高校专区
重建对齐改进统一多模态模型
机构 * UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Duke University（杜克大学）
AI总结 提出重建对齐（RECA），一种资源高效的后训练方法，利用视觉理解编码器嵌入作为密集文本提示，通过自监督重建损失对齐理解与生成，显著提升多种统一多模态模型的生成和编辑性能。
Comments 43 pages, 36 figures and 14 tables; accepted by ICLR 2026
优化 Lean 中智能定理证明器的成本-质量权衡
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 提出一种包含数据平面和控制平面的动作路由智能体，通过观察失败轨迹并估计成功概率与成本来动态决定继续证明或重新分解，在 PutnamBench 子集上平均降低 25.8% 成本且保持性能。
生成式规划模型的高效测试时推理
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 本文提出一种改进的开放-封闭列表搜索算法，结合生成模型和启发式模型，在测试时高效推理，提升生成式规划模型的解质量和计算效率。
深度非线性网络中的鞍点逃逸理论
机构 * Department of Physics（物理系） ； University of California, Berkeley（加州大学伯克利分校） ； Department of Neuroscience（神经科学系） ； Redwood Center（红木中心）
AI总结 本文提出深度非线性网络中鞍点逃逸的理论，通过分析权重矩阵的Frobenius范数不平衡性，将激活函数分为四类，并推导出关键深度逃逸时间规律。
一种快速有效的欧几里得反聚类方法：基于分配的反聚类算法
机构 * Department of Business Administration, University of Bern（伯尔尼大学商学院） ； Riverside County Office of Education（河滨县教育局） ； Industrial Engineering and Operations Research Department, University of California, Berkeley（加州大学伯克利分校工业工程与运筹学系）
AI总结 提出基于分配的反聚类算法（ABA），通过将反聚类转化为分配问题，实现百万级数据点、数十万反聚类的快速求解，在解质量和运行时间上均优于现有方法。
ParallelBench: 理解扩散大语言模型中并行解码的权衡
机构 * FuriosaAI ； UW-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； UC Berkeley（加州大学伯克利分校） ； Seoul National University（首尔国立大学） ； KRAFTON ； Ludo Robotics Project（Ludo机器人项目）
AI总结 针对扩散LLM并行解码导致生成质量下降的问题，通过信息论分析和合成实验揭示其根本限制，并提出首个专门基准ParallelBench，系统评估发现并行解码在现实任务中质量损失严重，且现有策略无法根据任务难度调整并行度。
Comments Accepted at ICLR 2026. Project Page: https://parallelbench.github.io
从不可信输入到可信内存：LLM智能体中内存投毒攻击的系统研究
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文系统研究了基于LLM的智能体中的内存投毒攻击，识别了四种内存写入通道和九种结构漏洞，提出了六类攻击的分类法，并设计了评估基准MPBench，发现更积极读写内存的智能体更易被利用，且现有提示注入防御无法覆盖内存投毒攻击。
DriftSched: 多租户GPU推理中运行时令牌漂移下的自适应QoS感知调度
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出DriftSched框架，通过运行时反馈驱动的漂移补偿和自适应偏差校正，解决多租户LLM推理中令牌漂移导致的调度问题，在NVIDIA L4 GPU上实现平均38.8%的估计误差降低和42%的中位延迟改善。
Comments 19 pages, 34 figures, 11 tables
从噪声到有序：通过去噪扩散学习排序
机构 * University of Guelph（圭尔夫大学） ； Independent Researcher（独立研究者） ； University of California, Berkeley（加州大学伯克利分校） ； McGill University（麦吉尔大学） ； University of Toronto（多伦多大学）
AI总结 提出基于去噪扩散的生成式排序模型DiffusionRank，通过建模特征向量与相关性标签的联合分布，在四个标准LTR数据集上优于传统判别式方法。
随机层次模型与层次化浅到深链的可证明学习
机构 * Princeton University（普林斯顿大学） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对深度网络能否高效利用层次结构的问题，证明在温和条件下深度卷积网络可高效学习随机层次模型，并提出逐层训练策略。
Comments COLT 2026
SIMSplat: 面向驾驶场景生成的语言对齐4D高斯泼溅
机构 * Purdue University（普渡大学） ； University of California, Berkeley（加州大学伯克利分校） ； Toyota InfoTech Labs（丰田信息科技实验室）
AI总结 提出SIMSplat，一种基于场景图的4D高斯泼溅框架，通过嵌入语言对齐特征实现自由文本查询、对象级编辑和多智能体仿真，在驾驶场景生成中显著提升定位精度和任务完成率。
CrediBench: 构建用于信息完整性的网络规模数据集
机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； AITHYRA Research Institute（AITHYRA研究院） ； Université de Montréal（蒙特利尔大学）
AI总结 针对现有数据集忽略网络拓扑、时序和文本内容等关键模态的问题，提出包含八个月网络图数据的CrediBench数据集，支持回归和分类任务，多模态模型显著提升性能。
Comments 16 pages,4 figures
Journal ref KDD 2026
在进化之光下揭示强化学习的三个教条
机构 * Department of Computer Science, University of Tübingen（图宾根大学计算机科学系） ； Department of Anthropology, University of California, Berkeley（加州大学伯克利分校人类学系）
AI总结 本文从人工生命视角批判强化学习的三个核心假设，提出将学习视为适应而非优化，并利用开放新颖性搜索和热力学理论构建更生物真实的智能体模型。
GAPartManip：面向材料无关铰接物体操作的大规模部件中心数据集
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； CFCS, School of Computer Science, Peking University（北京大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Galbot
AI总结 提出大规模部件中心数据集GAPartManip，结合照片级材质随机化和部件级交互姿态标注，通过模块化框架提升深度估计与交互姿态预测，在仿真和真实场景中实现鲁棒的铰接物体操作。
Comments Accepted by ICRA 2025. Project page: https://pku-epic.github.io/GAPartManip/
从马尔可夫到拉普拉斯：Mamba如何通过上下文学习马尔可夫链
机构 * EPFL（苏黎世联邦理工学院） ； UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Télécom Paris（巴黎电信学院）
AI总结 本文研究Mamba在马尔可夫链上的上下文学习能力，发现单层Mamba能高效学习最优的拉普拉斯平滑估计器，并理论上揭示了卷积在其中的关键作用。
Comments Oral presentation at ICLR 2026
LLMs 是有效的谈判者吗？LLMs 在谈判对话中多方面能力的系统评估
机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校） ； Capital One
AI总结 系统评估大型语言模型在谈判中的多方面能力，发现 GPT-4 表现优异，但在主观评估和生成策略性响应方面存在挑战。
Comments Accepted to Findings of EMNLP 2024
姿态校正是否能提升生物特征面部识别？
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究探讨了AI驱动的头部姿态校正与图像修复对面部识别准确率的影响，发现选择性应用CFR-GAN与CodeFormer可提升识别性能。
如何勾勒学习算法
机构 * UC Berkeley（伯克利大学）
AI总结 提出一种数据删除方案，基于稳定性假设，通过随机复方向的高阶导数局部勾勒算术电路，实现深度学习模型输出预测的误差和失败概率可忽略，且预计算和推理仅慢对数因子。
Comments Improved presentation and simplified Algorithm 4
PTLD: 从仿真到现实的触觉潜在知识蒸馏用于灵巧操作
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； FAIR at Meta（Meta的FAIR团队） ； UC Berkeley（伯克利大学）
AI总结 提出PTLD方法，通过真实世界触觉策略数据蒸馏鲁棒状态估计器，解决触觉仿真困难问题，在灵巧操作任务中相比纯本体感策略提升182%和57%。
DADP: 领域自适应扩散策略
机构 * University of California, Berkeley, California, USA（加州大学伯克利分校） ； Peking University, Beijing, China（北京大学） ； Tsinghua University, Beijing, China（清华大学）
AI总结 提出DADP，通过无监督解耦和领域感知扩散注入，实现跨动态环境的鲁棒零样本适应，在运动与操控任务上超越先前方法。
超越预测的良性过拟合：普通最小二乘插值器
机构 * Department of Data Sciences & Operations, University of Southern California（数据科学与运营系，南加州大学） ； Department of Statistics, University of California, Davis（统计学系，加州大学戴维斯分校） ； Department of Statistics, University of California, Berkeley（统计学系，加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind）
AI总结 本文研究过参数化线性模型中最小ℓ2范数OLS插值器的参数估计与推断性质，推导了留k法、遗漏变量偏误公式和Frisch-Waugh-Lovell定理的过参数化版本，并扩展了高斯-马尔可夫定理。
Comments This work is accepted for publication in Biometrika
分解上下文召回中的预测机制
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 通过设计结合连续上下文学习与离散关联召回的新玩具问题，发现Transformer模型在上下文召回任务中存在两种具有不同学习动态的独立机制：一种依赖离散符号标签进行关联召回，另一种基于前一个token和上下文进行贝叶斯式预测。
Comments 45 pages, 47 figures, 2 tables
Eigen-Spike 涌现与共轭核在非线性可分数据上的二次等价
机构 * Department of Mathematics ICSI and Department of Statistics（数学系ICSI和统计系） ； University of California, San Diego, USA（美国加州大学圣地亚哥分校） ； University of California, Berkeley, USA（美国加州大学伯克利分校） ； Department of Mathematics ICSI, LBNL and Department of Statistics（数学系ICSI、劳伦斯伯克利国家实验室和统计系）
AI总结 针对非线性可分数据（XOR问题），通过共轭核矩阵的二次等价模型，分析异常特征值涌现及其与标签对齐的BBP型相变，揭示样本复杂度、信噪比、激活函数和预训练特征对非线性可学习性的影响。
Comments 81 pages, 8 figures
代理世界建模：基础、能力、定律及更远
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Chinese University of Hong Kong（香港中文大学） ； University of Hong Kong（香港大学） ； University of Washington（华盛顿大学） ； University of Tokyo（东京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Singapore Management University（新加坡管理学院） ； XGEN Labs（XGEN实验室）
AI总结 本文提出'层次x定律'分类法，定义三个能力层级和四个约束领域，综合400余篇文献总结100余系统，分析方法、失败模式和评估实践，提出决策导向的评估原则和可复现评估包，展望从被动预测到重塑环境的代理世界建模路径。
RAIGen: 文本到图像生成模型中的罕见属性识别
机构 * 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 提出RAIGen框架，利用Matryoshka稀疏自编码器和新颖的少数度量，在无标签条件下发现扩散模型中的罕见属性，并支持属性放大。
Comments Accepted at ICML 2026. Webpage and code available at https://github.com/VSSILPA/RAIGen
OmniRetarget：面向人形全身运动操控与场景交互的交互保持数据生成
机构 * Amazon FAR (Frontier AI & Robotics)（亚马逊前沿人工智能与机器人实验室） ； MIT（麻省理工学院） ； UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学）
AI总结 提出OmniRetarget引擎，通过交互网格显式建模并保持智能体、地形和物体间的空间与接触关系，将人类运动重定向为机器人运动，生成高质量轨迹以训练强化学习策略，实现长时间跑酷和操控技能。
Comments Project website: https://omniretarget.github.io
Fast-dLLM++: 用于更快扩散LLM推理的Fréchet轮廓解码
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 针对扩散大语言模型推理中并行令牌生成的瓶颈，提出Fréchet轮廓解码方法，通过利用异构置信度轮廓选择并行提交集，在保持模型和缓存不变的情况下提升吞吐量。
Comments Initial version accepted at Workshop on Structured Probabilistic Inference & Generative Modeling, ICML 2026. Project Page: https://ringo-star.github.io/projectpage_frechet/
深度强化学习何时超越校准基线？自适应资源控制的基准研究
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 通过RLScale-Bench基准测试，发现校准的基于规则的自动缩放器在所有工作负载上成本均低于六种主流深度强化学习算法，并揭示了算法选择、基线校准和评估协议的关键瓶颈。
基于时间增强符号图神经网络的动态链接预测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种模块化时间增强框架，通过历史上下文集成模块（HCIM）结合可学习的近因感知时间加权、LSTM嵌入轨迹建模和多头时间注意力，在符号图神经网络中捕获短期和长期符号交互动态，并在SE-SGformer上实例化，实验证明在多个真实和合成时间符号网络上性能显著提升。
Comments This manuscript has been withdrawn by the authors due to errors discovered in the implementation and experimental evaluation. These errors materially affect the reported results and conclusions. The authors therefore do not recommend using or citing this work
灾难性遗忘的机制起源：为什么RL比SFT更好地保留电路？
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学）
AI总结 通过引入差异电路脆弱性指标，研究比较了强化学习与监督微调在大型语言模型微调中对内部计算电路的保留程度，发现RL虽任务适应较慢但能更好保留电路，从而减轻灾难性遗忘。
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