高校专区
FlashDrive：面向自动驾驶的Flash视觉-语言-动作推理
机构 * Princeton（普林斯顿大学） ； UC San Diego（加州大学圣迭戈分校）
AI总结 FlashDrive通过算法-系统协同设计解决VLA推理的四个级联瓶颈，使Alpamayo 1.5-10B的端到端自动驾驶延迟降4.7倍，推理频率提升至6.6Hz，逼近实时部署。
Comments 15 pages; 8 figures
Mechanist：作为科学仪器的AI，用于发现智能的机制
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Heriot-Watt University（赫瑞瓦特大学） ； Southern University of Science and Technology（南方科技大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Northeastern University（东北大学）
AI总结 本研究推出智能体系统Mechanist，以AI为科学仪器自主发现AI智能机制，其生成假设更有价值、实验更可靠，还能发现安全风险、构建信念机制理论并转化为提升模型性能的干预措施。
Comments Work in progress
基于公共领域电影集的对话感知视频到音乐生成
机构 * University of California San Diego（加利福尼亚大学圣地亚哥分校） ； University of Michigan（密歇根大学）
AI总结 该研究针对视频到音乐生成的可复现性问题，构建了OSSL-v2数据集，提出用对话作为条件信号的方法，在电影上评估后性能优于现有基线。
生成式引擎的机制设计：从利用到双赢结果
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 针对生成式引擎引用竞争引发的引用战争问题，本文将供给方与平台互动建模为重复斯塔克尔伯格博弈，提出VCR机制，实验显示其防御效用优于基线且能实现双赢。
FACT：面向世界-动作模型的故障感知因果训练方法
机构 * University of California San Diego（加州大学圣迭戈分校）
AI总结 FACT是一种故障感知因果世界-动作模型，通过将错误动作转化为训练目标，在模拟与真实双臂操作任务中提升了世界-动作模型的性能，减少了成功偏差导致的未来幻觉。
学习世界如何演化：基于潜动态推理的外推视频世界模型
机构 * UCSD（加利福尼亚大学圣迭戈分校） ； Adobe（奥多比公司）
AI总结 针对主流视频扩散模型未建模像素时间转换的问题，提出LDR方法，在PhyWorld基准上实现更优动态外推，参数更少、速度更快，是首个能泛化至训练分布外的视频世界模型
Comments Project page: https://lat-dyn-reason.github.io/
从可及性残差到任意时刻有效的证据：投注检验的在线凸几何
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究通过在线凸优化与投注检验的关联，构建了可及性残差与任意时刻有效证据的理论框架，给出有限时间下的检验误差界，实现了多种统计检验场景的统一。
重新思考基于学习的影响力最大化：简单神经代理与原生离散搜索
机构 * UC San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究针对现有基于学习的影响力最大化框架的不足，提出SIMBA框架，采用轻量级神经代理与原生离散搜索，缩短求解时间并提升影响力传播与数据效率。
神经劳动分工：用于鲁棒神经形态计算的生物启发式模块化架构
机构 * University of California San Diego（加州大学圣地亚哥分校） ； University of Alberta（阿尔伯塔大学） ； University of Alabama（阿拉巴马大学）
AI总结 本文提出可分解脉冲神经网络（D-SNN），采用生物启发模块化架构，在减少参数与突触操作的同时，实现鲁棒性与决策透明性，为边缘神经形态计算提供高效方案。
Comments 39 pages, 7 figures
超越注意力：BiomeGPT式微生物组Transformer中的符号化集成梯度归因
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究针对BiomeGPT式微生物组Transformer的注意力权重局限，提出符号化集成梯度归因方法，结合二阶集成海森矩阵，可区分致病与保护性微生物信号，揭示群落相互作用规则，提升模型可解释性
Comments 15 pages, 6 figures. Code: https://github.com/nohren/token-source-attribution
超越路由权重：基于贡献对比的混合专家奖励模型的忠实响应级解释
机构 * Saarland University（萨尔大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校） ； Bielefeld University（比勒费尔德大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
AI总结 针对MoE奖励模型现有路由权重解释的局限性，本文提出CoCo响应级解释方法，经评估其解释质量更优且奖励建模准确率有竞争力，是该领域首个系统研究。
BaKron：基于克罗内克因式分解海森矩阵的高效量化方法
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 BaKron是一种高效神经网络量化算法，通过结合反对角并行与递归分治结构，将计算量从O(m²n²)降至O(mn(m+n))，兼具GPTQ的缩放效率与更丰富的曲率信息，且对基础量化器和海森估计器模块化。
统一智能体：管理跨设备交互
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文针对现有智能体跨设备交互场景的不足，提出带紧凑状态设计的统一智能体，构建对应基准数据集，其性能显著优于多种现有设计，且在不同MLLM设置下表现鲁棒。
基于CNN-BiLSTM模型的可穿戴传感器久坐行为分类
机构 * Halıcıoğlu Data Science Institute, University of California, San Diego（加州大学圣迭戈分校哈利乔格鲁数据科学学院） ； Herbert Wertheim School of Public Health and Human Longevity Science, University of California, San Diego（加州大学圣迭戈分校赫伯特韦特海姆公共卫生与人类长寿科学学院） ； Department of Computer Science and Engineering, University of California, San Diego（加州大学圣迭戈分校计算机科学与工程系） ； Center for Children’s Healthy Lifestyles & Nutrition, Children’s Mercy Kansas City, University of Missouri-Kansas City（密苏里大学堪萨斯城分校儿童慈善医疗堪萨斯城分院儿童健康生活方式与营养中心） ； Kaiser Permanente Washington Health Research Institute（凯撒永久华盛顿健康研究所） ； Department of Kinesiology and Nutrition, University of Illinois Chicago（芝加哥伊利诺伊大学运动机能学与营养系）
AI总结 本研究提出基于髋部加速度计数据预训练的CNN-BiLSTM模型CHAP，可迁移至腕部数据实现坐/非坐分类，微调后性能优于从头训练的Transformer，为腕部传感器久坐行为检测提供了有效方案。
智能体商业世界：一种可审计可验证的氛围式商业环境
机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； Springbrand（斯普林布兰德公司） ； Northwestern University（西北大学） ； Rutgers University（罗格斯大学） ； Arizona State University（亚利桑那州立大学） ； University of California San Diego（加州大学圣迭戈分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MBZUAI（Mohamed bin Zayed 人工智能大学） ； Microsoft AI（微软人工智能部门）
AI总结 该研究提出智能体商业世界（ACWorld）环境，通过氛围式商业协议（VCP）实现可审计可验证的氛围式商业智能体评估，构建含两类轨道的基准并验证模型性能，分析得出过程级证据对评估智能体的必要性。
强化学习与控制的基础：联系与新视角
机构 * University of Technology Nuremberg（纽伦堡工业大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Alberta（阿尔伯塔大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of California San Diego（加州大学圣迭戈分校）
AI总结 本教程围绕强化学习与控制理论的联系与差异，介绍自适应控制、演员-评论家强化算法及二者结合的新方法，助力跨领域专家理解对方工具方法。
Comments INFORMS tutorial
兰齐凉廊：基于三维摄影测量的AI热成像增强对比研究
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； Washington and Lee University（华盛顿与李大学） ； Editech（爱迪泰克公司）
AI总结 该研究以佛罗伦萨兰齐凉廊为对象，通过对比原生分辨率、FLIR UltraMax硬件超分辨率及AI上采样模型的热成像效果，为文化遗产热成像摄影测量工作流程提供了硬件与AI超分辨率的直接对比数据，相关数据集公开并集成到扩展现实应用中。
Comments 19 pages, 10 figures, to be presented at the 8th International Symposium on Cultural Heritage Conservation by Digitization (CHCD2026) in Beijing
FinHardBench：大语言模型能否生成面向金融计算的延迟感知硬件？
机构 * Lehigh University（里海大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； NYU Tandon School of Engineering（纽约大学坦登工程学院） ； NYU Abu Dhabi（纽约大学阿布扎比分校）
AI总结 本文提出面向金融FPGA设计的开源基准FinHardBench，通过三类实验评估6种大语言模型，发现其在功能正确性、系统级配置优化等方面存在差异，策略级规格变更问题仍待解决。
Comments 16 pages (10 pages main text). Published as a conference paper at COLM 2026. Code and benchmark: https://github.com/owenfucell/FinHardBench
顶点插入时可增大的棱锥宽度
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究针对2015年的棱锥宽度不会因顶点插入而增大的猜想，构造三维整数多面体反例，证明顶点插入可增大棱锥宽度，相关证明附带精确验证工具。
它认为有多难？分析大型语言模型思维链轨迹中感知步骤的推理能量
机构 * UC Merced（加州大学默塞德分校） ； UC San Diego（加州大学圣迭戈分校） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（奥多比研究院）
AI总结 该研究提出SARE框架量化LLM思维链各步骤的推理能量，发现推理能量不均匀、错误轨迹关键节点能量更低，SARE特征性能优于或匹配输出置信度基线，揭示内部几何动态含预测信息。
Comments 13 pages, 3 figures
面向LLM智能体的基于文件系统的内存：组织、演化与可持续性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； University of California, Merced（加利福尼亚大学默塞德分校） ； Adobe Research（奥多比研究院） ； Texas A&M University（德克萨斯农工大学）
AI总结 本研究首次系统探索面向LLM智能体的基于文件系统的内存，定义三个智能体角色开展实验，发现有组织存储可减半检索成本，但多数智能体组织会退化，工具集对存储形态的影响与更换模型相当，将文件系统设为智能体内存的设计空间。
Comments 59 pages, 12 figures, 18 tables
收线：通过线操作实现自主缝合的柔性缝针拾取
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； UC San Diego Health（加州大学圣迭戈分校健康中心）
AI总结 本研究提出一种基于缝合线辅助的自主缝针拾取框架，通过线操作实现间接拾取，可应对缝针被遮挡或不可接近等场景，提升了自主缝合的鲁棒性。
Comments Accepted to IROS 2026
MegaSlide-DiT：用于高效视频扩散的以内存为中心的自适应和可变形局部注意力
机构 * Trendinsight Lab / UC San Diego（趋势洞察实验室/加州大学圣地亚哥分校）
AI总结 研究针对高分辨率视频扩散模型内存消耗大问题，提出MegaSlide-DiT，通过让GPU不持有模型状态及用3D-DSA取代全局注意力，降低内存和计算复杂度，实现105B DiT在单H200 GPU上的适配，为大规模视频扩散模型全参数适配提供实用路径。
语言模型会收敛到自身吗？递归自精炼作为文本松弛
机构 * Pfizer（辉瑞公司） ； University of California San Diego（加利福尼亚大学圣地亚哥分校） ； Institute for Medical Philosophy and Future Artificial Intelligence（医学哲学与未来人工智能研究所） ； Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； Institute of Humanities and Social Science Data, Fudan University（复旦大学人文社会科学数据研究所）
AI总结 研究大语言模型递归自精炼工作流程的长期动态。通过生成精炼轨迹并分析多种指标，发现轨迹迅速饱和，编辑多在前几次迭代，确定性解码表现更好，平均编辑幅度呈指数松弛，收敛摘要有多种优势，支持动态系统观点并推动停止标准。
静态和时变网络上的方差减少Q学习
机构 * Department of Electrical and Computer Engineering, North Carolina State University（北卡罗来纳州立大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, University of California San Diego（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
AI总结 研究多个智能体在同一MDP下的分散强化学习问题，提出基于轮次的分布式Q学习算法VRDQ，该算法在静态和时变网络中能实现高概率有限时间收敛，样本复杂度加速且通信量仅需\(\tilde{O}(1)\)，改善了通信成本。
Comments Accepted at the 2026 American Control Conference (ACC 2026)
AgentKVShift：用于智能体记忆系统的高效KV缓存重用
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究针对内存增强语言模型智能体推理成本高的问题，提出无训练、探针引导的AgentKVShift方法，通过估计内存级偏移量校正重用令牌，在多语言模型和基准测试中表现出色，实现低重新计算量和预填充加速，还能与缓存量化正交组合提升性能。
视觉对比自蒸馏
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； Duke University（杜克大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 研究提出视觉对比自蒸馏（VCSD），将图像内容去除转换为策略内自蒸馏信号，通过对比突出相关候选者，锐化教师原始图像分布并蒸馏到学生中，在多个模型上优于匹配的OPSD，且无需外部教师等额外条件。
Comments 15 pages
人工智能助手过度协助
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 研究探讨大语言模型作导师时，其干预方式对学习的影响。介绍Int-Bench基准，模拟学生解题、教师决定干预。在多领域评估大语言模型教师干预情况，并与人类对比，发现其干预频繁且倾向提供完整方案，表明为短期成功而非深层学习优化。
机器可自动发现参数函数以对高能物理数据建模
机构 * University of Pennsylvania, USA（宾夕法尼亚大学） ； European Organization for Nuclear Research (CERN), Switzerland（欧洲核子研究中心） ； University of Cambridge, UK（剑桥大学） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； University of California San Diego, USA（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Institute for Artificial Intelligence（人工智能研究所）
AI总结 研究高能物理数据分析中为分箱数据找合适函数建模的问题，核心方法是用符号回归实现自动化，主要贡献是展示SymbolFit软件包，在双喷注谱演示中取得良好效果，如生成众多拟合函数，部分运行重新发现已用函数。
Comments 6 pages. to be presented at ICHEP 2026
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
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