高校专区
探索网络-知识图谱二元性：代理供应链风险分析的案例研究
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出基于LLM的代理框架，利用网络与知识图谱的二元性，通过图遍历和上下文壳技术实现供应链风险分析的实时可解释生成。
Comments Accepted to the 2nd Workshop on LLMs and Generative AI in Finance: International Conference on AI in Finance(ICAIF) 2025;7 pages, 3 figures
RAST-MoE-RL: 一种面向动态的时空MoE框架用于网约车深度强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Tongji University（同济大学） ； University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； McGill University（麦吉尔大学） ； Northeastern University（东北大学）
AI总结 RAST-MoE-RL通过引入制度感知的时空MoE框架，提升了网约车深度强化学习中的决策效率与稳定性，实现了更高的奖励和更短的等待时间。
OXE-AugE: 一种大规模机器人增强的OXE以实现跨躯体政策学习的扩展
机构 * Department of EECS, UC Berkeley（电子工程与计算机科学系，加州大学伯克利分校） ； GRASP Laboratory, University of Pennsylvania（格拉斯实验室，宾夕法尼亚大学） ； Department of CS, UT Austin（计算机科学系，得克萨斯大学奥斯汀分校）
AI总结 OXE-AugE通过引入9种不同机器人躯体增强OXE数据集，提升跨躯体政策学习的泛化能力和性能。
超越单个令牌预测：扩散模型与自回归语言模型性能的对比分析
机构 * Seoul National University（首尔国立大学） ； University of California, Berkeley（加州大学伯克利分校） ； ICSI ； LBNL（劳伦斯伯克利国家实验室） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文比较了扩散模型与自回归语言模型在性能上的差异，发现DLMs在算术强度上占优但难以扩展，而ARMs在批量推理中表现更优。
Comments 11 pages, 5 figures
Schrodinger Audio-Visual Editor: 对象级音频视觉去除
机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； Berkeley AI Research（伯克利人工智能研究） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
AI总结 本文提出Schrodinger Audio-Visual Editor，通过联合编辑音频和视频实现对象级去除，提升时间同步性和语义对应性。
Lemon：一种统一且可扩展的3D多模态模型用于通用空间理解
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 Lemon提出一种统一的Transformer架构，通过联合处理3D点云块和语言标记，实现空间-语言融合，提升3D多模态模型的可扩展性和性能。
基于AI的奥运跆拳道实时踢击分类技术：传感器融合应用
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出基于AI和传感器融合的实时踢击分类系统，通过改进评分标准提升跆拳道比赛的动态性和观赏性。
Comments 13 pages, 4 figures
集体主义与经济视角下的人工智能
机构 * Inria Paris（巴黎研究所） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文从集体主义和经济视角出发，提出融合社会和经济概念的算法设计方法，以更全面地理解和应对人工智能技术的社会影响。
用大语言模型解决不等式证明
机构 * Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种非正式但可验证的任务公式化方法，通过IneqMath数据集和LLM-as-judge评估框架，揭示了大语言模型在解决不等式证明任务中的局限性及改进方向。
Comments 50 pages, 24 figures, accepted as a Spotlight at NeurIPS 2025
利用交通均衡模型减少电动汽车充电站布置的拥堵
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出利用交通均衡模型减少电动汽车充电站布置拥堵，通过两种模型和贪心算法实现最优或近优结果，同时展示队列方法更现实。
多重注意力机制用于高效长上下文推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； ICSI ； LBNL（劳伦斯伯克利国家实验室）
AI总结 多重注意力机制通过精确计算重要标记的注意力并近似其余标记，提升长上下文推理效率。
Comments 15 pages
Journal ref NeurIPS 2025
具有对称性的扩散策略引导：益处与局限
机构 * Yonsei University（延世大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种具有对称性的扩散策略引导框架，通过利用对称性提升样本效率和策略性能，同时揭示了严格等变的实践边界。
Insight Miner: 一个用于跨领域对齐的时间序列分析数据集与自然语言
机构 * UC Berkeley（加州大学伯克利分校） ； Mineral（矿石） ； Northwestern University（西北大学）
AI总结 Insight Miner 是一个大规模多模态模型，通过代理工作流生成高质量时间序列描述，提升跨领域时间序列分析能力。
视觉与语言动作政策的贝叶斯分解：看见以行动，提示以指定
机构 * Zhejiang University（浙江大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出BayesVLA，通过贝叶斯分解策略，解决VLA模型中因模态不平衡导致的灾难性遗忘问题，提升泛化能力和指令遵循性能。
聚焦奖励：通过回报引导的对比学习塑造视觉注意力
机构 * Department of Computer Science University of California Davis（加州大学戴维斯分校计算机科学系） ； Department of Electrical Engineering and Computer Sciences University of California Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； Department of Mechanical and Aerospace Engineering University of California Davis（加州大学戴维斯分校机械与航空航天工程系）
AI总结 Gaze on the Prize通过回报引导的对比学习，提升视觉强化学习的样本效率，解决ManiSkill3基准中难以学习的任务。
Comments Project page: https://andrewcwlee.github.io/gaze-on-the-prize
LLM记忆景观：机制、测量与缓解
机构 * UC Berkeley（伯克利大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文研究了LLM记忆现象的机制、测量方法及缓解策略，探讨了影响记忆的因素和检测技术，并分析了其法律伦理影响及缓解措施。
通过自我确定性实现大规模语言模型的可扩展最佳-N选择
机构 * UC Berkeley（伯克利大学）
AI总结 本文提出自我确定性方法，通过利用LLM输出的概率分布，高效提升大规模语言模型的推理能力，适用于多种推理任务和开放性生成场景。
Comments NeurIPS 2025
MiniScope: 一种基于最小特权原则的工具调用代理授权框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； IBM Research（IBM研究院）
AI总结 MiniScope通过重建权限层次结构和移动式权限模型，实现最小特权原则，以平衡安全性和易用性，同时在权限最小化和成本控制方面优于现有方法。
FoundationMotion: 自动标注与视频中空间运动的推理
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； UMich（密歇根大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 FoundationMotion通过自动数据整理管道生成大规模细粒度运动数据集，提升开源模型在运动理解与空间推理任务中的性能。
Comments Code is available at https://github.com/Wolfv0/FoundationMotion/tree/main
2025基础模型透明度指数
机构 * UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 2025基础模型透明度指数评估了基础模型开发者的透明度，发现整体透明度下降，IBM表现突出，而xAI和Midjourney得分极低，揭示了政策干预的必要性。
Comments Website: https://crfm.stanford.edu/fmti/December-2025/index.html
从生成的人类视频到物理上合理的机器人轨迹
机构 * University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Johannes Kepler University（约翰·凯撒大学）
AI总结 本文提出GenMimic方法，通过物理感知强化学习策略，从生成的视频中实现零样本的人形机器人动作模仿，并建立了评估零样本泛化能力的基准。
Comments For project website, see https://genmimic.github.io
CHyLL：学习混合系统的连续神经表示
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 CHyLL通过学习混合系统的连续神经表示，解决了连续和离散动态结合的挑战，实现了无轨迹分割的高精度流动预测和拓扑不变量识别。
SEMDICE：通过平稳分布校正估计实现的非策略状态熵最大化
机构 * UC Berkeley（加州大学伯克利分校） ； Yonsei University（延世大学）
AI总结 SEMDICE通过平稳分布校正估计，从非策略数据集中学习状态熵最大化策略，实现更高效的无监督强化学习预训练。
Comments ICLR 2025
通过低logit秩从现代语言模型中获得可证明的学习
机构 * Microsoft Research（微软研究院） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院）
AI总结 本文提出了一种基于低logit秩结构的高效算法，用于从查询中获得现代语言模型的可证明学习保证。
对比转移函数有助于量化神经网络分布外泛化在高分辨率透射电子显微镜中的表现
机构 * Department of Materials Science and Engineering（材料科学与工程系） ； University of California, Berkeley（加州大学伯克利分校） ； National Center for Electron Microscopy, Molecular Foundry（电子显微镜国家中心，分子工厂） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 本文通过对比转移函数量化神经网络在高分辨率透射电子显微镜中分布外泛化的能力，揭示了模型在不同成像条件下的稳定性与性能变化。
非归一化的共享约束动态博弈用于具有不对称责任的人机协作
机构 * University of California at Berkeley（加州大学伯克利分校）
AI总结 本文提出非归一化的共享约束动态博弈框架，用于人机协作导航，通过滚动时域最优控制实现安全约束的不对称责任分配。
利用LLM代理自动化高能物理数据分析
机构 * Department of Physics, University of California, Berkeley, Berkeley, CA 94720, USA（加州大学伯克利分校物理系） ； Physics Division, Lawrence Berkeley National Laboratory, Berkeley, CA 94720, USA（伯克利国家实验室物理部）
AI总结 本研究利用LLM代理自动化高能物理数据分析，通过混合系统结合LLM和Snakemake工作流管理器，评估代理在多阶段工作流中的性能。
Comments 16 pages, 6 figures, 2 tables, the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) - Machine Learning and the Physical Sciences (ML4PS) workshop (poster)
套利：通过优势感知投机实现高效推理
机构 * UC Berkeley（伯克利大学） ； Apple（苹果公司） ； ICSI（信息与计算科学研究所） ； LBNL（劳伦斯伯克利国家实验室）
AI总结 Arbitrage通过动态路由机制提升步骤级投机生成的效率和准确性，减少推理延迟。
Comments 22 pages
量子电路推理模型：一种用于可微逻辑推理的变分框架
机构 * UC Berkeley, School of Information（伯克利大学信息学院）
AI总结 量子电路推理模型通过变分框架实现可微逻辑推理，将量子力学操作映射到推理原语，用于科学、生物医学和化学领域的推理任务。
VulnLLM-R：基于代理架构的专用推理LLM用于漏洞检测
机构 * Department of Computer Science, University of California, Santa Barbara, CA, USA（加州大学圣芭芭拉分校计算机科学系） ； Department of Computer Science, University of Chicago, Chicago, IL, USA（芝加哥大学计算机科学系） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA（加州大学伯克利分校电子工程与计算机科学系） ； Department of Computer Science, University of Illinois Urbana-Champaign, Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系）
AI总结 VulnLLM-R通过专用推理模型和代理架构，在漏洞检测中实现高效准确的AI驱动检测。
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