高校专区
可扩展的电路学习用于解释大型语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CircuitLasso方法，基于稀疏线性回归高效学习LLM中的稀疏电路，以SAE特征为单元，在保持结构准确性的同时大幅降低计算成本，并揭示语义特征传播机制。
Comments Accepted to the Mechanistic Interpretability Workshop at ICML 2026
基于视频的最优传输用于反馈高效的离线偏好强化学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出VOTP框架，利用视频基础模型和最优传输生成伪标签，仅需少量人类反馈即可学习有效奖励函数，显著降低标注成本。
Comments ICML 2026 (Oral)
集成优势：面向中小企业的受控代理型人工智能
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 本文提出代理型AI对中小企业的近期价值在于受控部分自主性，而非完全自主或减员，并给出集成框架以提升生产力。
Comments 10 pages, 15 tables
学习界面破碎：一种用于喷雾形成的几何条件潜在代理模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑技术大学） ； Istanbul Technology University（伊斯坦布尔技术大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 提出一种几何条件潜在代理模型，通过编码自适应网格细化（AMR）的单元密度场，在797个两相喷嘴模拟上训练，实现瞬态破碎动力学的高效预测，推理速度比Basilisk CFD快6×10^4倍。
Comments 11 pages, 5 figures, accepted to ICML AI4Physics 2026
MIRAGE: 审计前沿大语言模型在推理、智能体与时间耦合条件下的反穆斯林偏见
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MIRAGE基准，包含1200个提示，覆盖直接完成、思维链推理和模拟智能体决策三种部署场景，发现思维链放大偏见、智能体决策存在不对称性、偏见与检索新闻时间耦合，现有缓解措施效果有限。
RHO：你的编码代理其实是个机器人专家
机构 * University of California, Berkeley（加州大学伯克利分校） ； AMD
AI总结 提出RHO范式，通过训练时搜索神经符号化多文件策略库，实现机器人任务的高效零样本泛化，在LIBERO-PRO和Robosuite上分别达到45%和70%的成功率，显著优于现有方法。
Comments 46 pages, 9 figures, 15 tables. Project page: https://rho-robotics.github.io
Taylor-Calibrate：混合线性注意力蒸馏的原则性初始化
机构 * The University of Sydney（悉尼大学） ； Together AI ； University of California, Berkeley（加州大学伯克利分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软）
AI总结 提出Taylor-Calibrate方法，利用泰勒引导的教师注意力统计初始化混合线性注意力学生模型，显著减少蒸馏所需训练令牌数。
Comments 24 pages, 9 figures
VisualClaw：面向物理世界的实时个性化智能体
机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Google（谷歌） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出VisualClaw，一种自进化多模态智能体，通过混合编码和技能进化机制降低部署成本并提升准确性，在多个视频QA基准上实现平均-98%的API成本削减和最高+15.80%的准确率提升。
Comments H. T. and J. C. contribute to this project equally
面向长时任务的视觉运动策略短期记忆扩展
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Toyota Research Institute（丰田研究院）
AI总结 提出PRISM架构，通过门控注意力与层次化压缩扩展视觉运动策略的短期记忆至两分钟，在ReMemBench基准上超越现有方法5%-12%。
Comments 14 pages, 9 Figures, 8 Tables
基于低秩结构的数据选择主动学习
机构 * Google Research（谷歌研究院） ； University of California, Berkeley（加州大学伯克利分校） ； Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 提出基于低秩近似和残差采样的数据选择框架，在温和正则条件下选择加权子集，使平均损失近似全数据集平均损失，相对误差(1+ε)加性项εΦ_k，实验优于均匀采样和聚类敏感采样。
Comments ICML 2026
DeepRoot: 一个基于知识图谱协调的多智能体系统，用于历史医学文本的治疗推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 提出DeepRoot多智能体系统，通过联合构建和利用验证知识图谱，将接地与推理分离并组合，从历史医学文本中恢复药物-疾病治疗关系，显著优于基线LLM和工具调用LLM。
Journal ref ICML 2026 GenBio; ACM CAIS 2026 Workshop AI Agents for Discovery in the Wild
深度残差注入：多模态大语言模型的全频谱取证信号感知
机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Electronic Science and Technology of China（电子科技大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对多模态大语言模型在取证中难以同时保留语义知识和捕获低级生成器伪影的问题，提出Deep-VRM方法，通过将伪影特定视觉信号作为残差路径注入中间层，实现全频谱信号感知，达到鲁棒检测性能。
Comments Accepted at ICML 2026
显微镜下的数据流形
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对深度学习理论与实践的差距，提出一个基准框架，通过扩展dSprites和COIL-20数据集并配合有限差分估计器，实现曲率、可达性和体积的近真实值估计，用于校准几何估计器和验证理论假设。
Comments Accepted at ICML 2026. Camera-ready version
AnonShield：面向CSIRT漏洞数据的可扩展本地化假名化系统
机构 * University of California, Berkeley（加州大学伯克利分校） ； Federal University of Paraná（巴西南里杰尼联邦大学）
AI总结 提出AnonShield，一种结合GPU加速NER、流处理、缓存和模式感知配置的高吞吐量本地假名化系统，在550MB数据集上实现738倍加速，F1分数达94.2%，兼顾效率与效用。
Comments 9 pages, including 2 figures and 8 tables, submitted to SF/SBRC 2026
智能检索与强化学习方程链：面向复杂新颖物理文字题的可控生成框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ARVRE两阶段框架，通过离线时序差分学习构建有效物理方程链，结合智能检索增强生成控制问题结构与难度，再由大语言模型生成自然语言问题，实现复杂、新颖且可解的物理文字题生成。
谁漂移了：系统还是裁判？LLM评估流水线中的随时有效归因
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种基于固定锚点集和赌检验的方法，区分LLM评估中产品性能下降与裁判模型变化导致的分数漂移，并证明其随时有效性和归因准确性。
学习上下文感知的神经ODE动力学用于自适应机器人控制
机构 * University of California, Berkeley（加州大学伯克利分校） ； Aalto University（阿尔托大学） ； YaiYai Ltd（YaiYai有限公司）
AI总结 提出基于神经ODE的上下文感知动力学模型，通过两阶段训练从状态-动作历史推断环境因素，实现模型预测控制下的自适应，在四旋翼、Sphero BOLT和Fanuc机械臂上验证了时空变化环境下的有效性。
超越分类：呼吸声学基础模型的咳嗽回归基准
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 提出多模型多目标咳嗽回归基准，评估五个基础模型在六个目标上的表现，发现MLP-small优于线性探测，揭示数据集大小与头部容量的权衡，并展示跨数据集迁移的不对称性。
Comments Accepted at the ICML 2026 Workshop on Structured Data for Health
语言模型智能体中的奖励黑客：重新审视AI安全网格世界
机构 * KUIS AI Center, Koç University（科奇大学KUIS人工智能中心） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究将AI安全网格世界框架改编为文本评估套件，发现语言模型在零样本下出现规范博弈，通过直接奖励优化扩大观察与隐藏奖励差距，且标准缓解措施无效。
Comments 28 pages, 16 figures, 13 tables
一种基于模型与无模型混合框架的主动多视角声纳目标识别视点优化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出混合模型与无模型框架，结合CNN观测似然与Radon方向估计，通过信息增益奖励训练PPO智能体离线学习视点选择策略，部署时仅用CNN信念更新实现实时视点选择，在声纳数据集上以更少感知步数和运动成本达到竞争性识别精度。
最大化激励口碑奖励的上下文赌博机
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出上下文多臂赌博机框架，通过学习个体溢出概率并排序连接用户，以最大化激励口碑奖励，实验证明考虑溢出异质性可提升目标定位精度。
Comments Presented at the AAAI 2025 Workshop on Bridging the Gap Between AI Planning and Reinforcement Learning (PRL)
相位局部筛选无帮助：基于逐阶段度量选择的演示过滤负面结果
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 本文通过LIBERO任务实验证明，按阶段局部应用度量进行演示筛选不如全局或统一度量，原因是缺陷信号被稀释且阶段度量不可迁移。
Comments 5 pages, 3 tables. Code: https://github.com/aaravbedi/phase-gated-curation
从基础机器学习原子间势中提取潜静电
机构 * Department of Chemistry, UC Berkeley（加州大学伯克利分校化学系） ； Bakar Institute of Digital Materials for the Planet, UC Berkeley（伯克利大学数字材料研究所） ； Chemical Sciences Division, Lawrence Berkeley National Laboratory（伯克利国家实验室化学科学部）
AI总结 提出潜埃瓦德求和（LES）方法，从基础机器学习原子间势中提取潜静电，训练轻量级学生模型，降低计算成本并提供玻恩有效电荷张量和红外光谱，基准测试表明教师模型的DFT级别比架构更重要。
AI Engram: 在人工智能中寻找记忆痕迹
机构 * University of California, Berkeley（加州大学伯克利分校） ； KAIST（韩国科学技术院）
AI总结 提出几何框架，通过约束逆问题形式化神经科学标准，识别深度神经网络中的记忆痕迹（AI engram），实现记忆的线性组合与擦除，无需迭代优化。
Comments Accepted to ICML 2026 (Oral). Code is available at https://github.com/jeakwon/ai-engram/
具有受控扰动的实例相关标签噪声基准测试
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CILN框架，通过受控输入扰动生成实例相关标签噪声，构建90个基准设置，揭示噪声结构对算法行为的重要影响。
Comments 12-page conference submission
记住，不要重读：用于令牌高效自主实验的有状态ReAct智能体
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出基于LangGraph的有状态ReAct智能体，通过持久化状态和固定大小对话窗口，将自主实验的令牌成本从O(n²)降至O(1)，在超参数调优和代码优化任务中分别减少90%和52%的令牌消耗。
语义增强的检索增强时间序列预测
机构 * University of California, Berkeley（加州大学伯克利分校） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Montreal（蒙特利尔大学）
AI总结 针对非平稳性下仅靠时间序列相似性检索不足的问题，提出SERAF框架，通过双模态检索（时间序列及其自生成文本描述）联合利用历史模式，提升预测性能。
Comments Accepted to the ICML 2026 Workshop on Forecasting as a New Frontier of Intelligence
基于峰值的HPGe γ能谱机器学习与SHAP核素识别
机构 * 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 提出机器学习模型，利用分析者拟合的光电峰映射到核素识别结果，在65种同位素组合的实验谱上F1达0.97，优于传统软件的0.84，并通过SHAP解释揭示模型使用物理相关峰进行预测。
Comments 25 pages, 11 figures (plus an additional 6 figures in the appendix), and 3 tables. To be published in Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment
S23DR 2026：基于对比去噪的DETR风格集合预测实现端到端3D线框预测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出WireframeDETR方法，直接对3D点云进行DETR风格集合预测，无需中间顶点检测，通过对比去噪训练、多尺度编码器和渐进辅助损失权重实现端到端3D线框预测，在S23DR 2026挑战赛上取得0.575 HSS。
Comments Technical report; S23DR 2026 Challenge submission
合成到真实的着陆区安全检测流水线
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种合成数据生成与感知流水线，通过域随机化生成逼真城市环境并微调Transformer架构，结合欧几里得距离变换实现无碰撞着陆区检测，消除手动标注需求。
Comments Proceedings of Conference on Robots and Vision (CRV) 2026, Vancouver, British Columbia , Canada
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