高校专区
流体符号距离函数：通过可微基元实现超轻量级且可编辑的隐式形状表示
机构 * University of California, San Diego (UCSD)（加利福尼亚大学圣地亚哥分校）
AI总结 研究针对隐式神经表示在形状建模上的问题，提出Fluid-SDF框架，用可微基元建模，参数少，能抵抗噪声，可直接编辑形状特征，无需重新训练，适合移动AI等资源受限环境。
Comments 6 pages, 5 figures
RRPO：基于分层条件展开的参考相对策略优化
机构 * University of California San Diego（加利福尼亚大学圣地亚哥分校） ； Adobe Research（Adobe研究院）
AI总结 研究提出RRPO，通过参考相对对比比较推广GRPO。用分层条件展开构建锚集，训练投影头定义对比优势，在策略优化中评估。不依赖任务真实验证器，在多种设置下有竞争力，优于弱监督基线，监督微调后有额外收益。
用于智能电网的大语言模型和智能AI系统：架构与应用教程
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） ； Department of Electrical and Computer Engineering, University of Alberta（阿尔伯塔大学电气与计算机工程系）
AI总结 研究智能电网中LLMs和智能AI系统，提出基于求解器的设计原则，通过提示策略等构建模块及四个案例研究实例化该原则，比较不同方案，还提出四组评估框架，明确了各部分分工。
Comments 28 pages, 11 figures, 6 tables; plus supplementary material. Review/tutorial article
我们能否使大语言模型摆脱自我循环？通过激活引导实现细粒度推理控制
机构 * UC San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院） ； University of New South Wales（新南威尔士大学）
AI总结 研究大语言模型推理过程不可控问题，提出SOPHIA方法，通过将推理轨迹视为潜在状态序列，构建引导向量库，在推理时进行干预，可检测并防止自我循环，提升推理质量。
D-NOVA：通过具有向量适配的双边界3D NAND优化相似性搜索实现存储内检索加速器
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 研究针对RAG密集向量检索性能瓶颈，提出软硬件协同设计的存储内检索加速器D-NOVA。通过深度嵌入搜索功能、采用新距离度量及引入适配器，实现高效检索，相比CPU和现有加速器有显著性能和能效提升，展现全存储向量搜索加速RAG的潜力。
Comments Accepted at the 59th IEEE/ACM International Symposium on Microarchitecture (MICRO 2026), Athens, Greece. Chang Eun Song and Sumukh Pinge are co-first authors and contributed equally
无损但不免费：消费级硬件上推测性解码的实证剖析
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究大语言模型单流自回归解码受内存带宽限制问题，核心方法是推测性解码，通过小草稿模型与目标模型配合及拒绝采样规则重构计算。在苹果硅笔记本上实证研究五种配置，验证分布等效性，揭示加速与减速原因，表明该方法在特定条件下才有效。
Comments 15 pages, 5 figures, 4 tables. Code, benchmark harness, and all result artifacts: https://github.com/ParamChordiya/speculative_decoding_engine
行人原型扩展——用于自动驾驶车辆安全测试的更多行人模型
机构 * Stanford University（斯坦福大学） ； University of California San Diego（加利福尼亚大学圣地亚哥分校） ； University of Washington（华盛顿大学）
AI总结 研究在行人原型基础上，通过注释YouTube行车记录仪视频，识别出7种新的行人原型，介绍其行为，阐述与旧原型差异并提供视频证据，为自动驾驶车辆安全测试提供更多行人模型。
Comments Extended version of Pedestrian Archetypes paper (published in IEEE IV 2025)
用于有效多轮强化学习的过程奖励引导树展开
机构 * UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； MIT Alumni（麻省理工学院校友）
AI总结 研究多轮强化学习中有效探索问题，提出过程评分器引导的自适应树展开框架PATR，利用过程反馈评分轨迹、选择性分支等，在FrozenLake和SWE - Bench实验中提升性能，是可扩展多轮强化学习的有效策略。
Comments Preprint
通过动态多轮交互对视觉语言模型进行情境化评估
机构 * UC San Diego（加州大学圣地亚哥分校） ； Northeastern University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Johns Hopkins University（约翰·霍普金斯大学）
AI总结 研究多模态大语言模型现实有效性问题，提出CEDI框架，通过三方交互、多轮半结构化对话及多种策略评估，应用于视觉幻觉，发现能揭示更多接近实际情况的幻觉，凸显其对MLLMs能力评估的作用。
StructAgent：利用统一因果结构驾驭长时程数字智能体
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； Aether AI Lab（以太人工智能实验室）
AI总结 研究针对长时程任务中智能体任务进展难解释、验证和恢复的问题，提出StructAgent框架，通过统一因果结构维护任务进展并规范工作流程，实验证明其能提升多种模型性能且具有通用性。
MED-DSLC：通过域监督和对数校准进行多专家域分类
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究针对视觉语言模型在多域零样本分类中存在的问题，提出MED-DSLC方法，结合域监督训练和域内对数缩放，恢复全局对数可比性，是轻量级方案，经实验验证可提升准确率、鲁棒性和可扩展性。
Comments Accepted to ECCV 2026. Code is available at https://github.com/Leonard-Zeng/MED-DSLC
通过内部标签转移实现推荐系统的规范对齐
机构 * Technical University of Denmark（技术大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Inria, Université Côte d'Azur（Inria与普罗旺斯大学） ； Copenhagen Business School（哥本哈根商学院） ； ZOZO Research（ZOZO研究） ； Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
AI总结 研究如何使推荐系统输出与目标分布对齐，提出NAILS方法，通过修改用户条件项目分布，在保留原偏好且无需重训模型的情况下，将问题转化为层次分类框架内的标签转移，实现与全局规范目标对齐，且对用户参与度影响小。
Comments 6 pages. Published in the Proceedings of the Nineteenth ACM Conference on Recommender Systems (RecSys '25), Prague, Czech Republic, September 22-26, 2025. Code available at https://github.com/johanneskruse/nails
ZoRRO：用于可扩展新闻推荐的零权重个性化推荐系统
机构 * Technical University of Denmark（丹麦技术大学） ； ZOZO Research（ZOZO研究公司） ； University of California San Diego（加州大学圣地亚哥分校） ； Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
AI总结 研究针对可扩展新闻推荐提出零权重、无需训练的ZoRRO框架，在离线评估中优于神经基线，在线测试中点击率性能与先进模型相近且速度快600多倍，并揭示相关性能差距，凸显该框架对大规模新闻推荐的实用性及多指标评估的重要性。
Comments 6 pages, 2 figures. Accepted at the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), Melbourne, Australia, July 20-24, 2026. Code available at https://github.com/johanneskruse/zorro
首个中文BabyLM挑战：训练数据高效且认知合理的中文语言模型
机构 * Princeton University（普林斯顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； Chinese Academy of Sciences（中国科学院） ； Columbia University（哥伦比亚大学） ； Beijing Normal University（北京师范大学） ； Tsinghua University（清华大学） ； University of California San Diego（加利福尼亚大学圣地亚哥分校） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 首个中文BabyLM挑战将在2026年自然语言处理与中文计算会议举办，要求用1亿中文词元从头训练语言模型，在自然语言理解、认知对齐和汉字知识三轨道评估，不限分词器、模型架构和训练轮数。
Comments 8 pages, 4 tables; work in progress
LeRoPE：可学习的RoPE频率提升语言建模
机构 * UC San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究改进语言模型中位置编码的方法，提出可学习RoPE频率的LeRoPE方法，通过训练不同规模语言模型验证，该方法在各规模下均优于RoPE和部分RoPE，提升了语言建模性能。
Comments 27 pages, 10 figures, 12 tables
用于具身动作条件世界模型的因果去偏潜行动模型
机构 * Aether AI ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 研究针对动作条件世界模型学习需大量标记数据的问题，提出基于潜行动模型的因果去偏框架CD-LAM，通过三个微调目标改进模型，提升了潜行动可控性等多方面性能，减少了机器人动作适应更新次数。
从更少中学习更多：事后诸葛亮式强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Computing Research Lab（麻省理工学院-IBM计算研究实验室） ； Stanford University（斯坦福大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究针对强化学习用于视觉-语言-动作模型后期训练时样本效率低的问题，提出事后诸葛亮式学习方法，通过对失败轨迹重标记，让策略联合原始与重标记轨迹训练，在分布外任务上显著提升样本效率并优于基线。
从 RGB 生成到密集场读出：使用文本到图像模型进行像素空间密集预测
机构 * UCSD（加州大学圣地亚哥分校） ； HKUST（香港科技大学）
AI总结 研究利用文本到图像模型进行像素空间密集预测，提出ReChannel方法，保留DiT输入分布的VAE编码器，去掉目标侧解码器，用任务LoRA调整，通过线性头映射令牌到像素空间补丁，在多个密集预测任务上表现出色，比对比方法更准确快速。
用于燃料密度预测的物理引导时空神经模型
机构 * San Diego Supercomputer Center University of California, San Diego（圣地亚哥超级计算机中心 加州大学圣地亚哥分校）
AI总结 研究针对燃料密度预测，提出物理引导机器学习框架，集成物理约束与领域知识到深度学习模型。探索三种架构建模，在损失函数中纳入物理信息项，实验表明该框架在准确性和稳定性上优于纯数据驱动基线，能实现高效火灾预测支持管理。
Comments to be published in IEEEXplore
Spider 2.0-AIFunc：将现实世界的文本到SQL扩展到人工智能原生SQL工作流程
机构 * UC San Diego（加州大学圣地亚哥分校） ； Snowflake AI Research（Snowflake人工智能研究院） ； University of Hong Kong（香港大学）
AI总结 研究针对现有文本到SQL基准无法评估模型生成人工智能原生SQL能力的问题，构建Spider 2.0-AIFunc基准，经特定管道和多轮验证，评估十个先进语言模型，发现准确率差距及传统代理框架转移无效等情况。
Comments 24 pages, 3 figures, 7 tables
RoboTALES：通过任务对齐的模拟未来学习推理引导的机器人策略
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 针对预训练视频生成模型用于机器人策略规划的局限，提出RoboTALES框架，通过基于分层语言模型的规划器和基于视觉语言模型的评论家两大创新，学习任务对齐的模拟未来以训练机器人策略，在多样操纵任务中表现优于现有方法。
Comments Accepted at ECCV 2026
Plainbook：用通俗易懂的语言进行数据科学
机构 * University of California Santa Cruz（加州大学圣克ruz分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Politecnico di Torino（托里诺理工学院）
AI总结 为让更多不懂代码的科学家参与数据分析计算，提出Plainbook，以自然语言为中心，基于促进自然语言描述和验证值的原则，自动生成代码，采用线性执行语义并内置验证机制，由快照内核支持提升效率。
Comments 12 pages
通过级联扩散反演恢复云微观结构
机构 * Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 针对卫星云图像分辨率不足及现有方法不适用于此类图像的问题，提出基于扩散的两阶段超分辨率框架，能将云微观结构分辨率提高4倍，在精度和视觉质量上优于现有方法，为云微物理分析及利用AI促进气候和可持续性提供路径。
Comments Published at ML4RS Workshop ICLR 2026
生成式人工智能模型在先进加速器上的性能优化与比较分析
机构 * University of California San Diego（加州大学圣地亚哥分校） ； San Diego Supercomputer Center（圣地亚哥超级计算机中心）
AI总结 针对生成式人工智能模型部署难题，开展系统研究，通过新颖的混合精度训练后量化评估等方法，对多种模型在不同下游任务及跨异构平台进行性能优化与比较分析。
Comments 6 pages, 3 figures
稳定性退火选择平滑符号下降的隐式偏差：可分数据上的速率索引障碍路径
机构 * The University of Hong Kong（香港大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学）
AI总结 研究可分数据上全批量线性分类的速率控制情况，针对无记忆稳定性退火平滑符号下降，证明归一化迭代收敛特性，通过实验验证相关恒等式、展示预测图及缩放，还报告了多种情况的诊断，明确理论范围。
Comments 17 pages, 9 figures
破缺遍历性与涨落耗散定理的违反导致机器学习中超越过拟合的泛化
机构 * Department of Physics, University of California San Diego（加州大学圣地亚哥分校物理系） ； Halıcıoğlu Data Science Institute, University of California San Diego（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所）
AI总结 研究现代神经网络泛化能力随网络容量增加而提升的现象，用动态平均场理论表明‘双下降’行为是训练过程随机场理论中相变的结果，计算了临界指数等。
Comments 62 pages, 8 figures; includes Supplemental Material
SILO：用于多阶段电缆布线的回路内仿真的仿真到现实转移
机构 * NVIDIA Corporation（英伟达公司） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 针对电缆等物体复杂变形导致的线性可变形操纵难题，提出基于GPU并行仿真的强化学习框架及新部署策略，实现多阶段电缆布线的仿真到现实转移，提升成功率并减少周期时间。
Comments Website: https://silo-cable-routing.github.io/
通过协同能动探索和结构化建模学习任务充分的世界模型
机构 * UCSD（加州大学圣地亚哥分校） ； MBZUAI（Mubarakzai Institute of Artificial Intelligence） ； CMU（卡内基梅隆大学） ； UBC（不列颠哥伦比亚大学）
AI总结 研究如何让智能体学习特定于任务、最小且足以决策的世界模型表示，通过智能体与世界模型闭环协同，智能体主动探索收集信息轨迹，世界模型学习结构化表示，提升样本效率和泛化能力。
预思考：神经符号原始编程的可验证推理
机构 * CoreThink AI ； UC San Diego（加州大学圣地亚哥分校）
AI总结 研究改进智能体工作流推理能力问题，提出神经符号推理系统Forethought，将推理视为可验证程序，由符号和神经原语库构建，经特定语言组合，提升了基础模型准确率。
正确实现分层稀疏注意力：迈向无限上下文建模
机构 * Tencent HY Team（腾讯混元团队） ； ShanghaiTech University（上海科技大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 研究如何解决现代大语言模型扩展到长上下文时的计算成本和注意力长度外推问题。提出分层地标稀疏注意力机制，通过语言模型损失端到端学习块选择，实现高效长上下文建模。
Comments preprint
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