高校专区
GOATex: 几何与遮挡感知纹理生成
机构 * KRAFTON AI（KRAFTON人工智能研究院） ； NC AI（NC人工智能研究院） ； UC Berkeley（伯克利大学） ； Seoul National University（首尔国立大学）
AI总结 GOATex通过基于命中层级的遮挡感知框架，实现高质量3D网格内外表面纹理生成，无需微调扩散模型，具备结构连贯性与无缝纹理输出。
Comments Accepted to NeurIPS 2025; Project Page: https://goatex3d.github.io/
VIRAL：大规模视觉仿真到现实用于双足机器人类地交互
机构 * NVIDIA ； CMU（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； CUHK（香港中文大学）
AI总结 VIRAL通过大规模仿真训练并零样本部署，实现双足机器人在现实中的自主移动- manipulation能力，无需现实微调。
Comments Project website: https://viral-humanoid.github.io/
前沿人工智能对网络安全领域的冲击
机构 * UC Berkeley（加州大学伯克利分校） ； UC Santa Barbara（加州大学圣芭芭拉分校） ； Google（谷歌）
AI总结 本文研究了前沿人工智能在网络安全中的影响，指出人工智能在攻击中的能力已超过防御，呼吁构建新基准、开发防御代理等以缓解风险。
CDR-Agent: 基于大语言模型代理的临床决策规则智能选择与执行
机构 * University of Georgia（佐治亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, San Francisco（加州大学旧金山分校） ； University of Chicago（芝加哥大学）
AI总结 CDR-Agent利用大语言模型代理，通过自主识别和应用最合适的临床决策规则，提升急诊部门的决策效率和准确性。
动态Q强化学习的预测安全护盾
机构 * Departement U2IS, ENSTA Paris, Institut Polytechnique de Paris（ENSTA巴黎大学U2IS部门，巴黎理工学院） ； Department of Electrical Engineering and Computer Science, University of California, Berkeley, USA（加州大学伯克利分校电气工程与计算机科学系）
AI总结 本文提出了一种预测安全护盾，通过环境模型的安全模拟本地更新Q函数，以在保持严格安全保证的同时提高模型强化学习性能。
从比特到轮次：为扩散语言模型的并行解码探索
机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA
AI总结 本文提出ETE策略，通过探索高不确定token提升扩散语言模型的解码效率，减少轮次并保持生成质量。
Comments 24 pages, 6 figures
全方位思考：野外人形视觉搜索
机构 * NYU（纽约大学） ； NVIDIA（英伟达） ； TU Darmstadt（图鲁姆大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文提出人形视觉搜索方法，通过人形代理在360°全景图像中搜索物体和路径，实验表明现有模型在复杂场景中表现不佳，但通过后训练技术显著提升了性能。
Comments Website: https://humanoid-vstar.github.io/ ; Code: https://github.com/humanoid-vstar/hstar
通过多尺度推理方案利用扩散模型预测部分可观测的动力系统
机构 * The Polymathic AI Collaboration（多学科人工智能协作） ； Flatiron Institute（Flatiron研究所） ； University of Geneva（日内瓦大学） ； FHNW（FHNW大学） ； Princeton University（普林斯顿大学） ； New York University（纽约大学） ； University of Cambridge（剑桥大学） ； University of Kyiv（基辅大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Liège（列日大学） ； NorthWest Research Associates（北威州研究协会） ； Nagoya University（名古屋大学） ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM（巴黎萨克雷大学、巴黎cité大学、CEA、CNRS、AIM）
AI总结 本文提出一种多尺度推理方案，利用扩散模型有效预测部分可观测的长记忆动力系统，应用于太阳动态和活跃区域演化。
确定性连续替换：在预训练变换器中实现快速且稳定的模块替换
机构 * Bradbury Group（布拉德伯格集团） ； University of Waterloo（多伦多大学） ； SUNY Stony Brook（石溪大学） ； Delhi Technological University（德里技术大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出确定性连续替换（DCR）方法，通过融合教师和学生输出实现预训练变换器中快速且稳定的模块替换，有效解决了冷启动重新初始化带来的稳定性问题。
Comments Accepted to NeurIPS 2025 ScaleOPT Workshop; 8 pages; includes figures
多阶段删失的贝叶斯模型
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出了一种多阶段删失的贝叶斯模型，用于医疗决策中的漏斗结构，通过实验发现性别在ICU收治决策中的风险差异。
Comments Proceedings of ML4H 2025
基于泊松变分自动编码器推断感知决策的响应时间
机构 * VIB–Neuroelectronics Research Flanders（VIB神经电子研究佛兰德斯） ； KU Leuven（库尔勒大学） ； Herbert Wertheim School of Optometry & Vision Science, UC Berkeley（赫伯特·韦尔泰姆视觉科学学院，伯克利大学） ； Redwood Center for Theoretical Neuroscience, UC Berkeley（红木理论神经科学中心，伯克利大学）
AI总结 本文提出基于泊松变分自动编码器的模型，用于推断感知决策的响应时间，通过高效感官编码和贝叶斯解码模拟决策过程，并在MNIST分类中验证其有效性。
Comments To appear at the NeurIPS 2025 Workshop on Data on the Brain \& Mind
从双跳潜在推理研究中获得的启示
机构 * Apollo Research（Apollo研究机构） ； UK AI Security Institute（英国人工智能安全研究所） ； UC Berkeley（加州大学伯克利分校） ； TruthfulAI
AI总结 研究通过双跳问答任务揭示LLM潜在推理能力，发现模型在合成事实组合上表现不足，但能处理混合事实场景，强调避免误判推理能力的必要性。
加速目标条件强化学习算法与研究
机构 * Warsaw University of Technology（华沙技术大学） ； University of Warsaw（华沙大学） ； UC Berkeley（伯克利大学） ； Jagiellonian University（雅盖隆大学） ； Polish Academy of Sciences（波兰科学院） ； IDEAS NCBR ； Princeton University（普林斯顿大学）
AI总结 本文提出JaxGCRL框架，通过高效算法和GPU加速技术显著提升目标条件强化学习的训练效率，并评估对比学习中的关键设计以稳定训练性能。
Comments Published at ICLR 2025 (Spotlight). Website: https://michalbortkiewicz.github.io/JaxGCRL/ Code: https://github.com/MichalBortkiewicz/JaxGCRL
Journal ref International Conference on Learning Representations (ICLR), 2025
霍克鲁斯：用于检测和缓解具身AI系统中奖励黑客行为的可解释任务分解
机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全计划（BASIS）伯克利大学） ； Department of Electrical and Computer Engineering Johns Hopkins University（电气与计算机工程系约翰霍普金斯大学）
AI总结 本研究提出MITD方法，通过可解释性任务分解有效检测和缓解具身AI系统中的奖励黑客行为，实验表明分解深度可显著降低奖励黑客频率。
Comments Accepted to the NeurIPS (Mexico City) 2025 Workshop on Embodied and Safe-Assured Robotic Systems (E-SARS). Thanks to Aman Chadha
基于模型的重新标注：学习在任何地方驾驶
机构 * Department of Electrical Engineering and Computer Sciences , University of California, Berkeley, CA USA（电气工程与计算机科学系，加州大学伯克利分校） ； Toyota Motor North America, Inc（丰田北美公司） ； Department of Electrical and Computer Engineering, Princeton University（电气与计算机工程系，普林斯顿大学）
AI总结 本文提出基于模型的重新标注框架，利用被动数据训练出高效导航策略，实现机器人在复杂环境中的长距离稳健导航。
Comments 9 pages, 8 figures, 6 tables
Journal ref IEEE Robotics and Automation Letters 2025
RadioKMoE: 基于Kolmogorov-Arnold网络和专家混合的知识引导射频图估计
机构 * Department of Electrical and Computer Engineering, University of Louisiana at Lafayette（路易斯安那州立大学拉斐特分校电子与计算机工程系） ； Department of Electrical Engineering and Computer Sciences, 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 Computer Science, Georgia State University（佐治亚州立大学计算机科学系） ； Department of Electrical and Computer Engineering, University of California, Davis（加州大学戴维斯分校电子与计算机工程系）
AI总结 RadioKMoE通过结合Kolmogorov-Arnold网络和专家混合方法，提升射频图估计的精度和鲁棒性。
CausalMamba：用于时间谣言因果关系的可解释状态空间建模
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 CausalMamba通过整合Mamba、GCNs和可微因果发现，实现对谣言传播因果关系的可解释建模与分析。
Comments Preprint. 9 pages, 3 figures, 2 tables. Code and implementation details available at: https://github.com/XiaotongZhan/Causal_Mamba
SkyRL-Agent: 多轮长周期LLM代理高效强化学习训练
机构 * NovaSky AI ； UC Berkeley（加州大学伯克利分校） ； Anyscale
AI总结 SkyRL-Agent通过高效异步调度和工具增强训练配方，实现多轮长周期LLM代理的高效强化学习训练，使SA-SWE-32B在SWE-Bench上达到39.4% Pass@1，成本降低超2倍。
使用GPT-5进行早期科学加速实验
机构 * OpenAI ； University of Oxford（牛津大学） ； Collège de France and University of Cambridge（法兰西学院和剑桥大学） ； Vanderbilt University（范德比大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； The Jackson Laboratory（杰克逊实验室） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过GPT-5在多个学科中的应用案例，展示了AI如何加速科学研究，并验证了其在解决数学难题中的潜力。
Comments 89 pages
QueryGym: 一个用于可重复LLM查询重述的工具包
机构 * University of Waterloo（滑铁卢大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 QueryGym是一个用于可重复LLM查询重述的开源工具包，提供统一框架和多种集成支持，促进方法比较与基准测试。
Comments 4 pages
按需采样中的样本复杂度与轮次复杂度权衡
机构 * University of California, Berkeley（加州大学伯克利分校） ； Yale University（耶鲁大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出了一种新的框架OODS，用于在按需采样中平衡样本和轮次复杂度，实现了近最优的样本复杂度和轮次复杂度界。
Comments 50 pages, to appear at NeurIPS 2025
机构 * University of California, Berkeley（加州大学伯克利分校） ； Columbia Business School（哥伦比亚大学商学院）
Comments Version 2: corrected footnote and added code repository link. Extended version of our work presented at the AAAI-26 AI4TS Workshop (poster) and AAAI-26 Student Abstract Program (oral)
机构 * Tsinghua University（清华大学） ； UC Berkeley（伯克利大学）
机构 * Panasonic AI Lab（松下人工智能实验室） ； UC Berkeley（加州大学伯克利分校） ； Panasonic DX-CPS（松下DX-CPS）
Comments Accepted to WACV 2026. Preprint. Github page: github.com/gudovskiy/odelt
机构 * UC Berkeley（加州大学伯克利分校）
机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全计划（BASIS）加州大学伯克利分校）
Comments Paper accepted to the 2nd Workshop on Aligning Reinforcement Learning Experimentalists and Theorists (ARLET 2025) at NeurIPS; the paper consists of 14 pages (including the appendix) and contains 3 figures
机构 * University of California, Berkeley（加州大学伯克利分校）
机构 * Haas School of Business University of California, Berkeley（哈斯商学院 加州大学伯克利分校）
Journal ref NeurIPS 2025 (GenAI in Finance)
机构 * UC Santa Cruz（加州大学圣克ruz分校） ； UC Santa Barbara（加州大学圣芭芭拉分校） ； UC Berkeley（加州大学伯克利分校） ； Cisco Research（思科研究）
机构 * Department of Civil and Environmental Engineering, University of California, Berkeley, CA, USA（加州大学伯克利分校土木与环境工程系） ； D3 Analytics Innovation, Allstate Insurance Company, Northbrook, IL, USA（Allstate保险公司D3 Analytics创新部门） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA（加州大学伯克利分校电气工程与计算机科学系）
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