高校专区
FastKernels：生产中GPU内核生成的基准测试
机构 * Snowflake AI Research（Snowflake AI研究院） ； CMU（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； Independent Researcher（独立研究者）
AI总结 针对现有基准与生产推理框架脱节的问题，提出FastKernels基准，包含46个代表性架构，覆盖96.2%的HuggingFace Transformers架构，并作为生产级推理框架，评估显示最强代理仅实现0.94倍加速，揭示基准-生产错位是关键瓶颈。
AutoResearch AI：迈向人工智能驱动的科研自动化以实现科学发现
机构 * Huazhong University of Science and Technology（华中科技大学） ； Lehigh University（莱斯大学） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Salesforce Research（Salesforce研究） ； Squirrel AI Learning（Squirrel AI学习） ； Northwestern University（西北大学） ； Independent（独立） ； 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） ； Chinese University of Hong Kong（香港中文大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； Google Cloud AI Research（谷歌云AI研究） ； Recursive Superintelligence（递归超级智能） ； Microsoft Research（微软研究院）
AI总结 本文综述了AI驱动的科研工作流自动化（AutoResearch）的发展，分析了从任务级AI到工作流级研究自动化的转变，并提出了五个评估维度（新颖性、有效性、影响力、可靠性和溯源），指出自主性受领域条件限制。
Comments 49 pages, 12 figures, 10 tables
视觉与语言模型的经验贝叶斯共形预测
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Xiamen University（厦门大学）
AI总结 提出经验贝叶斯共形预测框架，利用r值将得分变异性转化为不确定性感知的非一致性得分，在保持目标覆盖的同时减少高方差假候选的包含。
用于操作规划与控制的神经构型空间障碍
机构 * Contextual Robotics Institute, University of California San Diego（情境机器人研究所，加州大学圣地亚哥分校）
AI总结 提出一种基于神经构型空间距离函数障碍的统一方法，用于高维机器人操作规划与控制，通过分布鲁棒优化处理模型误差和传感器噪声，在杂乱动态环境中实现高效规划与鲁棒安全控制。
学习场景级有符号方向距离函数：结合椭球先验与神经残差
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Brain Corporation（Brain公司） ； Robotics Department, University of Michigan（密歇根大学机器人系）
AI总结 提出有符号方向距离函数（SDDF），结合显式椭球先验和隐式神经残差，实现高效准确的场景级几何重建与可微渲染。
Journal ref 2026 IEEE Transactions on Pattern Analysis and Machine Intelligence
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
智能体安全是系统问题
机构 * Google（谷歌） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； EmbraceTheRed ； Gray Swan AI ； Cornell University（康奈尔大学）
AI总结 本文提出智能体安全应作为系统问题来解决，强调通过系统层面的安全不变量来保障AI模型的安全性，而非仅仅依赖模型鲁棒性。文章基于系统安全领域的技术，提出了设计可预测安全保证的智能体系统的核心原则，并分析了实际攻击案例和实现这些原则面临的挑战。
关于对流-扩散方程的下界：与AI生成证明的探索
机构 * University of California, San Diego, La Jolla, United States（加州大学圣迭戈分校） ； Duke Kunshan University, Zu Chongzhi Center, No. 8 Duke Avenue, Kunshan, Jiangsu Province, 215316, P.R. China（杜克昆山大学，祖冲之中心）
AI总结 本文通过AI生成的证明方法，建立了对流-扩散方程在三种不同情形下的显式下界，包括无粘性剪切的多项式$\dot H^{-1}$界、扩散剪切的混合尺度正下界以及快速振荡时间周期性流动的指数$L^2$界。
Comments 63 pages
Auto-Dreamer：学习离线记忆巩固用于语言智能体
机构 * University of Illinois 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 本文提出Auto-Dreamer，一种学习离线记忆巩固方法，用于语言智能体，通过分离快速会话记忆获取与慢速跨会话巩固过程，提升智能体在多个任务流中的记忆整合与知识复用能力。
Comments Preprint
通过logit平均在LLMs后训练中补充强化学习
机构 * UC San Diego（加州大学圣迭戈分校）
AI总结 本文提出一种在LLMs后训练中通过logit平均补充强化学习的方法，将该方法整合到Group Relative Policy Optimization (GRPO)中，无需使用KL正则化或critic，通过logit平均结构将可训练策略与参考策略耦合，以利用可训练策略的推理能力并保持SFT的格式优势。
WorldString: 可行动态世界表征
机构 * CalTech（加州理工学院） ； UC San Diego（南加州大学） ； Tsinghua University - IEI Lab（清华大学-IEI实验室） ； NVIDIA（英伟达）
AI总结 本文提出WorldString，一种能够通过点云或RGB-D视频流直接学习现实物体状态流形的神经架构，为构建可行动态世界模型提供基础构建块。
行为线索推理：通过监督提高推理的效率和安全性
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Brigham Young University
AI总结 该研究提出行为线索推理方法，通过引入行为线索来增强大语言模型的可控性和可监控性，从而在复杂数学问题解决中减少50%的无效推理token，并在安全行动恢复方面将成功率从46%提升至96%。
语言模型必须多开放才能实现可靠的科学推断？
机构 * Massachusetts Institute of Technology（麻省理工学院） ； EleutherAI ； University of California San Diego（加州大学圣地亚哥分校） ； Rutgers University-Newark（新泽西州立大学罗威特分校） ； Stony Brook University（史泰森布魯克大學）
AI总结 本文探讨了语言模型的开放程度如何影响基于其研究的科学推断可靠性，指出封闭模型通常不适合科学用途，并提出系统识别和缓解推断威胁的方法。
理解单目肠镜下息肉大小的模型行为
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文通过多中心数据集和多种模型对二元息肉大小分类（≤5 mm vs. >5 mm）进行诊断审核，发现模型性能在不同架构和输入模态下较为一致，表明其依赖于与检查行为相关的线索而非真实度量尺度，并展示了完美尺度信息的潜在改进以及当前深度估计和全局校准的有限增益。
基于得分的潜在变量因果模型因果发现
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出了一种基于得分的方法，用于识别包含因果相关潜在变量的因果结构，并提供了可识别性保证，同时通过实验验证了方法的有效性。
Comments ICML 2024
STELLAR: 为自动驾驶扩展3D感知大模型
机构 * Waymo ； UCSD（加州大学圣地亚哥分校）
AI总结 本文研究了大规模训练在自动驾驶感知系统中的应用，通过扩展输入模态并训练大规模模型，实现了在Waymo数据集上的新状态-of-the-art性能。
反思式X训练：反馈条件化提升跨所有LLM训练阶段的扩展性
机构 * NVIDIA ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； UC San Diego（南加州大学）
AI总结 本文提出反思式训练（IXT），通过利用后续阶段的动态来改进早期阶段，从而提高LLM训练的扩展效率，实验表明该方法在计算效率和性能上均有显著提升。
PrivacyAkinator: 通过回答LLM生成的多项选择题来阐明关键隐私设计决策
机构 * University of California San Diego（加州大学圣迭戈分校） ； University of California Riverside（加州大学河滨分校）
AI总结 本文提出PrivacyAkinator工具，通过回答LLM生成的多项选择题帮助开发者阐明关键隐私设计决策，相比PRAM方法，用户研究显示其在更短时间内识别出更多关键决策。
Comments Accepted to ACM CHI 2026
通过损失自适应学习率实现无遗忘的微调
机构 * University of California San Diego（加州大学圣迭戈分校）
AI总结 本文提出了一种损失自适应学习率调度方法FINCH，通过动态调整学习率来减少微调过程中的遗忘现象，同时保持任务性能，从而在知识获取、科学和低资源语言适应等基准测试中显著提升了模型表现。
Comments 25 pages
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