高校专区
FlashDrive：面向自动驾驶的Flash视觉-语言-动作推理
机构 * Princeton（普林斯顿大学） ； UC San Diego（加州大学圣迭戈分校）
AI总结 FlashDrive通过算法-系统协同设计解决VLA推理的四个级联瓶颈，使Alpamayo 1.5-10B的端到端自动驾驶延迟降4.7倍，推理频率提升至6.6Hz，逼近实时部署。
Comments 15 pages; 8 figures
Foam-Agent：迈向自动化智能CFD工作流程
机构 * Department of Computer Science, Rensselaer Polytechnic Institute（里士满理工学院计算机科学系） ； Department of Mechanical, Aerospace, and Nuclear Engineering, Rensselaer Polytechnic Institute（里士满理工学院机械、航空航天与核工程系） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； College of Education, Zhejiang Normal University（浙江师范大学教育学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）
AI总结 Foam-Agent通过多智能体框架和大型语言模型，实现自动化CFD工作流程，显著提升模拟效率和成功率。
Comments 34 pages, 9 figures, 9 tables
Journal ref Computer Methods in Applied Mechanics and Engineering, Vol. 461, 119271 (2026)
Mechanist：作为科学仪器的AI，用于发现智能的机制
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Heriot-Watt University（赫瑞瓦特大学） ； Southern University of Science and Technology（南方科技大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Northeastern University（东北大学）
AI总结 本研究推出智能体系统Mechanist，以AI为科学仪器自主发现AI智能机制，其生成假设更有价值、实验更可靠，还能发现安全风险、构建信念机制理论并转化为提升模型性能的干预措施。
Comments Work in progress
基于公共领域电影集的对话感知视频到音乐生成
机构 * University of California San Diego（加利福尼亚大学圣地亚哥分校） ； University of Michigan（密歇根大学）
AI总结 该研究针对视频到音乐生成的可复现性问题，构建了OSSL-v2数据集，提出用对话作为条件信号的方法，在电影上评估后性能优于现有基线。
生成式引擎的机制设计：从利用到双赢结果
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 针对生成式引擎引用竞争引发的引用战争问题，本文将供给方与平台互动建模为重复斯塔克尔伯格博弈，提出VCR机制，实验显示其防御效用优于基线且能实现双赢。
FACT：面向世界-动作模型的故障感知因果训练方法
机构 * University of California San Diego（加州大学圣迭戈分校）
AI总结 FACT是一种故障感知因果世界-动作模型，通过将错误动作转化为训练目标，在模拟与真实双臂操作任务中提升了世界-动作模型的性能，减少了成功偏差导致的未来幻觉。
基于N最佳教师轨迹选择的在线策略蒸馏
机构 * Johns Hopkins University（约翰霍普金斯大学） ； TikTok ； University of California, San Diego（加州大学圣地亚哥分校） ； Fudan University（复旦大学）
AI总结 本文提出BRTS框架，通过选择更准确且与学生行为一致的教师轨迹提升在线策略蒸馏效果，在AIME和AMC基准测试中取得显著改进。
Comments 10 pages, 5 figures
模拟有组织群体行为：新框架、基准和分析
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of California, Irvine（加州大学尔湾分校） ； Meta
AI总结 本文提出新框架和基准，用于模拟有组织群体决策，通过结构化分析模型提升预测性能，并揭示群体行为随时间的变化及跨群体相似性。
Comments Accepted by COLM 2026
学习世界如何演化：基于潜动态推理的外推视频世界模型
机构 * UCSD（加利福尼亚大学圣迭戈分校） ； Adobe（奥多比公司）
AI总结 针对主流视频扩散模型未建模像素时间转换的问题，提出LDR方法，在PhyWorld基准上实现更优动态外推，参数更少、速度更快，是首个能泛化至训练分布外的视频世界模型
Comments Project page: https://lat-dyn-reason.github.io/
从可及性残差到任意时刻有效的证据：投注检验的在线凸几何
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究通过在线凸优化与投注检验的关联，构建了可及性残差与任意时刻有效证据的理论框架，给出有限时间下的检验误差界，实现了多种统计检验场景的统一。
重新思考基于学习的影响力最大化：简单神经代理与原生离散搜索
机构 * UC San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究针对现有基于学习的影响力最大化框架的不足，提出SIMBA框架，采用轻量级神经代理与原生离散搜索，缩短求解时间并提升影响力传播与数据效率。
神经劳动分工：用于鲁棒神经形态计算的生物启发式模块化架构
机构 * University of California San Diego（加州大学圣地亚哥分校） ； University of Alberta（阿尔伯塔大学） ； University of Alabama（阿拉巴马大学）
AI总结 本文提出可分解脉冲神经网络（D-SNN），采用生物启发模块化架构，在减少参数与突触操作的同时，实现鲁棒性与决策透明性，为边缘神经形态计算提供高效方案。
Comments 39 pages, 7 figures
无任何监督的在线策略自蒸馏
机构 * UC San Diego（加州大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； ByteDance（字节跳动）
AI总结 本研究提出无监督在线策略自蒸馏（U-OPSD），仅用模型自身生成结果实现在线策略自蒸馏，在多数学基准上优于基础模型，部分场景超越OPSD、GRPO等监督方法。
Comments Project page at https://williamium3000.github.io/u-opsd/ and code at https://github.com/williamium3000/u-opsd
学习带有主体特定编码器的对齐脑电图表示
机构 * University of São Paulo（圣保罗大学） ； Université Paris-Saclay, Inria TAU team, LISN-CNRS（巴黎萨克雷大学，Inria TAU团队，LISN-CNRS） ； Institut de neuromodulation, GHU Paris, psychiatrie et neurosciences, centre hospitalier Sainte-Anne, pôle hospitalo-universitaire 15, Université Paris Cité（神经调控研究所，GHU巴黎，精神病学与神经科学，圣安娜医院，大学医院中心15区，巴黎西岱大学） ； Federal University of ABC (UFABC)（ABC联邦大学） ； Yneuro ； Swartz Center for Computational Neuroscience (SCCN), Institute for Neural Computation (INC), University of California San Diego（斯沃茨计算神经科学中心，神经计算研究所，加州大学圣地亚哥分校）
AI总结 提出使用主体特定编码器替代共享编码器，结合共同分类器实现跨主体脑电图对齐，实验表明该方法能内化欧几里得对齐的作用，提高类别区分度，并识别出未见主体的编码器选择是主要瓶颈。
SimSD：扩散语言模型中的简单推测解码
机构 * University of California San Diego（加州大学圣地亚哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google（谷歌） ； University of California Santa Barbara（加州大学圣芭芭拉分校）
AI总结 针对扩散语言模型无法直接使用标准推测解码的问题，提出SimSD算法，通过即插即用的掩码策略引入参考令牌并设计注意力掩码，实现单次前向传播验证多个草稿令牌，在保持并行解码优势的同时提升解码吞吐量。
Comments 13 pages, 4 figures, code available at https://github.com/airevo2/SimSD-release
MonitorBench: 一个用于大型语言模型链式思维可监控性的综合基准
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出MonitorBench，通过1514个测试实例和两种压力测试设置，评估LLM链式思维的可监控性，发现决策关键因素对中间推理过程的影响程度影响可监控性，更高级的LLM表现出更低的可监控性。
Comments COLM 2026
SimulCost: 一个用于自动化物理模拟的代价感知基准与工具包
机构 * University of California San Diego（加州大学圣地亚哥分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Peking University（北京大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； California Institute of Technology（加州理工学院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 针对现有LLM评估忽略工具使用代价的问题，提出SimulCost基准，通过单轮和多轮参数调优任务比较LLM与传统扫描方法在准确性和计算代价上的表现，发现LLM在高精度任务中初始猜测不可靠且多轮模式效率更低。
Comments post conference revision version at ICML; update: removed CGYRO due to bug in cases search. Will add back soon
超越注意力：BiomeGPT式微生物组Transformer中的符号化集成梯度归因
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究针对BiomeGPT式微生物组Transformer的注意力权重局限，提出符号化集成梯度归因方法，结合二阶集成海森矩阵，可区分致病与保护性微生物信号，揭示群落相互作用规则，提升模型可解释性
Comments 15 pages, 6 figures. Code: https://github.com/nohren/token-source-attribution
超越路由权重：基于贡献对比的混合专家奖励模型的忠实响应级解释
机构 * Saarland University（萨尔大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校） ； Bielefeld University（比勒费尔德大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
AI总结 针对MoE奖励模型现有路由权重解释的局限性，本文提出CoCo响应级解释方法，经评估其解释质量更优且奖励建模准确率有竞争力，是该领域首个系统研究。
BaKron：基于克罗内克因式分解海森矩阵的高效量化方法
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 BaKron是一种高效神经网络量化算法，通过结合反对角并行与递归分治结构，将计算量从O(m²n²)降至O(mn(m+n))，兼具GPTQ的缩放效率与更丰富的曲率信息，且对基础量化器和海森估计器模块化。
统一智能体：管理跨设备交互
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文针对现有智能体跨设备交互场景的不足，提出带紧凑状态设计的统一智能体，构建对应基准数据集，其性能显著优于多种现有设计，且在不同MLLM设置下表现鲁棒。
四足运动的快速身体适配
机构 * UC San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； TU Darmstadt（达姆施塔特工业大学） ； Sudo AI GmbH（Sudo AI 有限公司） ； German Research Center for AI (DFKI)（德国人工智能研究中心） ； Robotics Institute Germany（德国机器人研究所）
AI总结 本研究提出在线身体适配框架，结合通用策略与轻量级适配模块，可快速推断四足机器人硬件状态，在仿真与真实Unitree Go2机器人上均实现了对关节、负载变化的稳定适配。
CT Open: 一个开放获取、无污染、实时平台，用于临床试验结果预测的开放挑战
机构 * Laboratory for Emerging Intelligence, University of California, San Diego（新兴智能实验室，加州大学圣地亚哥分校） ； Department of Dermatology, University of California, San Diego（皮肤科系，加州大学圣地亚哥分校） ； Elsevier
AI总结 本文介绍CT Open平台，通过开放挑战预测临床试验结果，采用自动化方法解决数据污染问题，提供训练集和测试基准，推动AI在现实结果预测中的应用。
Comments Published at Conference on Language Modeling (COLM), 2026
当草稿进化：推测解码与在线学习的交汇
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出OnlineSpec框架，利用交互反馈持续进化草稿模型，通过动态遗憾最小化建立在线学习性能与推测系统加速率的联系，实现24%的加速提升。
Comments ICML 2026
d3LLM：基于伪轨迹蒸馏的超快扩散大语言模型
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 d3LLM通过伪轨迹蒸馏和熵基多块解码技术，在提升并行性的同时保持准确性，实现超快的扩散大语言模型。
Comments ICML 2026
MoCA：用于数字健康测量的多模态交叉掩码自编码器
机构 * Herbert Wertheim School of Public Health and Human Longevity Science, University of California, San Diego, San Diego, CA, USA（赫伯特·韦瑟姆公共卫生与人类长寿科学学院，加州大学圣地亚哥分校） ； Halıcıoğlu Data Science Institute, University of California San Diego, San Diego, CA, USA（哈利奇奥卢数据科学研究所，加州大学圣地亚哥分校） ； Department of Computer Science and Engineering, University of California San Diego, San Diego, CA, USA（计算机科学与工程系，加州大学圣地亚哥分校） ； Division of Public Health Sciences, Fred Hutchinson Cancer Center, Seattle, WA, USA（公共卫生科学部，Fred Hutchinson癌症中心）
AI总结 提出MoCA自监督学习框架，结合Transformer与MAE，通过跨模态掩码提升多模态可穿戴数据的重构与分类性能，兼具理论保障，可处理缺失模态并应用于数字健康领域。
DeepImagine: 通过连续反事实想象学习生物医学推理
机构 * Laboratory for Emerging Intelligence, University of California, San Diego（新兴智能实验室，加州大学圣地亚哥分校） ； Department of Dermatology, University of California, San Diego（皮肤科系，加州大学圣地亚哥分校） ； University of Chicago（芝加哥大学） ； Elsevier（艾尔斯特出版社）
AI总结 本文提出DeepImagine框架，通过连续反事实想象训练语言模型进行生物医学推理，利用反事实对偶和强化学习提升临床试验预测性能，展示模型在生物医学领域的可解释性改进。
Comments Preprint
重新思考基础智能体的内存机制：第二阶段综述
机构 * UIC（伊利诺伊大学香槟分校） ； IIT（伊利诺伊理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UW–Madison（威斯康星大学麦迪逊分校） ； ASU（亚利桑那州立大学） ； Emory（埃默里大学） ； Northwestern（西北大学） ； NTU（国立台湾大学） ； UCF（佛罗里达大学） ； Rutgers（新泽西罗格斯大学） ； Cambridge（剑桥大学） ； Harvard（哈佛大学） ； UTokyo（东京大学） ； UCSD（加州大学圣地亚哥分校） ； UCSC（加州大学圣塔克鲁斯分校） ； TAMU（德克萨斯大学奥斯汀分校） ； UCSB（加州大学圣塔芭芭拉分校） ； MBZUAI（马克斯·普朗克人工智能研究所） ； McGill（麦吉尔大学） ； UCLA（加州大学洛杉矶分校） ； Stanford（斯坦福大学） ； Salesforce ； Google（谷歌） ； Meta ； Roblox ； Cisco（思科） ； Capital One
AI总结 本文综述了基础智能体内存机制，从内存基质、认知机制和主体维度分析内存在不同拓扑结构下的实现，并探讨内存操作的学习策略与评估指标。
Comments Accepted at Transactions on Machine Learning Research (TMLR) with Survey Certification. Project page: https://github.com/AgentMemoryWorld/Awesome-Agent-Memory
基于CNN-BiLSTM模型的可穿戴传感器久坐行为分类
机构 * Halıcıoğlu Data Science Institute, University of California, San Diego（加州大学圣迭戈分校哈利乔格鲁数据科学学院） ； Herbert Wertheim School of Public Health and Human Longevity Science, University of California, San Diego（加州大学圣迭戈分校赫伯特韦特海姆公共卫生与人类长寿科学学院） ； Department of Computer Science and Engineering, University of California, San Diego（加州大学圣迭戈分校计算机科学与工程系） ； Center for Children’s Healthy Lifestyles & Nutrition, Children’s Mercy Kansas City, University of Missouri-Kansas City（密苏里大学堪萨斯城分校儿童慈善医疗堪萨斯城分院儿童健康生活方式与营养中心） ； Kaiser Permanente Washington Health Research Institute（凯撒永久华盛顿健康研究所） ； Department of Kinesiology and Nutrition, University of Illinois Chicago（芝加哥伊利诺伊大学运动机能学与营养系）
AI总结 本研究提出基于髋部加速度计数据预训练的CNN-BiLSTM模型CHAP，可迁移至腕部数据实现坐/非坐分类，微调后性能优于从头训练的Transformer，为腕部传感器久坐行为检测提供了有效方案。
MIMIC-MJX：动物行为的神经机械模拟
机构 * Department of Organismic and Evolutionary Biology（有机与进化生物学系） ； Harvard University（哈佛大学） ； Computational Neurobiology Laboratory（计算神经生物学实验室） ； Salk Institute for Biological Studies（生物研究 institute） ； Neurosciences Graduate Program（神经科学研究生项目） ； University of California San Diego（加州大学圣地亚哥分校） ； Mila ； School of Computer Science（计算机科学学院） ； McGill University（麦吉尔大学） ； University of Washington（华盛顿大学） ； eScience Institute（eScience 院） ； Computational Neuroscience Center（计算神经科学中心） ； Department of Brain and Cognitive Sciences（脑与认知科学系） ； Massachusetts Institute of Technology（麻省理工学院） ； Picower Institute for Learning and Memory（记忆学习研究所） ； Molecular Neurobiology Laboratory（分子神经生物学实验室） ； Department of Bioengineering（生物工程系） ； Imperial College London（帝国理工学院） ； Howard Hughes Medical Institute（霍华德·休斯医学研究所）
AI总结 MIMIC-MJX通过学习生物合理的神经控制策略，实现了对动物行为的神经机械模拟，具有高准确性和广泛适用性。
Comments Project page available at https://mimic-mjx.talmolab.org
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