原子势的模拟效率和规模。
Comments ICLR 2026
并行随机梯度规划用于世界模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Meta FAIR ； New York University（纽约大学）
AI总结 GRASP是一种基于世界模型的并行随机梯度规划方法，通过引入随机性和软约束，有效解决长时间跨度的控制任务，优于现有规划算法。
Comments 23 pages, 7 figures
3DGS$^2$-TR：一种用于3D高斯点云的可扩展的二次信任区域方法
机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA（英伟达）
AI总结 3DGS$^2$-TR提出了一种基于信任区域的二次优化方法，通过高效计算和低内存开销实现3D高斯点云场景训练的加速与扩展。
身份、合作与群体中真实与模拟人类的框架效应
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind）
AI总结 本研究通过深度绑定基础模型与扩展背景故事，提升LLMs在社会困境游戏中模拟人类行为的保真度，探索影响人类研究的细节因素。
基于图的外部记忆模型编辑
机构 * University of Virginia（弗吉尼亚大学） ； UC Berkeley（伯克利大学） ； UCSF（旧金山加州大学）
AI总结 HYPE通过双曲几何和图神经网络实现稳定的模型编辑，提升编辑稳定性、事实准确性和多跳推理能力。
无需裁剪的策略优化用于大语言模型
机构 * KUIS AI Center, Koç University, Istanbul, Türkiye（Koç大学） ； Koç University, Istanbul, Türkiye（Koç大学） ； University of California, Berkeley, CA, USA（加州大学伯克利分校）
AI总结 CFPO通过凸二次惩罚替代裁剪机制，实现稳定策略优化，适用于大语言模型的训练。
Comments 23 pages, 10 tables, 8 figures
RoboArmGS: 通过贝塞尔曲线精修实现高质量的机器人手臂泼溅
机构 * Peking University（北京大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 RoboArmGS通过可学习的贝塞尔曲线精修URDF编排运动，实现高质量机器人手臂运动建模和渲染。
Sylber 2.0：一种通用的音节嵌入
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； Carnegie Mellon University, PA, USA（卡内基梅隆大学）
AI总结 Sylber 2.0通过自监督框架实现低频音节嵌入，支持多语言和风格，提升语音建模效率与质量。
PRISM：分布无关的自适应矩阵函数计算以加速神经网络训练
机构 * 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） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 PRISM通过自适应多项式拟合和随机迭代草图技术，加速神经网络训练中的矩阵函数计算，无需显式谱界或奇异值估计。
从计算机断层扫描中早期和预诊断性检测胰腺癌
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Bologna（博洛尼亚大学） ； Istituto Italiano di Tecnologia（意大利技术研究院） ； Shandong Provincial Qianfoshan Hospital（山东省千佛山医院） ； Qilu Hospital of Shandong University（山东大学齐鲁医院） ； Jagiellonian University（杰齐洛尼亚大学） ； University of California, San Francisco（加州大学旧金山分校） ； University of California, Berkeley（加州大学伯克利分校） ； Johns Hopkins Medicine（约翰霍普金斯医学中心） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Warmia and Mazury（马尔堡大学） ； National Medical Institute of the Ministry of Internal Affairs and Administration（内政部和行政管理局国家医疗研究所） ； Henan Provincial People’s Hospital & The People’s Hospital of Zhengzhou University（河南省人民医院及郑州大学人民医院） ； City of Hope National Medical Center（希望国家医学中心） ； Centre Européen de Calcul Atomique et Moléculaire, École Polytechnique Fédérale de Lausanne（欧洲原子和分子计算中心，洛桑联邦理工学院） ； Northeastern University（东北大学） ； Rutgers University（罗格斯大学） ； The First Affiliated Hospital of Soochow University（苏州大学第一附属医院） ； Massachusetts General Hospital（麻省总医院）
AI总结 ePAI通过人工智能在CT扫描中早期检测胰腺癌，显著提高灵敏度并准确定位微小病变。
SimpleMem: 为LLM代理高效终身记忆
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）
AI总结 SimpleMem通过语义无损压缩和三阶段流程，提升LLM代理在复杂环境中的记忆效率与检索性能。
ChunkWise LoRA: 适应性序列分块用于内存高效低秩适应和加速大语言模型推理
机构 * Bentley University USA（伯克利大学） ； Cornell University USA（康奈尔大学） ； University of California Berkeley USA（加州大学伯克利分校） ； George Mason University USA（乔治·马歇尔大学） ； Georgia Institute of Technology USA（佐治亚理工学院）
AI总结 ChunkWise LoRA通过动态分块和适应性配置提升LLM推理效率，实现更低延迟和内存消耗的同时保持性能。
Comments Presented at 13th IEEE International Conference on Intelligent Systems and Embedded Design
QUARK：通过查询锚定聚合实现非忠实查询下的稳健检索
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） ； Adobe Research（Adobe研究）
AI总结 QUARK通过建模查询不确定性与锚定聚合，提升非忠实查询下的检索鲁棒性与性能。
Comments 11 pages, 5 figures, 6 tables
DevOps-Gym: 在软件DevOps周期中评估AI代理的基准测试
机构 * UC Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） ； UC Berkeley（加州大学伯克利分校） ； Google（谷歌） ； UC Los Angeles（加州大学洛杉矶分校）
AI总结 DevOps-Gym通过700+真实任务评估AI代理在完整DevOps周期中的能力，揭示其在问题解决和测试生成方面的局限性。
当LLMs玩电话游戏：文化吸引子作为评估多轮设置中LLM的观念工具
机构 * Inria（法国国家信息与自动化研究所） ； Université de Bordeaux（波尔多大学） ； MIT（麻省理工学院） ； Computational Cognitive Science Lab（计算认知科学实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Institute for Advanced Study in Toulouse（图卢兹高级研究学院）
AI总结 本文通过电话游戏实验揭示LLM多轮交互中的信息失真与吸引子现象，探讨初始文本、指令等对吸引子效应的影响。
Comments Code available at https://github.com/jeremyperez2/TelephoneGameLLM. Companion website with a Data Explorer tool at https://sites.google.com/view/telephone-game-llm . This paper was published at the 2025 International Conference on Learning Representations (ICLR2025) https://iclr.cc/virtual/2025/poster/28880
进化策略导致大语言模型中的灾难性遗忘
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 进化策略在大语言模型训练中导致灾难性遗忘，尽管性能接近GRPO，但持续学习能力受限。
多模态对话结构理解
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出多模态对话结构理解任务及TV-MMPC数据集，揭示对话角色匿名化对模型性能的影响，并分析对话中性别角色的参与差异。
Comments accepted to EACL 2026 main conference; 22 pages, 9 figures, 10 tables
探究视觉-语言模型中以任务为导向的交流发展
机构 * Technion – Israel Institute of Technology（技术ion–以色列理工学院） ； EPFL（苏黎世联邦理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学）
AI总结 研究视觉-语言模型在协作任务中发展以任务为导向的通信协议的潜力与风险
在弱监督下保持真实性：利用同伴预测评估和训练大语言模型
机构 * Center for Human-Compatible Artificial Intelligence（兼容人类的人工智能中心） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 通过同伴预测方法，利用弱监督提升大语言模型的真实性，有效对抗欺骗并增强评估可靠性。
Comments ICLR 2026
超几何分层学习的最坏率
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 该研究证明了双曲空间在分层学习中能实现信息论最优的样本复杂度，而欧几里得空间则面临指数级的样本复杂度问题。
CASCADE：通过自主开发与进化实现累积性代理技能创造
机构 * Department of Materials Science and Engineering, University of California, Berkeley, California, United States（加州大学伯克利分校材料科学与工程系） ； Materials Sciences Division, Lawrence Berkeley National Laboratory, California, United States（劳伦斯伯克利国家实验室材料科学部） ； Laboratory of Artificial Chemical Intelligence (LIAC), Institute of Chemical Sciences and Engineering, École Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland（日内瓦联邦理工学院化学科学与工程研究所人工化学智能实验室） ； National Centre of Competence in Research (NCCR) Catalysis, École Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland（日内瓦联邦理工学院催化研究国家中心）
AI总结 CASCADE通过自主开发与进化实现代理技能的累积，提升复杂科学任务的适应性和扩展性。
DeFM：从深度学习基础表示以供机器人应用
机构 * Robotic Systems Lab (RSL), ETH Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA（NVIDIA公司）
AI总结 DeFM通过自监督学习从深度图像中学习基础表示，为机器人应用提供强大的泛化能力和仿真到现实的迁移性能。
Comments Under review, 19 pages, 15 Figures, 9 Tables
Fisher-Orthogonal Projected Natural Gradient Descent 用于持续学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 FOPNG通过Fisher正交约束在持续学习中提升模型性能，有效避免灾难性遗忘。
在大规模下的大语言模型根本限制
机构 * Stanford University（斯坦福大学） ； The University of Oklahoma（俄克拉荷马大学） ； Emory University（埃默里大学） ； Purdue University（普渡大学） ； UC Riverside（加州大学河滨分校） ； UC Berkeley（加州大学伯克利分校） ； Khyber Medical University（克希伯医学大学） ； Universtat Pompeu Fabra（庞培法华大学） ； Zoox（Zoox公司） ； Meta ； Google DeepMind（谷歌DeepMind） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Glasgow（格拉斯哥大学）
AI总结 本文探讨了大规模大语言模型的根本限制，提出统一框架分析计算、信息和学习的基础限制，并提供缓解方法。
Comments Submitted to TMLR 2025
探索非平衡记忆的景观：神经细胞自动机
机构 * SB Schools, École Polytechnique Fédérale de Lausanne (EPFL), Switzerland（瑞士联邦理工学院（EPFL）SB学院） ； Department of Computing and Mathematical Sciences, Caltech, Pasadena, CA 91125, USA（加州理工学院计算与数学科学系） ； Institute for Quantum Information and Matter, Caltech, Pasadena, CA 91125, USA（加州理工学院量子信息与物质研究所） ； Department of Physics, University of California Berkeley, Berkeley, CA 94720, USA（加州大学伯克利分校物理系）
AI总结 本研究通过神经细胞自动机探索非平衡记忆的多样性，发现多种记忆机制能以不同方式存储和纠正信息。
Comments 4+9 pages; v2: expanded discussion, typos fixed
Journal ref Phys. Rev. Lett. 136, 037102 - Published 21 January, 2026
Jet-RL: 通过统一训练和回放精度流实现基于策略的FP8强化学习
机构 * NVIDIA ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 Jet-RL通过统一FP8精度流实现稳定高效的强化学习训练，显著提升训练和回放速度，同时保持精度稳定。
Comments 11 pages, 6 figures, 4 tables
RoPE 注意力可以几乎线性时间训练
机构 * Wyoming Seminary（怀俄明神学院） ； University of Arizona（亚利桑那大学） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute for the Theory of Computing, University of California, Berkeley（计算理论学院，加州大学伯克利分校）
AI总结 本文提出了一种在RoPE注意力中基于有界条目的几乎线性时间反向计算算法，并证明了有界条目条件对于亚二次性能的必要性。
评估稀疏自编码器中概念表示的对抗鲁棒性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Bosch Research（博世研究） ； Harvard University（哈佛大学）
AI总结 本研究评估了稀疏自编码器中概念表示的对抗鲁棒性，发现其易受微小输入扰动影响，可能不适合用于模型监控和监督。
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