高校专区
利用沉默中的潜在视觉推理
机构 * North Carolina State University（北卡罗来纳州立大学） ； UC, San Diego（加州大学圣地亚哥分校） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Duke University（杜克大学） ； Boston University（波士顿大学） ； The Ohio State University（俄亥俄州立大学）
AI总结 本文探讨了在推理过程中是否需要持续的潜在令牌，发现即使移除这些令牌或用随机噪声替代，性能影响较小，提出了一种基于注意力的奖励机制以促进潜在令牌与后续文本令牌的交互，从而提升视觉感知和视觉推理任务的性能。
注意力沉底与注意力残差中的异常值
机构 * Department of Computer Science, Northwestern University（西北大学计算机科学系） ； Department of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Statistics and Data Science, University of California Los Angeles（加州大学洛杉矶分校统计与数据科学系） ； Department of Electrical and Computer Engineering, University of California San Diego（加州圣地亚哥大学电气与计算机工程系） ； Department of Computer Science, Rutgers University-New Brunswick（新泽西州立大学鲁特学院计算机科学系） ； Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）
AI总结 本文提出OASIS技术，通过层间空信号来解决注意力残差架构中注意力沉底、激活异常值以及推理稳定性下降的问题，通过双归一化设计和实验验证提升了模型的结构鲁棒性和量化鲁棒性。
OpenDeepThink: 通过布拉德利-蒂尔利聚合实现并行推理
机构 * UC San Diego（UC圣地亚哥大学） ； Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； UC Berkeley（伯克利大学）
AI总结 该研究提出OpenDeepThink框架，通过布拉德利-蒂尔利聚合方法在测试时扩展计算资源，以提高大语言模型的推理能力，通过并行选择候选方案并消除选择瓶颈，从而提升模型在Codeforces等领域的表现。
Comments 19 pages, 4 figures
DPrivBench：评估大语言模型在差分隐私推理中的基准测试
机构 * Halıcıoğlu Data Science Institute, UC San Diego（哈里奇奥格卢数据科学研究所，加州大学圣地亚哥分校） ； Department of Computer Science and Engineering, UC San Diego（计算机科学与工程系，加州大学圣地亚哥分校） ； Department of Electrical Engineering, National Taiwan University（电气工程系，国立台湾大学） ； OpenAI
AI总结 本文提出DPrivBench基准测试，用于评估大语言模型在差分隐私推理中的能力，发现当前模型在高级算法推理上存在显著差距，并为改进自动化差分隐私推理提供了方向。
GenoMAS：通过代码驱动的基因表达分析进行科学发现的多智能体框架
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 该研究提出GenoMAS多智能体框架，通过类型消息传递协议协调六个专门的LLM代理，以实现基因表达数据的高效处理和科学发现，其在数据预处理和基因识别任务上均优于现有方法。
Comments 51 pages (14 pages for the main text, 10 pages for references, and 27 pages for the appendix)
TClone：用于计算机使用代理的低延迟活GUI环境分叉
机构 * University of California, San Diego（加州大学圣迭戈分校） ； GenseeAI
AI总结 TClone通过分离快速分支创建与持久快照，实现了对计算机使用代理的活GUI环境的低延迟版本控制，从而提高代理执行的安全性和质量。
基于大型语言模型的汉语叙述转录自动标注
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of California San Diego（加州大学圣地亚哥分校） ； The Hong Kong Polytechnic University（香港理工大学） ； National Research Center for Language and Well-Being（语言与幸福感国家研究中心） ； City University of Hong Kong（香港城市大学）
AI总结 本研究探讨了大型语言模型在自动标注汉语叙述转录中的有效性，通过比较四种LLM与训练好的人类标注者，发现最佳模型在标注叙事宏观结构时能与人类标注者达成高一致性，同时显著减少标注时间，但轻量级本地部署模型表现较差，且标注难度因宏观结构元素类型而异，尤其在需要微妙语义区分的类别中存在持续挑战。
Comments 28 pages, 9 tables
SGD在对角线线性网络中的高维极限
机构 * University of Washington（华盛顿大学） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； University of Washington & Amazon Inc.（华盛顿大学与亚马逊公司） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了在高维情况下，SGD在对角线线性网络中的行为，通过推导随机微分方程来近似SGD的动力学，并推导了描述迭代状态和可观测统计量时间演化的偏微分方程，最终证明了在合适参数化下，SGD动态具有全局良好定义并以指数速度收敛到零风险。
Comments 91 pages, 5 figures
如何指导你的机器人：密集语言标注助力机器人策略学习
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA
AI总结 本研究通过密集语言标注提升机器人策略学习效率，提出DeMiAn方法，利用视觉语言模型生成多方面标注，提升策略和世界模型性能，无需新增演示数据。
TIER: 用于多步工具组合的轨迹不变执行奖励
机构 * UC San Diego（加州大学圣迭戈分校） ； Cisco Research（思科研究）
AI总结 本文提出TIER，一种基于函数模式和运行时执行的奖励框架，能够提供密集且可解释的序列级反馈，支持多种解决方案策略并适应变化的工具接口，在DepthBench等基准上实现了高准确率。
Comments Preprint. Submitted to NeurIPS 2026. 28 pages, 7 figures, 8 tables. Code and datasets available at https://github.com/anaykulkarni/TIER
强化学习能否教会大语言模型长期 horizon 推理？表达性是关键
机构 * Purdue University（普渡大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 本文通过ScaleLogic框架研究了RL训练与任务难度的关系，发现推理深度和逻辑表达性影响训练计算量，表达性越高，训练效率越高，证明LLM的长期推理问题可通过改进训练方法解决。
cuNRTO：GPU加速的非线性鲁棒轨迹优化
机构 * Georgia Institute of Technology, Atlanta（佐治亚理工学院, 奥斯汀） ； University of California, San Diego（加州大学圣地亚哥分校） ； Deemos Corporation（德摩斯公司）
AI总结 本文提出cuNRTO框架，通过CUDA实现非线性鲁棒轨迹优化，利用DR方法和ADMM算法解决SOCP约束问题，提升计算效率，实验证明在不同机器人模型上实现高达139.6倍的加速。
LaDi-RL：潜在扩散推理防止强化学习中的熵崩溃
机构 * UC San Diego（斯克利普斯海洋研究所） ； Apple（苹果公司）
AI总结 本文提出LaDi-RL方法，通过潜在扩散模型生成潜在推理轨迹，解决强化学习中熵崩溃问题，提升代码生成和数学推理性能。
因式分解因果表示学习用于RLHF中的鲁棒奖励建模
机构 * Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团） ； University of California San Diego（加州大学圣地亚哥分校） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学）
AI总结 本文提出因式分解表示学习框架，通过分离因果因素与非因果因素提升奖励模型鲁棒性，有效缓解奖励黑客问题。
具有空间意识的线性变换器（SAL-T）用于粒子喷注标记
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室）
AI总结 SAL-T通过空间感知分区和卷积层提升喷注分类性能，在资源消耗和延迟方面优于标准linformer。
用于噪声和任务级流形学习的Transformer：近似和泛化见解
机构 * School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系） ； Department of Mathematics, Purdue University（普渡大学数学系） ； Department of Mathematics and Halicioğlu Data Science Institute, University of California, San Diego（加州大学圣地亚哥分校数学系和Halicioğlu数据科学研究所）
AI总结 本文研究了Transformer在噪声和任务级流形上的学习性能，证明了其在低维结构中泛化能力与任务级流形的内在维度密切相关。
R2V Agent：教SLMs何时请求帮助
机构 * New York University Tandon School of Engineering（纽约大学Tandon工程学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Stanford University（斯坦福大学） ； ServiceNow Research（ServiceNow研究） ； Mila - Quebec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学）
AI总结 R2V-Agent通过风险校准的SLM-LLM路由框架提升交互代理的可靠性，结合小型语言模型策略、更强的教师LLM、轻量级过程验证器和校准的步骤路由器，在多个基准测试中显著提升性能与成本效率。
ArtMesh：带有运动一致动态的部件感知可变形网格场
机构 * University of California San Diego（加州大学圣地亚哥分校） ； University of North Texas（北卡罗来纳州立大学）
AI总结 ArtMesh通过构建基于网格的可微渲染基础，实现了从多视角图像中重建可变形物体的连接三角网格，并在100个新基准数据集上超越了现有3DGS方法。
小波流匹配用于多尺度物理模拟
机构 * Department of Earth and Environmental Engineering（地球与环境工程系） ； Columbia University（哥伦比亚大学） ； University of Edinburgh（爱丁堡大学） ； Courant Institute of Mathematical Sciences（数学科学学院） ； New York University（纽约大学） ； Scripps Institution of Oceanography（斯克里普斯海洋研究所） ； Halıcıoğlu Data Science Institute（哈利奇数据科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） ； CUNY New York City College of Technology（纽约市立大学纽约技术学院） ； Lamont-Doherty Earth Observatory（拉蒙特-多伊蒂地球观测站）
AI总结 本文提出小波流匹配方法，通过在多尺度小波空间中直接进行最优传输，解决多尺度物理系统模拟中稳定性与精度的平衡问题，实现更高效的生成式模拟。
SCAR：自监督连续动作表示学习
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； KTH Royal Institute of Technology（皇家理工学院）
AI总结 本文提出SCAR框架，通过自监督学习统一动作表示，提升跨体素和任务的泛化能力。
TailedTS：用于重尾时间序列预测和周期性量化的大规模基准数据集
机构 * University of Central Florida（中央佛罗里达大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 TailedTS数据集用于测试在重尾、零膨胀和非高斯条件下时间序列预测模型的鲁棒性，通过稀疏自回归框架揭示高频页面的周期性较弱，同时提供非高斯损失函数的标准化预测基准。
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