高校专区
全景深度估计的基础模型：Depth Any Panoramas
机构 * Insta360 Research（Insta360研究院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 本文提出了一种全景深度估计的基础模型，通过三阶段伪标签流程和优化方法提升模型在不同场景下的鲁棒性和泛化能力。
Comments Project Page: https://insta360-research-team.github.io/DAP_website/
语调和文本传达什么？如何表征意义信息在多个通道中的分布
机构 * UC San Diego（UC圣地亚哥大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Georgetown University（乔治·华盛顿大学）
AI总结 本文提出信息论方法，量化语调和文本在传达讽刺、情绪和疑问性中的信息差异，发现语调在特定条件下信息量显著大于文本。
BigCodeArena: 通过执行揭示更多可靠的代码生成人类偏好
机构 * Monash University（墨尔本大学） ； CSIRO’s Data61（CSIRO的数据61） ； Purdue University（普渡大学） ； Independent（独立） ； HKUST (Guangzhou)（香港科技大学（广州）） ； UCSD（加州大学圣地亚哥分校） ； UVA（弗吉尼亚大学） ； CNRS, France（法国国家科学研究中心） ； IBM ； Cisco（思科） ； Comenius University in Bratislava（布拉提斯拉瓦康门纽斯大学） ； University of Notre Dame（Notre Dame大学） ； Uber ； Tano Labs（Tano实验室） ； NUS（国立大学新加坡） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Tencent AI Lab（腾讯AI实验室） ； University of Washington（华盛顿大学） ； Nevsky Collective（Nevsky集体） ； ETH Zurich（苏黎世联邦理工学院） ； Detomo Inc（Detomo公司） ； University of Oxford（牛津大学） ； UIUC（伊利诺伊大学香槟分校） ； Google（谷歌） ； NVIDIA ； Singapore Management University（新加坡管理学院） ； ServiceNow Research（ServiceNow研究） ； Hugging Face
AI总结 BigCodeArena通过执行揭示更多可靠的代码生成人类偏好，提出自动评分基准评估LLM编码质量。
Comments Built with love by the BigCode community :)
代理神经架构协同设计包（SNAC-Pack）
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室）
AI总结 SNAC-Pack通过多目标优化提升FPGA部署效率，实现高精度与资源利用率的平衡。
Comments NeurIPS 2025 Machine Learning and the Physical Sciences Workshop, 8 pages, 4 figures, 3 tables
FrontierCS: 蒸馏智能面临的挑战
机构 * UC Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； UCSD（加州大学圣迭戈分校） ； X-camp Academy（X-camp学院） ； Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学） ； University of Toronto（多伦多大学） ； UIUC（伊利诺伊大学香槟分校） ； University of Michigan（密歇根大学） ； New York University（纽约大学） ； MIT（麻省理工学院）
AI总结 FrontierCS是一个针对未知最优解的计算机科学开放性问题基准测试，旨在评估模型在算法和研究任务中的推理能力，发现现有模型在复杂问题上仍需提升。
Comments Code with instruction: https://github.com/FrontierCS/Frontier-CS
DreamPRM-Code: 一种基于函数作为步骤的进程奖励模型与标签校正用于LLM编码
机构 * University of California, San Diego（加州大学圣迭戈分校）
AI总结 DreamPRM-Code通过链式函数提示策略和元学习校正机制，提升LLM在编码任务中的表现，达到LiveCodeBench的最高准确率
通过基数修复检验因果主张
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Utah（犹他大学）
AI总结 SubCure通过基数修复方法检验因果分析的稳健性，揭示数据中的潜在漏洞。
快速且准确的因果并行解码使用雅可比强迫
机构 * UC San Diego（UC圣迭戈大学） ； Shanghai Jiao Tong University（上海交通大学） ； Snowflake（Snowflake公司）
AI总结 本文提出雅可比强迫方法，通过渐进蒸馏将AR模型转化为高效的并行解码器，实现3.8倍的速度提升并保持性能，同时引入多块解码与拒绝回收进一步提升效率。
MuseCPBench: 通过音乐情境保持对音乐编辑方法的实证研究
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 MuseCPBench通过系统分析音乐编辑方法的MCP能力，揭示当前技术的保持缺口并提供改进方向。
COMMA：一种基于通信的多模态多智能体基准
机构 * Department of Computer Sciences University of Wisconsin-Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Computer Sciences UC San Diego（计算机科学系加州大学圣地亚哥分校） ； Department of Radiology University of Wisconsin-Madison（放射学系威斯康星大学麦迪逊分校） ； Department of Computer Sciences Department of Biostatistics and Medical Informatics University of Wisconsin-Madison（计算机科学系生物统计学与医学信息学系威斯康星大学麦迪逊分校）
AI总结 COMMA基准通过语言通信评估多模态多智能体系统的协作性能，揭示现有模型在智能体协作中的不足。
Journal ref Transactions on Machine Learning Research, 2025
ReflCtrl: 通过表征工程控制LLM的反思
机构 * CSE, UCSD（计算机科学与工程系，加州大学圣塔克鲁兹分校） ； HDSI, UCSD（人类-数字系统研究所，加州大学圣塔克鲁兹分校）
AI总结 ReflCtrl通过表征工程控制LLM的反思行为，减少冗余推理并提升效率。
Comments Spotlight in NeurIPS 25 MI workshop
基于神经隐式函数的肺段模板引导重建
机构 * ELLIS Institute Finland（埃利斯研究所芬兰分所） ； Aalto University（阿alto大学） ； Department of Computer Science and Engineering（计算机科学与工程系） ； University at Buffalo, SUNY（布法罗大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Yong Loo Lin School of Medicine, National University of Singapore（新加坡国立大学 Yong Loo Lin 医学院）
AI总结 本文提出基于神经隐式函数的肺段重建方法，通过变形可学习模板实现高精度重建，并开发Lung3D数据集提升评估效果。
Comments Manuscript accepted by Medical Image Analysis, 2025
利用神经崩溃进行木马清理
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文通过神经崩溃现象，提出了一种轻量且通用的机制，用于清除多种网络架构中的木马攻击。
RapVerse: 从文本歌词生成连贯的唱声与全身动作
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Wuhan University（武汉大学） ； UC San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Dolby Laboratories（杜比实验室）
AI总结 RapVerse通过统一生成框架，从文本歌词生成连贯唱声与全身动作，实现多模态统一建模，提升生成效果与基准性能。
Comments ICCV 2025, Project website: https://jiabenchen.github.io/RapVerse/
密度估计中的最优近似因子
机构 * Google Brain（谷歌大脑） ； University of California, San Diego（加州大学圣地亚哥分校） ； Princeton University（普林斯顿大学）
AI总结 本文研究了密度估计中最优近似因子问题，通过自适应和静态方法证明在允许输出任意密度时，近似因子可降至2，展示了不当学习的优势。
语法对齐解码
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）
AI总结 本文提出语法对齐解码（GAD）方法，通过适应性采样与近似期望未来（ASAp）算法，提升语法约束下生成输出的质量和概率匹配度。
Comments Accepted to NeurIPS 2024
通过概率自动机实现语言模型的水印
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出基于概率自动机的新型语言模型水印方案，兼顾生成多样性和不可检测性，实验验证其在鲁棒性和效率上的优势。
神经网络参数空间中的对称性
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Northeastern University（东北大学）
AI总结 本文探讨了神经网络参数空间中的对称性，分析其对优化、泛化和模型复杂性的影响，并总结了相关研究的现状与未来方向。
Comments Published in Transactions on Machine Learning Research (TMLR)
LucidAtlas: 学习具有不确定性意识、协变量解耦、个性化的大纲表示
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； UCSD（加州大学圣地亚哥分校）
AI总结 LucidAtlas 通过学习具有不确定性意识和协变量解耦能力的个性化大纲表示，提升医学数据中个体与群体变异的分析与预测能力。
Comments 28 pages
TreeGRPO：基于树优势的在线强化学习后训练扩散模型
机构 * UC San Diego（圣迭戈大学） ； MIT（麻省理工学院）
AI总结 TreeGRPO通过树结构提升扩散模型后训练效率，实现2.4倍加速并优于基线方法。
CVP：基于中央-外围视觉的多模态模型用于空间推理
机构 * UC San Diego（圣迭戈大学） ； Lambda, Inc（Lambda公司）
AI总结 CVP通过结合中央视觉和外围视觉的启发，提出了一种多模态模型，以提升复杂3D环境的空间推理能力。
Comments Accepted to WACV 2026
测量度量：跨模型家族的表征相似性度量的判别能力
机构 * Department of Computer Science and Engineering, UC San Diego（计算机科学与工程系，UC San Diego） ； Department of Electrical and Computer Engineering, UC San Diego（电气与计算机工程系，UC San Diego） ； Department of Cognitive Science, UC San Diego（认知科学系，UC San Diego）
AI总结 本文通过系统评估不同表征相似性度量的判别能力，揭示了软匹配在跨模型家族分离中的最优表现，为大规模模型和脑比较提供了度量选择依据。
Comments update camera ready
阐明的滚动扩散模型用于复杂动态的概率预报
机构 * UC San Diego（斯克利普斯海洋研究所（圣地亚哥）） ； NVIDIA（英伟达）
AI总结 ERDM通过整合滚动预测结构与EDM设计，有效提升复杂动态的概率预报性能。
Comments NeurIPS 2025
Journal ref Advances in Neural Information Processing Systems (NeurIPS), 2025
PRO-V-R1：基于推理增强的RTL验证编程代理
机构 * University of California San Diego（加州大学圣地亚哥分校） ； NVIDIA（NVIDIA公司）
AI总结 PRO-V-R1是一种基于推理增强的开源框架，通过结合LLM推理与编程工具，提升RTL验证的功能正确性和故障检测能力。
GSPN-2：高效的并行序列建模
机构 * NVIDIA ； The University of Hong Kong（香港大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 GSPN-2通过结构化矩阵变换和GPU优化实现，提升视觉应用中全局空间上下文建模的效率。
Comments NeurIPS 2025
FASTer：通过神经动作分词实现高效的自回归视觉语言动作建模
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Galaxea AI ； Tianjin University（天津大学） ； Hong Kong University（香港大学） ； UCSD（加州大学圣地亚哥分校）
AI总结 FASTer通过神经动作分词实现高效自回归视觉语言动作建模，提升机器人学习的推理效率和任务性能。
对中文语言模型进行系统评估：基于语言最小配对的基准测试
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Glasgow（格拉斯哥大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出ZhoBLiMP中文最小配对基准测试，并通过SLLN-LP度量标准评估不同中文语言模型在处理指代、量词和省略等任务上的性能。
Comments Accepted by TACL
Hankel-FNO：通过物理编码的傅里叶神经算子实现快速水下声学制图
机构 * College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou, China（信息科学与电子工程学院，浙江大学，杭州，中国） ； Scripps Institution of Oceanography, University of California San Diego, La Jolla, California 92093, USA（Scripps 海洋研究所，加州大学圣地亚哥分校，La Jolla，加利福尼亚州 92093，美国）
AI总结 Hankel-FNO通过物理编码的傅里叶神经算子实现高效准确的水下声学制图，优于传统求解器和数据驱动方法。
BeLLA：端到端的鸟瞰图大语言助手用于自动驾驶
机构 * UC San Diego（加州大学圣地亚哥分校） ； Robert Bosch Corporate Research India（博世印度公司研究）
AI总结 BeLLA通过端到端架构连接统一的360°鸟瞰图表示与大语言模型，提升自动驾驶中的空间推理和问答能力。
高斯摆动：基于表面的使用3D高斯的气动模拟框架
机构 * UC San Diego（UC圣迭戈大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出Gaussian Swaying框架，通过3D高斯连续建模表面，实现高效且细致的气动模拟，适用于视觉和图形中的真实感渲染。
Comments Accepted to WACV 2026
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