高校专区
在测试时间学习以发现
机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； Astera Institute（Astera研究院） ； UC San Diego（加州大学圣地亚哥分校） ； Together AI
AI总结 通过在测试时间进行强化学习，TTT-Discover方法在多个科学领域实现了新的前沿状态，利用开放模型和公开代码实现高效解决方案。
Comments Code: https://github.com/test-time-training/discover
学习计划与调度的强化学习双臂机器人技能
机构 * NVIDIA ； 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强化学习的双臂机器人技能计划与调度框架，通过分层结构提升复杂任务的执行效率与协调性。
Double-P: 分层Top-P稀疏注意力机制用于长上下文LLM
机构 * ucsd（加州大学圣迭戈分校） ； umich（密歇根大学） ； qualcomm（高通AI研究） ； nvidia
AI总结 Double-P通过分层Top-P稀疏注意力机制，优化长上下文LLM的解码效率，实现更高的准确性和更快的处理速度。
神经场的频谱预滤
机构 * University of California San Diego La Jolla CA USA ； Inria, Universit\'e C\ ote d'Azur Sophia Antipolis France ； University of California San Diego ； Inria, Universit\'e C\ ote d'Azur
AI总结 本文提出一种通过单次前向传递实现神经场频谱预滤的方法，利用闭合形式调制支持多种滤波器，提升滤波效果与效率。
Comments 16 pages, 10 figures, Website: https://myaldiz.info/assets/spnf
Journal ref Proceedings of the SIGGRAPH Asia 2025 Conference Papers, Article No. 87, pp. 1-12, 2025
BACHI：通过掩码迭代解码实现流行与古典音乐的边界感知符号和弦识别
机构 * University of California San Diego, USA（加州大学圣地亚哥分校）
AI总结 BACHI通过掩码迭代解码实现流行与古典音乐的边界感知符号和弦识别，引入增强数据集并提出分解任务的模型，提升识别性能。
Comments Accepted by IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), 2026
跨类别标签多集成用于组件识别（MILCCI）
机构 * The Johns Hopkins University（约翰霍普金斯大学） ； UCSD（加州大学圣迭戈分校）
AI总结 MILCCI通过跨类别标签多集成方法，识别数据中的可解释组件并分析标签对数据表示的影响。
ConvexBench: LLMs能否识别凸函数？
机构 * UC Santa Barbara（加州大学圣芭芭拉分校） ； University of Pennsylvania（宾夕法尼亚大学） ； UC San Diego（加州大学圣地亚哥分校） ； The Ohio State University（俄亥俄州立大学）
AI总结 ConvexBench通过分治框架解决LLM在深度函数组合中识别凸性的挑战，显著提升大深度下的性能。
深度矩阵分解中极小点的锐度
机构 * Department of Electrical and Computer Engineering, University of California, San Diego, La Jolla, CA（电气与计算机工程系，加州大学圣地亚哥分校，拉古拉，CA）
AI总结 本文提出了深度矩阵分解中极小点锐度的精确表达式，并揭示了谱范数平衡与平坦性的关系。
Comments 18 pages, 7 figures
推理编译器：基于大语言模型的高效模型服务优化
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 推理编译器利用大语言模型进行编译优化，通过上下文感知决策提升样本效率，实现高效模型服务。
Comments NeurIPS 2025
融合ChemProt-DrugProt用于生物医学文献中的关系提取
机构 * San Diego Supercomputer Center, University of California San Diego 1 ； Department of Computer Science \& Engineering, University of California San Diego 2 ； Department of Computer Science, Virginia Commonwealth University 3
AI总结 本文通过融合ChemProt和DrugProt数据集，结合BioBERT和GCNs提升生物医学文献中化学-基因关系提取的准确率与召回率。
如何通过扩散模型使拉格朗日量引导安全强化学习？
机构 * University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Kyoto University（京都大学） ； King's College London（伦敦国王学院） ； University of Sheffield（谢菲尔德大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 本文提出ALGD算法，通过增强拉格朗日方法解决安全强化学习中的稳定性问题，实现稳定有效的政策生成。
在Grokking后期阶段的泛化崩溃：用Weightwatcher检测anti-grokking
机构 * University of California San Diego, Data Science and Engineering（加州大学圣地亚哥分校数据科学与工程）
AI总结 本文研究了Grokking后期阶段的泛化崩溃现象，通过WeightWatcher工具检测anti-grokking，并揭示了相关陷阱对泛化能力的影响。
Comments 27 pages
非侵入式颈部声学传感用于自动吞咽障碍筛查
机构 * Jacobs School of Engineering, University of California San Diego（加州大学圣地亚哥分校 Jacobs 工程学院） ； Department of Biomedical Engineering, Duke University（杜克大学生物医学工程系） ； 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） ； Department of Otolaryngology-Head and Neck Surgery, University of California San Diego（加州大学圣地亚哥分校耳鼻喉科与头颈外科系）
AI总结 本文提出利用非侵入式颈部声学传感与机器学习，实现吞咽障碍的自动化筛查，实验结果显示AUC-ROC达到0.904。
Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)
金 Goose：从不可验证的互联网文本中合成无限 RLVR 任务的简单技巧
机构 * NVIDIA（NVIDIA公司） ； University of Washington（华盛顿大学） ； University of California San Diego（圣地亚哥大学）
AI总结 Golden Goose 通过从不可验证的互联网文本中合成无限 RLVR 任务，提升大型语言模型在复杂推理和网络安全领域的性能。
安全随机探索者：在随机环境中实现安全目标驱动探索和与未知物体的安全交互
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 Safe Stochastic Explorer 提出了一种在随机环境中安全、目标驱动的探索框架，通过高斯过程在线学习安全函数，平衡安全性和信息收集，以提高机器人在未知环境中的自主能力。
HumanStudy-Bench: 向参与者模拟的AI代理设计迈进
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
AI总结 HUMANSTUDY-BENCH通过代理设计问题重建人类受试者实验，评估代理行为与人类行为的一致性，涵盖个体认知、战略互动和社会心理学领域。
通过潜在嵌入学习模态混合的思考链推理
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出模态混合CoT方法，通过潜在嵌入结合视觉与文本信息，提升多模态推理性能。
ChipBench: 用于评估LLM在人工智能辅助芯片设计中的性能的下一步基准
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学）
AI总结 ChipBench提出了一项全面的基准测试，用于评估LLM在人工智能辅助芯片设计中的性能，揭示了现有模型在关键任务上的显著性能差距，并提供自动化工具箱促进相关研究。
推荐系统中实体匹配的评估
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出Reddit-Amazon-EM数据集，通过手动标注评估推荐系统中实体匹配方法，为相关研究提供可复现的资源。
使用多模态语义扰动检测VLMs中的污染
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） ； Kookmin University（韩国庆北大学）
AI总结 本文提出了一种基于多模态语义扰动的检测方法，用于识别和验证受污染的视觉语言模型。
Comments Accepted at ICLR 2026
通过依赖感知句子简化和双层级层次精炼实现抗幻觉的关系抽取
机构 * 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） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Alibaba Group（阿里巴巴集团）
AI总结 DEPTH通过依赖感知句子简化和双层级层次精炼提升关系抽取的准确性，将幻觉率降低至7.9%，F1分数提升9.3%。
图最大位移：一种图聚类的爬山方法
机构 * Department of Mathematics, University of California, San Diego（加州大学圣地亚哥分校数学系） ； 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） ； Department of Statistics, George Mason University（乔治·梅森大学统计系）
AI总结 本文提出了一种基于图最大位移的图聚类方法，通过迭代移动节点到度数最高的邻近节点，实现了对随机几何图的渐近一致性聚类。
利用数据说不：基于记忆的插拔式选择预测
机构 * University of Maryland, College Park（马里兰大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Qualcomm AI（高通人工智能） ； Yale University（耶鲁大学） ； Meta AI
AI总结 本文提出基于记忆的插拔式选择预测方法，通过增强视觉语言嵌入来减少方差并改进分数校准，提升图像描述、匹配和细粒度分类性能。
Comments ICLR 2026
FunPRM：基于元奖励校正的函数作为步骤过程奖励模型用于代码生成
机构 * University of California, San Diego（加州大学圣迭戈分校）
AI总结 FunPRM通过元学习的奖励校正机制提升代码生成性能，实现更高质量的代码输出。
DAJ：用于代码生成测试时缩放的数据重加权LLM评判器
机构 * ucsd（加州大学圣地亚哥分校）
AI总结 DAJ通过双层数据重加权学习框架，提升LLM评判器在代码生成测试时缩放中的性能，实现对困难问题和轨迹一致数据的自动强调，取得最佳效果。
Stronger-MAS: 多智能体强化学习用于协作大语言模型
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Intel Corporation（英特尔公司）
AI总结 Stronger-MAS提出了一种针对多智能体强化学习的AT-GRPO算法，通过改进的分组策略和训练系统，在多个任务中显著提升了大语言模型的性能。
研究状态空间模型中文档的可合并性
机构 * Department of Computer Science, University of California San Diego, San Diego, CA, USA（加州大学圣地亚哥分校计算机科学系） ； University of Illinois Urbana-Champaign, Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出文档融合方法，通过模块化编码提升状态空间模型在多跳问答、稀疏检索等任务中的性能，实现高效推理。
BLO-Inst: 基于双层优化的YOLO和SAM对齐以实现鲁棒的实例分割
机构 * Electrical and Computer Engineering, University of California San Diego, CA, US（电子与计算机工程系，加州大学圣地亚哥分校）
AI总结 BLO-Inst通过双层优化对齐YOLO和SAM，提升实例分割的鲁棒性和性能。
脱离顺序思考：当输出顺序不再反映推理顺序时扩散语言模型的表现
机构 * University of California, Riverside, CA, USA（加州大学河滨分校） ； Independent Researcher（独立研究者） ； University of California, San Diego, CA, USA（加州大学圣地亚哥分校）
AI总结 本文提出屏蔽扩散语言模型（MDLMs）在处理输出顺序与推理顺序不一致时展现出的顺序鲁棒性，通过实验验证其在不同基准上的稳定性能。
Comments 18 pages, 13 figures, 5 tables
ScaleSim: 通过调用距离基于的内存管理实现大规模多智能体仿真服务
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Amazon Web Services（亚马逊网络服务）
AI总结 ScaleSim通过调用距离基于的内存管理，提升大规模多智能体仿真的效率，实现1.74倍速度提升。
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