高校专区
EvoClaw: 评估AI代理在持续软件演化中的表现
机构 * USC（美国斯克利普斯大学） ； UCR（加州大学河滨分校） ； UCSD（加州大学圣地亚哥分校） ； Army Research Office（陆军研究办公室） ； Stanford（斯坦福大学） ； Princeton（普林斯顿大学） ； Haven ； OpenHands
AI总结 针对现有基准测试忽视软件演化中时间依赖和技术债务的问题，提出EvoClaw基准，通过从提交日志重建可验证里程碑DAG，评估AI代理在持续开发中维持系统完整性和限制错误累积的能力。
Comments ICML 2026
为灵巧操作扩展跨实体世界模型
机构 * UC San Diego（UC圣迭戈大学） ； Harvard University（哈佛大学） ； Shanghai Jiao Tong University（上海交通大学） ； Hillbot
AI总结 研究跨实体学习中不同形态机器人数据共享和控制转移问题，提出将人类和机器人手表示为3D粒子集，在随机交互数据上训练基于图的世界模型并与模型预测控制集成，实验表明该方法能提高泛化能力、有效结合数据并实现不同机器人手的控制。
Comments Accepted to IROS 2026, Project Page: https://alan-heoooh.github.io/dexwm.html
GSPRec：关于在用于协同过滤的图信号处理中改进项目表示
机构 * Department of Computer Science UC San Diego（计算机科学系 UC 洛杉矶分校）
AI总结 研究针对基于图的协同过滤方法丢弃中频成分问题，提出GSPRec框架，通过合并项目-项目接近度产生更丰富项目频谱表示，经实验验证其性能优于基线，还表明图构建与滤波器设计相互关联。
RAG 能知道检索错误吗？知识冲突下的上下文合规性诊断
机构 * Georgia Institute of Technology（佐治亚理工学院） ； 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）
AI总结 提出上下文驱动分解（CDD）方法，在推理时探测并干预检索增强生成中的上下文与参数知识冲突，揭示上下文合规性模式并提升鲁棒性。
Comments Preprint. 3 figures, 3 tables. Diagnostic study of context compliance in RAG under knowledge conflict; closed-API evaluations (Gemini-2.5-Flash and Claude family)
L-MARS：具有协调推理和代理搜索的法律多智能体工作流
机构 * University of Southern California（南加州大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 L-MARS是一种多代理检索框架，通过分解查询为结构化子问题，利用代理网络搜索获取证据，并通过验证代理过滤结果，从而在法律问答中实现高准确率。
Comments Accepted at the AI4Law Workshop at ICML 2026
AutoSIFT：用于可控语音生成的自动风格筛选与任意风格填充
机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； University of California San Diego（加利福尼亚大学圣地亚哥分校） ； Macquarie University（麦考瑞大学） ； Adobe Research（Adobe 研究院）
AI总结 研究针对TTS模型难以细粒度控制说话风格的问题，提出AutoSIFT框架，将风格分解为可描述和残余两类，通过广义风格解缠器和任意风格填充器，可在保留残余风格时替换指定风格类别，实现高度可定制的语音生成。
高维高斯均值估计在可实现污染下的研究
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣迭戈分校）
AI总结 研究在可实现ε污染模型下高斯分布均值估计问题，提出信息-计算差距，显示算法需更多样本或指数时间，同时给出近似匹配下界的方法。
视觉语言模型中的自我中心偏差
机构 * Cognitive Science Program, University of California, Berkeley（加州大学伯克利分校认知科学项目） ； 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） ； School of Computer Science, Georgia Institute of Technology & Emory University（佐治亚理工学院计算机科学学院及埃默里大学） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Cognitive Science, University of California San Diego（加州大学圣地亚哥分校认知科学系） ； Equal Advising Department of Computer Science & Wilmer Eye Institute, Johns Hopkins University（约翰霍普金斯大学计算机科学系及威尔默眼科研究所） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Weinberg Institute for Cognitive Science, University of Michigan（密歇根大学韦恩伯格认知科学研究所）
AI总结 本文提出FlipSet基准，揭示视觉语言模型在第二级视觉视角推理中存在系统性自我中心偏差，表明模型在整合社会认知与空间操作方面存在根本性不足。
Comments Accepted at CogSci 2026 (Best Undergraduate Student Paper)
LapSurgie: 人形机器人通过远程操控手持腹腔镜进行手术
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） ； School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院） ； UC San Diego Health（加州大学圣地亚哥医学中心）
AI总结 LapSurgie是一种基于人形机器人的腹腔镜远程操控框架，通过逆映射策略实现精准手到工具控制，并通过用户研究验证了其在微创手术中的可行性。
坐标缺失或损坏情况下的线性回归
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） ； University of California, Davis（加州大学戴维斯分校）
AI总结 研究高斯协变量下多变量线性回归在数据可能被擦除或损坏时的情况，通过建立新信息论下界刻画误差，得出缺失数据与损坏数据设置中最优误差匹配，知道损坏位置无普遍优势的结论。
面向LLM代理的低延迟欺诈检测层：用于检测对抗性交互模式
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Indiana University Bloomington（印第安纳大学布卢明顿分校）
AI总结 本文提出一种低延迟欺诈检测机制，通过交互轨迹的结构化运行时特征检测对抗性交互模式，采用轻量模型实现实时部署，实验表明交互层面行为检测应成为LLM代理部署时的核心防护措施。
可学习的混合纳什均衡具有集体理性
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 研究将博弈学习扩展到非渐近稳定性动态，通过一致稳定性概念，发现一致稳定的混合均衡是弱帕累托最优，还表明其决定特定动态过程的收敛行为，揭示混合纳什均衡附近个体行为能导致集体理性。
先聚类再嵌入：一种可视化的模块化方法
机构 * Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校） ； Halıcıoğlu Data Science Institute, University of California, San Diego（Halıcıoğlu数据科学研究所，加州大学圣地亚哥分校）
AI总结 研究针对t-SNE和UMAP在可视化时扭曲数据全局几何结构的问题，提出先聚类再嵌入的模块化方法，经多数据集实验验证，此方法在保持竞争力的同时更具透明度。
超越大语言模型：一种从叙事文本生成因果图的语言学方法
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 该研究提出从叙事文本生成因果图的框架，先以LLM提取顶点，引入含七个语言特征的“专家索引”并集成到分类模型，结合RoBERTa嵌入提升因果关系识别精度，经五次迭代提示构建因果图，实验证明其优于GPT-4o和Claude 3.5，还提供开源工具。
Comments published at the 7th Workshop on Narrative Understanding, NAACL 2025
OREN：八叉树残差网络用于实时欧几里得符号距离映射
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电子与计算机工程系）
AI总结 OREN结合八叉树插值的显式先验和神经网络回归的隐式残差，实现高效且可微的非截断SDF重建，优于现有方法的准确性和效率。
Comments Accepted to IEEE/RSJ International Conference Intelligent Robots & Systems (IROS) 2026
EgoVerse：一个用于机器人学习的视点人类数据集
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； ETH Zürich（苏黎世联邦理工学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Meta Reality Labs Research（Meta现实实验室） ； Mecka AI ； Scale AI
AI总结 EgoVerse通过统一的数据收集、处理和访问框架，提供丰富的人类操作行为数据，促进机器人学习，并通过大规模研究验证了人类数据与机器人学习目标的一致性对性能的影响。
MLS-Bench：对构建更好AI的AI系统的全面且严格评估
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。
用于流匹配的带重要性权重的分数正则化联合采样
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 针对流匹配模型在有限采样预算下估计函数期望难的问题，提出非IID采样框架，用分数正则化平衡多样性与质量，还开发非IID流样本重要性加权方法，提升了流匹配模型输出的可靠表征。
预印本：迈向人工通用智能的范畴论比较框架
机构 * Cognodata R+D & Universidad Autonoma de Madrid（Cognodata研发与马德里自治大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文旨在构建一个通用的范畴论框架，用于描述、比较和分析不同的人工通用智能架构，揭示其共同点与差异，并指导未来研究。
Comments 37 pages, 7 figures, 1 table
即时表达性高斯头部虚拟化身，帧率超过100 FPS
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA（英伟达）
AI总结 提出一种前馈编码器流水线，将单张野外图像转换为3D一致、快速且富有表现力的可动画化表示，通过轻量级局部融合策略实现高动画表现力，运行速度达107.31 FPS。
Comments Project website is https://research.nvidia.com/labs/amri/projects/instant4d
打破数据对称性是特征学习核泛化所必需的
机构 * CFIS UPC（UPC 计算机科学与信息系） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 研究特征学习核在代数任务中的“grokking”现象，发现泛化仅在训练集对称性被打破时发生，并通过恢复数据中的不变群作用实现泛化。
Comments Accepted to the 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026)
RN-D：用于同策略强化学习的离散化分类演员
机构 * University of California San Diego, La Jolla, USA（加州大学圣地亚哥分校）
AI总结 提出离散化分类演员替代高斯演员，结合正则化网络形成RN-D，在同策略RL中实现连续控制的最优性能。
Comments Accepted by ICML 2026
神经网络表示在叠加中的相似性
机构 * Cold Spring Harbor Laboratory（冷泉港实验室） ； UC San Diego（加州大学圣地亚哥分校） ； Anthropic（Anthropic公司） ； New York University Flatiron Institute（纽约大学Flatiron研究所）
AI总结 研究线性对齐度量在神经网络叠加表示中的失效问题，通过理论推导和稀疏自编码器实验证明对齐度量受投影Gram矩阵影响，并展示基于恢复潜在特征的度量能正确反映特征共享。
Comments 17 pages, 4 figures
LLM评估者真的是自恋者吗？对自我偏好评估的健全性检查
机构 * Department of Machine Learning, Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学机器学习系） ； Department of Computer Science and Engineering, University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Computer Science, University of Virginia, Charlottesville, VA, USA（弗吉尼亚大学计算机科学系） ； Martian Research, San Francisco, California, USA（火星研究公司） ； Apart Research, San Francisco, California, USA（Apart研究公司）
AI总结 通过比较评估者自我评价与评价其他模型时的投票分布，发现仅51%的先前结果具有统计显著性，表明自我偏好主要由评估者质量而非自恋驱动。
Comments ICML 2026 Main
基于模型的鲁棒方法用于具有未知Lévy过程动力学的连续时间策略评估
机构 * Department of Mathematics, University of California, San Diego, CA 92093, United States（加州大学圣地亚哥分校数学系） ； Department of Statistics and Data Science, University of California, Los Angeles, CA 90095, United States（加州大学洛杉矶分校统计学与数据科学系）
AI总结 针对含布朗和Lévy噪声的连续时间策略评估问题，提出基于模型的框架，通过最大似然估计与迭代尾部校正机制恢复未知系数，并建立策略评估误差的理论界。
Comments 32 pages, 10 figures
医疗AI的全局日志
机构 * Harvard Medical School（哈佛医学院） ； University of Oxford（牛津大学） ； Institute for Ethics in AI（人工智能伦理研究所） ； Cosmos Institute（宇宙研究所） ； Harvard Medical School and Clalit Research Institute（哈佛医学院和Clalit研究机构） ； University of California, San Diego（加州大学圣地亚哥分校） ； Joan and Irwin Jacobs Center for Health Innovation（乔安和伊万·雅各布健康创新中心） ； Oxford University Clinical Research Unit（牛津大学临床研究中心） ； Icahn School of Medicine at Mount Sinai（辛格纳医学中心） ； The Hasso Plattner Institute for Digital Health at Mount Sinai（辛格纳医学中心数字健康研究所） ； ETH Zurich（苏黎世联邦理工学院） ； University Hospital, University of Bern（伯恩大学医院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Google DeepMind（谷歌DeepMind） ； The Mount Sinai AI Assurance Lab（辛格纳医学中心人工智能保证实验室） ； University of Birmingham（伯明翰大学） ； PATH（PATH组织） ； Seattle Children’s Hospital（西雅图儿童医院） ； Department of Pediatrics, University of California, San Diego（加州大学圣地亚哥分校儿科部） ； Kaiser Foundation Health and Hospitals（凯撒基金会健康与医院） ； e-Patient Dave, LLC（e-Patient Dave公司） ； Regional Office for Europe, World Health Organization（世界卫生组织欧洲地区办公室） ； University of Malta（马耳他大学） ； Centre for Tropical Medicine and Global Health, University of Oxford（牛津大学热带医学与全球健康中心） ； Healthcare Information and Management Systems Society（医疗信息与管理系统协会） ； Clalit Research Institute, Innovation Division, Clalit Health Services（Clalit研究机构创新部门，Clalit健康服务） ； Microsoft Research（微软研究院） ； Gates Foundation（比尔及梅琳达·盖茨基金会） ； Computational Health Informatics Program, Boston Children’s Hospital（波士顿儿童医院计算健康信息学项目）
AI总结 提出MedLog协议，为医疗AI系统提供事件级日志记录，包含九个核心字段，并在多个部署中验证其监测模型行为、工作流交互及下游结果的能力。
Comments MedLog website: https://medlogprotocol.ai
基于自注意力的策略梯度用于无模型分布式非线性多智能体博弈
机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Electrical and Computer Engineering, University of California San Diego（电气与计算机工程系，加州大学圣地亚哥分校） ； RoPeRt group, at DIIS - I3A, Universidad de Zaragoza（RoPeRt组，DIIS - I3A，阿拉贡大学）
AI总结 提出一种分布式策略结构，通过策略梯度学习，利用自注意力层处理时变通信拓扑，解决无模型非线性多智能体博弈问题，在多种场景中表现优异。
Comments The paper has been accepted and will be presented at IEEE/RSJ IROS 2026
打破镜像：基于激活的LLM评估者自我偏好缓解方法
机构 * University of Virginia（弗吉尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； School of Computer Science（计算机科学学院）
AI总结 针对LLM评估者自我偏好偏见，提出轻量级引导向量方法，在推理时无需重训练即可将不公正自我偏好降低97%，但存在稳定性问题。
Comments Presented at {Mechanistic Interpretability, Evaluations, Reliable-ML} Workshops, NeurIPS 2025
面向高效视频大语言模型的sink-token感知剪枝：用于细粒度视频理解
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国高级科学技术研究院） ； Oracle ； University of California, San Diego（加州大学圣地亚哥分校） ； Electronics and Telecommunications Research Institute (ETRI)（电子电信研究院）
AI总结 本文提出Sink-Token-aware Pruning方法，通过识别并抑制semantically uninformative tokens，提升细粒度视频理解性能，在多种基准测试中表现优异。
Comments ECCV 2026
StructSAM: 面向分割一切模型的结构与谱保持令牌合并
机构 * University of Stuttgart（斯图加特大学） ； DFKI ； Max Planck Research School（马克斯·普朗克研究学校） ； University of Oldenburg（奥尔登堡大学） ； Technical University of Darmstadt（达姆施塔特技术大学） ； VinRobotics ； VinUniversity（Vin大学） ； Aalto University（阿莱大学） ； Queensland University of Technology（昆士兰技术大学） ； HUST（华中科技大学） ； Technical University of Denmark（丹麦技术大学） ； University of Arkansas（阿肯色大学） ； UC San Diego（圣地亚哥大学） ； Stanford University（斯坦福大学）
AI总结 针对SAM系列模型，提出StructSAM框架，通过基于梯度能量的令牌评分、网格平坦度筛选和合并-恢复机制，在保持边界和提示信息的同时减少计算量，实现25-30% FLOPs降低且性能损失极小。
Comments Second version
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