高校专区
重要的不是你说了什么，而是你怎么说：评估大语言模型对信念表达的回应
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 研究用户信念表达形式对大语言模型的影响，引入基于语言维度的类型学，生成可控查询对，评估不同架构、规模和训练阶段的16个LLMs，发现响应行为差异及能显著说服模型的特定信念表达，揭示语言框架对模型情境整合的影响。
Comments Published at ACL 2026
TranSplat：基于高斯点云的即时物体光照重置
机构 * Rice University（里士大学） ； University of Maryland（马里兰大学） ； Stony Brook University（石溪大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 TranSplat在高斯点云框架中实现物体即时准确光照重置，通过BRDF无关的辐射传输策略，利用源和目标环境图的每法线辐照比调节球谐函数外观系数，无需显式材质估计，实现视点依赖和光泽外观的处理。
Comments ICCP 2026
用于有效规划和工具使用的流内智能体系统优化
机构 * Stanford University（斯坦福大学） ； Texas A&M University（德克萨斯农工大学） ； UC San Diego（圣地亚哥大学） ； Lambda Website（Lambda网站）
AI总结 研究针对大语言模型中工具增强方法的不足，提出可训练的流内智能体框架AgentFlow及Flow-GRPO训练方法，通过协调模块优化规划器，在多基准测试中表现优异，展现流内优化优势。
Comments 47 pages, 12 figures. ICLR 2026 Oral. Project website: https://agentflow.stanford.edu/
从距离到轨迹：无人机的实时带符号距离函数映射与距离加速运动规划
机构 * UC San Diego（加州大学圣地亚哥分校） ； Shield AI（护盾人工智能公司）
AI总结 研究针对无人机在杂乱环境中的自主飞行，提出围绕带符号距离函数协同设计映射与规划阶段。开发OREN重建SDF，Bubble$^\star$基于距离信息规划，减少碰撞检查。集成方法在四旋翼飞行器上实时导航，提升SDF估计并快速找到长轨迹。
Comments 25 pages, 10 figures, 5 tables
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。
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。
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)
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)
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。
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。
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
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。
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