高校专区
超越训练分布：评估分布偏移和选择偏差下的预测
机构 * Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）
AI总结 针对协变量偏移和选择性标签共存时的模型评估问题，提出双机器学习程序估计目标风险，并通过eICU数据验证其准确性优于单独处理任一种偏差的方法。
自适应核截断用于长形式推理
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出自适应核截断采样（ANTS），通过熵条件控制器动态调整截断宽度，在长文本生成中提升推理性能，在33B参数稀疏MoE模型上平均提升1.9-5.2分。
PLAIground: 边缘-云-空间连续体中复合AI系统的SLO驱动运行时模型选择
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PLAIground框架，通过CAIM抽象和Pixie算法实现复合AI系统的运行时模型选择，在满足准确率、延迟和成本SLO的同时，动态切换模型，实验显示准确率达91.3%且SLO合规。
Journal ref Proceedings of the 2026 IEEE International Conference on Smart Computing (SMARTCOMP), pp. 261-266, 2026
跳出聊天框：融合计算机科学与工业设计的认知包容性生成式人工智能
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对当前GenAI界面认知门槛高、对智力障碍者不友好等问题，通过跨学科设计挑战，提出融合计算机科学的结构化支架与工业设计的体验式支架的双层框架，以扩展认知包容性交互设计空间。
数值分析的形式化：超越内核接受的智能体流水线与质量审计
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种编码智能体流水线，将数值分析教材形式化为Lean 4代码，并引入三维质量评估框架（语义正确性、Mathlib复用、跨文件复用），发现编译通过掩盖了不忠实的形式化模式。
隐于无形：使用DECOMPBENCH基准测试代理安全对抗分解攻击
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（Simons研究所，伯克利大学）
AI总结 提出DeCompBench基准，通过分解攻击将有害任务拆分为良性子任务，揭示现有代理安全机制在对抗分解攻击时的脆弱性。
掩码、采样、修正：面向引导离散流匹配文本转语音的可修正CTMC推理栈
机构 * Federal University of Goiás（戈亚斯联邦大学） ； Federal University of Uberlândia（乌贝兰迪亚联邦大学） ； University of São Paulo（圣保罗大学） ； University of Brasília（巴西利亚大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 提出Mask, Sample, Revise推理栈，结合无预测器引导、提示匹配条件耦合和调度约束重掩码机制，在低步数下提升离散流匹配TTS的鲁棒性和可懂度。
ADORE: 基于检索反馈的迭代查询扩展
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 提出ADORE框架，通过迭代生成伪段落、检索语料库并评估相关性，利用检索反馈指导查询扩展，显著提升检索性能。
基于蒸馏视觉语言可靠性的引导扩散用于空中导航
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 提出一种可靠性感知的扩散规划器，通过蒸馏视觉语言模型生成场景级可靠性热图，引导去噪过程处理不可靠区域，显著降低无人机导航中的障碍物违反率并提高区域可靠性。
AnyGoal: 视觉-语言引导的多智能体探索实现免训练终身导航
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出AnyGoal，一种免训练多机器人架构，利用视觉-语言模型（VLM）驱动前沿探索，通过共享2D高斯贝叶斯价值图（BVM）协调智能体，实现终身证据积累，在GOAT-Bench上达到52.4%子任务成功率，优于模块化方法27.7个百分点。
Comments 17 pages, 3 figures
原生不可学习的大语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出NULLs模型，通过共享骨干和稀疏激活的sinks分离数据源贡献，实现无需梯度更新的高效遗忘，在维基百科上验证了单篇文章遗忘的有效性和鲁棒性。
多变量时间序列无训练时滞谱嵌入的平稳性与耦合准则
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出基于时滞相关矩阵截断的固定长度描述符D(τ)，通过平稳高斯VAR(1)模型推导其适用条件：信号近似平稳且类别信息存在于跨通道时间耦合而非边际功率。
Comments 25 pages, 2 figures, 10 tables
通过进化搜索和不确定性感知学习发现分布外处理协议的闭环方法
机构 * Department of Materials Science and Engineering, University of Tennessee, Knoxville（田纳西大学材料科学与工程系） ； Materials Science and Engineering Department, Materials Research Institute, the Pennsylvania State University（宾夕法尼亚州立大学材料研究学院材料科学与工程系） ； Department of Materials Science and NanoEngineering, Rice University（Rice大学材料科学与纳米工程系） ； Rice Advanced Materials Institute, Rice University（Rice大学先进材料研究所） ； Department of Materials Science and Engineering, University of California, Berkeley（加州大学伯克利分校材料科学与工程系） ； Departments of Chemistry and Physics and Astronomy, Rice University（Rice大学化学与天文物理系） ； Physical Sciences Division, Pacific Northwest National Laboratory（太平洋西北国家实验室物理科学部）
AI总结 提出一种闭环工作流，结合紧凑波形表示的进化搜索与不确定性感知深度核学习，自动发现提升铁电薄膜非线性响应的分布外处理协议，并通过实验验证其机制。
通过流反转引导改进机器人通用策略
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出流反转引导（FRS）方法，通过逆向流策略找到次优动作的潜在噪声并映射到通用策略的动作模式，提升零样本控制、行为克隆和强化学习效果。
边界框作为目标：通过神经符号规划实现语言条件抓取
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GRASP框架，利用预训练VLM将自然语言查询转化为神经符号目标状态，通过边界框检测实现零样本桌面操作，无需任务特定训练。
Comments Project website: https://allisonandreyev.github.io/grasp.github.io/
双模式 Faust 到 CLAP 编译系统
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出 faust2clap 框架，支持静态编译和动态解释两种模式，通过地址身份匹配算法和稳定槽位分配方案解决 DSP 参数身份保持问题，实现高效编译与热更新。
Comments 4 pages, 4 figures, 1 algorithm. Presented at the International Faust Conference (IFC-26), Lyon, France, June 2026
Mana: 铰接工具的灵巧操作
机构 * UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Amazon FAR（亚马逊FAR）
AI总结 提出Mana框架，将灵巧操作重解释为动画问题，通过粗到细的流水线自动生成操作轨迹，实现铰接工具的零样本仿真到现实迁移。
Comments Project Page: https://zhaohengyin.github.io/mana
理解图神经网络的截断位置编码
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究截断位置编码（如前k个特征空间或邻接矩阵幂）对图神经网络表达能力的影响，理论证明截断后多种位置编码的表达能力存在本质差异，且截断谱位置编码不再强于1-WL测试，实验表明混合截断编码优于单一类型。
Comments 28 pages, 4 figures, ICML 2026
Surflo：具有全局状态的一致3D表面流模型
机构 * LIX, École polytechnique（LIX，巴黎综合理工学院） ； Kyoto University（京都大学） ； Kyutai ； UC Berkeley（加州大学伯克利分校）
AI总结 提出Surflo模型，通过将可变数量的无位姿RGB视图压缩为全局潜变量，并利用流匹配从噪声中独立传输3D表面点，实现任意分辨率的一致表面重建，推理时通过光度梯度引导消除局部不一致性。
Comments Project webpage: https://anttwo.github.io/surflo/
NetCause：大规模网络中根因分析的反事实学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出NetCause框架，将网络事件建模为图时间过程，通过反事实模拟排序候选根因，在31个专家标注事件上准确率提升16.1%。
Comments 9 pages, 6 figures
权威、真实性与引文偏差：研究大语言模型认知易感性的大规模多领域基准
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出AuthorityBench基准，通过2x2因子设计隔离引文权威信号对LLM认知行为的影响，发现引文存在（无论真假）均提高幻觉率，真声明搭配假引文时幻觉率上升3-22个百分点。
Comments 10 pages, 5 figures. Accepted to AI4GOOD and EIML at ICML 2026
更聪明的破坏者，更好的修复者：线性多智能体工作流中的规模与安全性
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 研究模型规模对线性多智能体工作流安全性的影响，发现大模型更易执行恶意指令，但轻量级修复阶段可恢复性能，表明线性结构在适当校正下具有鲁棒性。
Comments 16 pages (4 are main text), 2 figures, 6 tables. Accepted to the AIWILD Workshop at ICML 2026
基于物理信息的神经网络用于化疗药代动力学：基准测试临床估计器并揭示参数可辨识性
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究将物理信息神经网络（PINN）应用于化疗药代动力学，在双室线性模型上匹配临床标准方法，在Michaelis-Menten扩展模型中揭示参数不可辨识性，并通过稀疏组织观测部分恢复可辨识性。
物理感知辅助损失提升图神经网络可合成性滤波器的分布外泛化能力
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 通过在GNN上添加基于Bertz指数的拓扑复杂度回归和MMFF94力场应变能软惩罚作为辅助损失，在分布外数据上小幅但显著提升了可合成性滤波器的AUC（最高+0.0066）。
度量选择胜者：评估选择翻转未见化学空间中药物反应预测的模型排名
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究通过VCPI竞赛数据，发现药物反应预测模型排名随评估指标反转：简单基线在代理指标下胜出，但真实指标下深度模型显著优于线性指纹基线，首次在真实药物化学数据上验证了度量校准效应。
面向入门编程教育的可解释AI助手：通过教师-AI协作提高反馈可靠性
机构 * North Carolina State University（北卡罗来纳州立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种可解释AI驱动的课堂助手，通过分析学生代码、映射逻辑错误到教师识别的误解并提供教师撰写的反馈，提高入门编程课程中反馈的可靠性和可解释性。
Comments Full paper accepted to the 27th International Conference on AI in Education (AIED 2026)
三中多数是最优的
机构 * Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）
AI总结 本文通过简短证明，在可实现PAC学习框架下，三个独立一致分类器的多数投票是最优学习器，简化了投票学习器的算法结构和概率分析。
Comments 9 pages
GraspLLM: 面向文本属性图与LLM的零样本泛化
机构 * Peking University（北京大学） ； National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GraspLLM框架，通过融合图结构理解与LLM语义能力，利用基序感知对比学习和最优上下文子图对齐，实现跨数据集和跨任务的零样本泛化。
RLHF中奖励不确定性的统一视角
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度Mind）
AI总结 本文提出使用分布奖励模型统一RLHF中的悲观主义方法，通过闭式有效奖励公式连接现有启发式方法，并揭示其隐含假设。
我们的模型建立在哪些模型之上？审计现代LLM中的隐形依赖
机构 * University of California, Berkeley（加州大学伯克利分校） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 本文提出ModSleuth系统，通过递归重建LLM依赖图，揭示多跳许可义务、训练-评估耦合等隐藏依赖问题，并发布工具和依赖图以支持透明分析。
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