高校专区
Semia：通过约束引导的表示合成审计代理技能
机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 Semia通过约束引导的表示合成技术，对代理技能进行静态审计，发现超过一半的技能存在关键语义风险，其召回率和F1值显著优于传统方法。
Lucid-XR：一种用于机器人操控的扩展现实数据引擎
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； FortyFive Labs（FortyFive实验室） ； Caltech（加州理工学院） ； Harvard University（哈佛大学） ； UC San Diego（南加州大学）
AI总结 Lucid-XR通过XR头显直接运行的物理模拟环境生成多模态数据，实现零样本迁移至复杂环境，支持软材料、松散颗粒和刚体接触的精细操控任务。
Comments Project website: https://lucidxr.github.io
工具是否足够？揭示LLM代理中的工具使用税
机构 * University of Houston（休斯顿大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； Texas A&M University（德克萨斯农工大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了工具增强推理在LLM代理中的有效性，发现语义干扰下工具性能可能下降，提出Factorized Intervention Framework分析工具使用成本，并引入G-STEP缓解协议误差。
CaTS-Bench：语言模型能否描述时间序列？
机构 * Sapienza University of Rome（罗马大学） ； UC San Diego（圣地亚哥大学） ； ItalAI Labs（意大利AI实验室）
AI总结 本文提出CaTS-Bench，一个涵盖11个领域的时间序列推理基准，通过1746个人工重写描述进行评估，揭示语言模型在时间序列描述中的不足，并提出合成数据生成方法以提升性能。
Comments 9 pages, 6 figures, 4 tables in the main paper. Many more in the appendix
图概念瓶颈模型
机构 * Department of Applied Mathematics & Statistics（应用数学与统计学系） ； State University of New York at Stony Brook（石溪州立大学） ； Halıcıoğlu Data Science Institute（Halıcıoğlu数据科学研究所） ； University of California, San Diego（加州大学圣地亚哥分校） ； Thomas J. Watson Research Center（汤普森·J·沃森研究中心） ； IBM Research（IBM研究院） ； Department of Biomedical Informatics（生物医学信息学系）
AI总结 图概念瓶颈模型通过构建潜在概念图来增强概念关系，提升模型性能和可解释性，实验证明其在图像分类中具有更高的准确性与鲁棒性。
Comments TMLR March 2026
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