高校专区
实时音乐扩散模型：交互式音乐生成扩散模型的高效微调与后训练
机构 * UC San Diego（加州大学圣迭戈分校） ； MIT（麻省理工学院） ； Adobe（Adobe公司）
AI总结 本文研究了音频扩散模型能否通过块级KV缓存高效地转化为交互式模型，从而在消费级硬件上实现。提出的Live Music Diffusion Models (LMDMs)通过块级KV缓存恢复并超越了离散Live Music Models (LMMs)的推理复杂度，并通过ARC-Forcing范式实现稳定的后训练对齐，从而在无需显式RL或奖励模型的情况下减少误差累积。
为LLM引导的程序发现设计的进化多任务优化
机构 * University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种进化多任务优化（EMO）方法，用于LLM引导的程序发现，通过两个阶段框架EMO-STA（共享后适应）在多个任务家族中提高了程序发现的效率和鲁棒性，同时展示了共享进化在减少过拟合方面的优势。
SAG、SAGA和IAG算法的简短统一收敛性分析
机构 * Department of Electrical and Computer Engineering, North Carolina State University, Raleigh, USA（北卡罗来纳州立大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, University of California, San Diego, USA（加州大学圣地亚哥分校电气与计算机工程系）
AI总结 本文提出了一种统一的收敛性分析方法，适用于SAG、SAGA和IAG算法，通过简单的集中工具建立延迟界并设计新的Lyapunov函数，从而得到高概率界，并扩展到非凸目标和马尔可夫采样。
Comments To appear at the 43rd International Conference on Machine Learning (ICML)
通过世界模型的模拟推理实现通用代理规划
机构 * Institute of Foundation Models (IFM)（基础模型研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； UC San Diego（南加州大学）
AI总结 本文提出通过模拟推理实现通用代理规划，利用世界模型进行未来状态预测，提升决策能力，通过SiRA架构在不同任务中取得更高任务完成率。
Comments Winner of Berkeley LLM Agents Hackathon (Fundamentals Track); code available at https://github.com/sailing-lab/sira
TacO: 用于物体操作的触觉传感器基准测试
机构 * UC San Diego（圣迭戈大学） ； CMU（卡内基梅隆大学） ； SNU（首尔国立大学）
AI总结 本文提出了一种基于任务驱动的触觉传感器评估框架，通过训练不同模态的触觉传感器（视觉、声学、磁性和电阻性）在三个任务上的表现，探讨了触觉信息在不同材料和任务中的有效性。
残差技能优化用于文本到SQL集成
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Snowflake AI Research（Snowflake人工智能研究）
AI总结 本文提出DivSkill-SQL，一种残差技能优化框架，通过在当前技能集成失败的示例上优化新技能，从而构建互补的文本到SQL集成，提升Pass@K性能，在Spider2-Lite上实现了显著的准确性提升，同时在不同方言和任务上表现出一致的改进。
基于补丁层次注意力的高效粒子喷注标记变压器
机构 * University of Illinois Chicago（伊利诺伊大学香槟分校） ； University of California San Diego（加州大学圣地亚哥分校） ； California Institute of Technology（加州理工学院） ； Fermi National Accelerator Laboratory（费米国家加速器实验室）
AI总结 本文提出了一种结合物理启发的几何信息传递模块和基于补丁的层次注意力机制的Patch Hierarchical Attention Transformer (PHAT-JeT)，以在有限资源下实现高效的粒子喷注标记，从而在四个基准测试中取得最佳性能。
基于流形的注意力引导
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种基于流形的注意力引导方法，通过在推理过程中监控注意力头与正确性流形的距离，动态纠正偏差，从而提高大语言模型在数学推理、代码生成和分子生成等任务中的表现。
通过语义层面奖励校准大型语言模型
机构 * Department of Computer Science and Engineering, University of California San Diego, La Jolla, California, USA（加州大学圣地亚哥分校计算机科学与工程系，拉贾尔，加利福尼亚州，美国） ； Halıcıoğlu Data Science Institute, University of California San Diego, La Jolla, California, USA（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所，拉贾尔，加利福尼亚州，美国） ； Department of Statistics, Stanford University, Stanford, California, USA（斯坦福大学统计学系，斯坦福，加利福尼亚州，美国）
AI总结 本文提出了一种新的校准框架CSR，通过在语义空间中直接校准语言模型，避免了传统方法中因词汇化置信度导致的不一致问题，实验显示CSR在多个数据集上均能有效降低ECE并提高AUROC。
LLM Agents Already Know When to Call Tools -- Even Without Reasoning
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出When2Tool基准，通过18个环境研究工具调用的必要性，发现模型已能识别何时需要调用工具，但生成时未能有效利用此知识，提出Probe&Prefill方法显著减少工具调用。
LiteCoOp: 轻量级多语言模型共享树推理用于模型服务编译器优化
机构 * A lternative C omputing T echnologies ( ACT ) Lab（替代计算技术实验室） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出LiteCoOp，一种轻量级框架，通过将优化搜索树本身作为多语言模型协作机制，实现编译器优化过程中异构语言模型的协作，从而在降低编译成本的同时提升性能。
静息神经元，主动洞察：通过自发性增强LLM中的激活稀疏性
机构 * IBM Thomas J. Watson Research Center, Yorktown Heights, USA（IBM 托马斯·J·沃森研究中心，美国Yorktown Heights） ； Halıcıoğlu Data Science Institute, UC San Diego, La Jolla, USA（哈利奇欧数据科学研究所，美国UC圣地亚哥La Jolla） ； Stony Brook University, Stony Brook, USA（史泰文·布鲁克大学，美国Stony Brook）
AI总结 本文提出了一种通过引入自发神经元（SPON）来增强LLM中激活稀疏性的方法，解决了高稀疏率下模型精度下降的问题，通过分布匹配训练SPON，使模型在稀疏计算中保持稳定和泛化能力。
Comments ICML 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