高校专区
AFUN：迈向用于功能理解的可供性基础模型
机构 * University of Michigan（密歇根大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA（英伟达）
AI总结 提出AFUN模型，从单张RGB-D图像和语言任务描述中预测任务条件功能掩码和3D接触后运动曲线，通过大规模标准化数据流水线实现开放世界泛化，在多项基准测试中显著优于现有方法。
关于拓扑优化中通过敏感性条件伯努利流匹配的泛化性
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 通过信息论分析，提出伪敏感性概念，并利用敏感性条件伯努利流匹配生成器在拓扑优化中实现最优的分布外泛化性能。
Comments ICML Paper
Site4Drug: 利用AI智能体预测药物结合靶点
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出Site4Drug，一种模态感知的靶点发现智能体，通过整合拓扑、亲水性、翻译后修饰等证据，输出带约束、风险标记和决策日志的可靶向区域排名列表，并自动推荐结合模态。
Comments Accepted to the ICML 2026 Workshop on Generative and Agentic AI for Biology (GenBio)
ATLAS: 智能体测试时学习分配缩放
机构 * University of California, San Diego（加州大学圣迭戈分校）
AI总结 提出ATLAS框架，让LLM编排器通过单一
温度前后：创造性LLM生成的分布视角
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Indian Institute of Technology, Kharagpur（印度理工学院克哈格布尔分校） ； Delhi Technological University（德里技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Rutgers University（罗格斯大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 通过分析采样温度重塑token分布的特征，提出一种无需参考的创造力评估方法，在Llama-3.1-8B-Instruct上达到Spearman ρ=0.918（LLM评判）和ρ=0.870（人类多数评判），显著优于现有基线。
Comments Submitted to NGEN-AI 2026
GPTQ-intrinsic LoRA: 一种用于低秩自适应低精度量化的近最优算法
机构 * Department of Mathematics, University of California San Diego（数学系，加州大学圣地亚哥分校） ； Department of Mathematics and Halıcıoğlu Data Science Institute, University of California San Diego（数学系和Halıcıoğlu数据科学研究所，加州大学圣地亚哥分校）
AI总结 本文提出GPTQ-intrinsic LoRA算法，通过将低秩校正直接融入GPTQ量化过程，并利用信息论下界证明其近最优性，在语言和视觉模型上优于现有方法。
将并行序列模型扩展到基础规模的视觉编码器
机构 * NVIDIA ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出C-GSPN，一种基于2D空间传播的基础规模视觉编码器，通过快速CUDA内核、压缩潜在空间传播块和两阶段交叉算子蒸馏，在减少参数的同时提升性能并实现高效推理。
基于属性的视频复杂度度量
机构 * UMIACS-University of Maryland College Park（马里兰大学College Park分校UMIACS） ； University of California San Diego（加州大学圣地亚哥分校） ； Yale University（耶鲁大学） ； Meta AI
AI总结 提出VideoABC框架，通过属性空间量化估计视频-问题对在视频大语言模型上的失败概率，实现非参数复杂度度量。
掩盖过时观察帮助搜索智能体——直到适得其反：一个机制图谱及其机制
机构 * UC San Diego（加州大学圣地亚哥分校） ； UC Berkeley（加州大学伯克利分校） ； Texas A&M University（德克萨斯大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文通过系统实验发现，在长时域搜索智能体中掩盖过时观察的效果呈现非对称倒U型曲线，取决于检索器召回率与模型隐式过滤能力的交互，并揭示了其背后的令牌-轮次权衡机制。
Comments 47 pages, 7 figures
LLM生成的自闭症交流中的算法脆弱性与人格偏见
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； Cardiff University（卡迪夫大学）
AI总结 通过双人格改写范式，发现LLM在生成自闭症人格文本时存在词汇与情感偏离、输出坍塌等系统性失败，且对齐策略而非参数规模主导这些失败，表明当前对齐训练导致深层表征鸿沟。
Comments main paper: 9 pages; total: 19 pages; 2 figures; 5 tables
视觉-语言模型将头部方向误认为注视方向：非语言对话线索
机构 * Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； Emory University（埃默里大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； UC San Diego（圣地亚哥大学）
AI总结 本研究通过控制头部方向的实验发现，视觉-语言模型（VLMs）在推断注视目标时主要依赖头部方向而非眼睛外观，导致与人类存在显著性能差距，并指出数据偏差是主要原因。
Comments Accepted by ACL 2026. Project page at https://zoryzhang.github.io/gaze/
面向运营的自动化温室气体羽流检测与描绘
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）
AI总结 针对高空间分辨率成像光谱仪，通过卷积神经网络和多任务学习解决数据质量、时空偏差和建模目标对齐等障碍，实现运营级温室气体羽流检测与分割。
Comments Main 19 pages 14 figures. Supplemental 19 pages 16 figures. In review
Journal ref Remote Sensing of Environment 343 (2026) 115506
你不需要所有注意力：文本到图像扩散模型中的外科记忆缓解
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出GUARD框架，通过吸引-排斥动力学调整去噪过程，结合交叉注意力衰减机制，在不损害图像质量的前提下有效缓解文本到图像扩散模型中的记忆问题。
Comments Accepted at ICML 2026
处理胸部X光分类中的监督稀缺性：长尾与零样本学习
机构 * University of Technology, Vietnam（越南技术大学） ； National University of Singapore（新加坡国立大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对胸部X光分类中极端长尾多标签分布和罕见/未见发现缺失标注的问题，提出不平衡感知多标签学习（任务1）和无需监督标签的零样本预测方法（任务2），在CXR-LT 2026挑战赛中取得领先性能。
Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI)
LERD: 用于神经退行性疾病分类的潜在事件-关系动力学
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出LERD，一种端到端贝叶斯潜在事件-关系动力系统，直接从多通道脑电图推断潜在神经事件及其关系结构，无需事件或交互标注，在阿尔茨海默病分类中优于基线方法并提供生理对齐的动力学摘要。
无需训练的视频推理
机构 * Qualcomm AI Research（高通AI研究） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出V-Reason方法，利用输出分布熵作为信号，通过轻量级控制器在推理时自适应调整值缓存，无需强化学习或微调即可提升视频推理性能。
Comments CVPR Findings 2026. Project Page https://deepaksridhar.github.io/vreason.github.io/
反馈至关重要：利用视觉和拓扑反馈增强自主解剖
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣迭戈分校电气与计算机工程系）
AI总结 提出一种反馈驱动的自主组织解剖框架，通过内窥镜图像推理拓扑变化、量化可见性并主动操控组织，结合规划与学习方法，显著提升手术自主性和鲁棒性。
同时多目标对齐：可验证与不可验证奖励
机构 * ucsd（加州大学圣地亚哥分校）
AI总结 提出MAHALO框架，通过标准化PRM训练、多动作头DPO和PRM引导解码，实现大语言模型在可验证与不可验证奖励上的多目标对齐，减少目标冲突并支持推理时控制。
Comments ICML 2026
MACCA: 离线多智能体强化学习中的因果信用分配
机构 * King’s College London（伦敦国王学院） ； Eindhoven University of Technology（埃因霍温理工大学） ； University of Liverpool（利物浦大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 提出基于动态贝叶斯网络的因果信用分配框架MACCA，通过建模环境变量、状态、动作和奖励的因果关系，实现离线多智能体强化学习中准确且可解释的信用分配。
Comments 21 pages, 4 figures
Journal ref TMLR 2025
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