高校专区
当智能体“误忆”时：探索基于大语言模型的多智能体系统中的曼德拉效应
机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Palo Alto Networks（帕洛阿尔托网络公司） ； OPPO Research Institute（OPPO研究院） ； Zhejiang Key Laboratory of Decision Intelligence（浙江决策智能重点实验室）
AI总结 本文研究了基于大语言模型的多智能体系统中的曼德拉效应，提出MANBENCH基准并提出缓解策略，实现74.40%的效应减少。
Comments ICLR 2026
组相对REINFORCE实际上是秘密的非策略算法：解开GRPO及其朋友的一些神话
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Alibaba Group（阿里巴巴集团）
AI总结 本文揭示组相对REINFORCE本质上是非策略算法，通过理论分析和实验验证，解开了GRPO及相关算法的一些神话，为LLMs的非策略强化学习提供了新的设计思路。
Comments Accepted to ICLR 2026. arXiv v2 update: add references and experiments
RefTool: 基于参考的工具创建用于知识密集型推理
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王萱计算机技术研究所） ； University of Chicago（芝加哥大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 RefTool通过基于参考的工具创建框架，提升LLMs在知识密集型任务中的推理能力，实现更准确和高效的工具生成与应用。
Comments Accepted by ICLR 2026. Code is available at https://github.com/xxxiaol/RefTool
CMT-Benchmark：由专家研究人员构建的凝聚态理论基准
机构 * Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； University of Zürich（苏黎世大学） ； Stanford Institute for Materials and Energy Sciences（斯坦福材料与能源科学研究所） ； SLAC National Accelerator Laboratory（斯坦福直线加速器实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National Taiwan University（台湾大学） ； San José State University（圣何塞州立大学）
AI总结 CMT-Benchmark通过专家设计的50个凝聚态理论问题评估LLM在物理推理能力上的不足，揭示当前模型在复杂科学问题上的局限性。
Comments CMT-Benchmark dataset is available at https://huggingface.co/datasets/JVRoggeveen/cmt_benchmark. CMT-Benchmark was referenced in the Gemini 3 Deep Think (February 2026) release at https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/
Journal ref International Conference on Learning Representations (ICLR) main conference 2026
探索预测模型性能和泛化能力的跨模型神经元相关性
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本文提出通过跨模型神经元相关性评估模型性能和泛化能力，验证了表示对齐作为轻量级兼容性检查的可行性。
在SFT的泛化上：从强化学习视角的奖励校正
机构 * Southeast University（东南大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 本文提出动态微调方法，通过奖励校正提升SFT的泛化能力，在多个任务中表现优于传统SFT。
Comments ICLR 2026
流形学习与规范化流：走向正则性、表达性与等距黎曼几何
机构 * Department of Mathematics University of California, Los Angeles（数学系 加州大学洛杉矶分校）
AI总结 本文提出通过等距化黎曼结构和平衡正则性与表达性，解决多模态数据中的失真和建模误差问题，提升流形学习的性能和可解释性。
规模无法克服语用学：报告偏差对视觉-语言推理的影响
机构 * University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Samaya AI（Samaya人工智能） ； Mistral AI（Mistral人工智能） ； Allen Institute for AI（人工智能研究所）
AI总结 本文指出视觉-语言模型在推理能力上的不足源于训练数据中的报告偏差，通过实验表明单纯扩大数据规模无法提升推理技能，但专门收集隐含信息的注释能有效改善模型表现。
Comments TACL 2026
PoSh：利用场景图引导LLM-as-a-Judge进行详细图像描述
机构 * Columbia University（哥伦比亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The National Gallery of Art（国家艺术馆） ； UCLA（加州大学洛杉矶分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 PoSh通过利用场景图引导LLM-as-a-Judge，提供了一种更准确的详细图像描述评估方法，并展示了其在新数据集DOCENT中的优越表现。
Comments Accepted at ICLR 2026. 26 pages, 9 figures. Metric/benchmark available at https://github.com/amith-ananthram/posh
变分自编码器的零方差梯度
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 本文提出通过限制解码器架构以解析计算期望ELBO，从而获得零方差梯度，提升变分自编码器的训练稳定性。
CoLyricist：通过与工作流对齐的支持增强歌词创作
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 CoLyricist通过与工作流对齐的AI支持，提升歌词创作效率和体验，适用于不同技能水平的创作者。
超越监视器：混合现实可视化与多模态AI用于增强的数字病理学工作流程
机构 * Department of Computer Science and Engineering, University of Texas at Arlington（计算机科学与工程系，德克萨斯大学阿灵顿分校） ； Department of Medicine Division of Hematology-Oncology, UCLA（医学系血液肿瘤学分会，加州大学洛杉矶分校） ； Center for Innovation in Health Informatics, University of Texas at Arlington（健康信息创新中心，德克萨斯大学阿灵顿分校）
AI总结 PathVis通过混合现实和多模态AI优化数字病理学工作流程，提升诊断效率与准确性。
面向$f$-散度正则化上下文带机的精确分析
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文研究了$f$-散度正则化上下文带机的样本复杂度分析，首次在单一策略可集中性下实现了$\tilde{O}(ε^{-1})$的样本复杂度，并提出了近似匹配的下界。
Comments 35 pages
AGI的某些简单经济学
机构 * MIT（麻省理工学院） ； WashU（华盛顿大学） ； UCLA（加州大学洛杉矶分校）
AI总结 本文探讨了AGI过渡中自动化与验证成本的不对称性，提出通过扩展验证能力来构建增强型经济，以应对智能发展带来的监管挑战。
Comments JEL Classification: D82, D83, J23, J24, L23, O33. 112 pages, 3 figures
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
用于移动设备的活动图时间表数据的平均贝叶斯推断
机构 * UCLA Department of Biostatistics（UCLA生物统计学系）
AI总结 本文提出了一种用于移动设备活动图时间表数据的平均贝叶斯推断方法，通过分层动态线性模型实现不确定性传播和量化，用于研究运动模式与健康结果的关系。
Comments 40 pages, 7 figures
解耦视觉与语言：基于代码本的视觉适应
机构 * AWS ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 CRAFT通过离散代码本解耦视觉与语言，实现无需修改其他部分的领域适应，提升LVLMs性能。
Comments 17 pages, accepted to CVPR2026 main conference
US-JEPA：一种用于医学超声的联合嵌入预测架构
机构 * Biomedical AI Research Lab, University of California, Los Angeles, USA（生物医学人工智能研究实验室，加州大学洛杉矶分校） ； Department of Bioengineering, University of California, Los Angeles, USA（生物工程系，加州大学洛杉矶分校） ； Medical Informatics Home Area, University of California, Los Angeles, USA（医学信息学家庭区域，加州大学洛杉矶分校） ； Department of Electrical and Computer Engineering, University of California, Los Angeles, USA（电气与计算机工程系，加州大学洛杉矶分校） ； Department of Pathology, University of California, Los Angeles, USA（病理学系，加州大学洛杉矶分校） ； Department of Radiology, University of California, Los Angeles, USA（放射学系，加州大学洛杉矶分校）
AI总结 US-JEPA提出了一种自监督框架，通过静态教师不对称潜在训练目标，提升超声图像的稳健表示能力。
基于EEG的在线解码大鼠自控步态速度使用循环神经网络
机构 * Schmid College of Science and Technology, Chapman University（施密特科学与技术学院，查普曼大学） ； LUCID-AI, Chapman University（LUCID-AI，查普曼大学） ； Helsinki Institute of Life Science, University of Helsinki（赫尔辛基生命科学研究所，赫尔辛基大学） ； Neuroscience Center, University of Helsinki（神经科学中心，赫尔辛基大学） ； Faculty of Pharmacy, University of Helsinki（药学院，赫尔辛基大学） ； Crean College of Health and Behavioral Sciences, Chapman University（克里安健康与行为科学学院，查普曼大学） ； Department of Biology and Bioengineering, California Institute of Technology（生物学与生物工程系，加州理工学院） ； Anderson School of Management, University of California Los Angeles（安德森管理学院，加州大学洛杉矶分校）
AI总结 本研究利用循环神经网络从大鼠EEG中非侵入性解码自控步态速度，实现高准确率的连续解码。
Comments 17 pages, 1 table and 7 figures
从全局放射组学到参数图：一种融合放射组学和深度学习的统一工作流程用于胰腺导管腺癌检测
机构 * Cedars-Sinai Medical Center（西德萨医院） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出一种融合放射组学和深度学习的统一工作流程，通过全局和体素级别注入放射组学特征，提升胰腺导管腺癌检测性能。
Comments This work has been submitted to the IEEE for possible publication
基于机器学习的慢性鼻窦炎手术结果预测：从临床数据出发
机构 * Purdue University（普渡大学） ； Idaho National Laboratory（爱达荷国家实验室） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校） ； Department of Otolaryngology-Head and Neck Surgery, Medical University of South Carolina（斯克内尔医学院耳鼻喉科与头颈外科部门） ； Department of Otolaryngology-Head and Neck Surgery, University of California, Los Angeles（加州大学洛杉矶分校耳鼻喉科与头颈外科部门） ； Department of Otolaryngology-Head and Neck Surgery, University of Utah（犹他大学耳鼻喉科与头颈外科部门） ； Department of Otolaryngology-Head and Neck Surgery, Oregon Health Sciences University（俄勒冈健康科学大学耳鼻喉科与头颈外科部门） ； Department of Otolaryngology-Head and Neck Surgery, Indiana University School of Medicine（印第安纳大学医学院耳鼻喉科与头颈外科部门）
AI总结 本研究利用监督机器学习模型预测慢性鼻窦炎手术效果，通过SNOT-22评估患者术后受益，模型在多个算法中达到85%准确率，优于专家预测水平。
ScaleBITS: 可扩展的位宽搜索用于硬件对齐的混合精度大语言模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta Superintelligence Labs, Meta Platforms, Inc.（Meta超智能实验室） ； Meta Platforms, Inc.（Meta公司）
AI总结 ScaleBITS通过硬件对齐的块级权重分区和约束优化方法，实现高效混合精度量化，提升低比特下的模型性能。
概率因果的通用样本量分析：基于delta方法的方法
机构 * Department of Statistics, Florida State University（佛罗里达州立大学统计学系） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Department of Computer Science, University of California Los Angeles（美国加州大学洛杉矶分校计算机科学系） ； Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系）
AI总结 本文提出基于delta方法的通用样本量分析框架，用于确定概率因果分析所需的样本量，以稳定估计其界限。
Omni-iEEG：一个大规模、全面的iEEG数据集和癫痫研究基准
机构 * UCLA Samueli School of Engineering（UCLA 工程学院） ； UCLA Mattel Children’s Hospital, David Geffen School of Medicine（UCLA 马特尔儿童医院，大卫·格芬医学院） ； Children’s Hospital of Michigan, Wayne State University School of Medicine（密歇根儿童医院，韦恩州立大学医学院）
AI总结 Omni-iEEG提供了一个大规模的iEEG数据集和基准，用于癫痫研究，包含302名患者178小时的高分辨率记录及36000个专家验证的病理事件注释，旨在提升癫痫研究的可重复性和临床相关性。
Comments Published as a conference paper at ICLR 2026
多目标对齐语言模型以实现个性化心理治疗
机构 * Department of Computer Science, University of California, Los Angeles, CA, USA（计算机科学系，加州大学洛杉矶分校） ； Department of Psychology, The University of Texas at Austin, Austin, TX, USA（心理学系，德克萨斯大学奥斯汀分校） ； Department of Psychiatry, NYU Grossman School of Medicine, New York, NY, USA（精神病学系，纽约大学格罗斯曼医学院）
AI总结 本文提出多目标对齐框架，通过直接偏好优化提升语言模型在心理治疗中的共情与安全性能，实验显示其在平衡患者偏好与临床安全方面优于传统方法。
MolmoSpaces: 一个大规模的开放式生态系统用于机器人导航与操作
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 MolmoSpaces是一个大规模开放式生态系统，用于支持机器人导航与操作的大规模基准测试，包含230k多样化的室内环境和130k丰富标注的物体资产，通过8个任务的基准测试验证了其在仿真到现实中的强相关性。
警察拦车停靠中尊重的主观性：在体测摄像头录像中建模社区视角
机构 * Department of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Department of Psychology, University of Southern California（心理学系，南加州大学） ； Department of Political Science, University of California Riverside（政治学系，加州河滨大学） ； Department of Anthropology, University of California Los Angeles（人类学系，加州大学洛杉矶分校） ； Department of Political Science and International Relations, University of Southern California（政治学与国际关系系，南加州大学） ； Harvard Law School, Harvard University（哈佛法学院，哈佛大学） ； Department of Sociology, The University of Texas at Austin（社会学系，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种视角意识的建模框架，通过分析体测摄像头录像中的社区视角，提升对尊重评分的预测和理由生成能力，以促进公众信任和程序合法性。
DressWild: 从真实场景图像生成无需迭代优化的前馈姿态无关服装缝纫图案
机构 * UCLA and Fudan University（UCLA和复旦大学） ； University of Utah（犹他大学）
AI总结 DressWild通过前馈方法从单张真实图像生成物理一致的2D缝纫图案和3D服装，无需多视角输入或迭代优化，实现高效可扩展的服装模拟。
混合专家中的多语言路由
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Fudan University（复旦大学）
AI总结 本研究分析了混合专家模型在处理多语言文本时的路由机制，揭示了中间层的跨语言路由对齐现象，并通过简单干预提升了多语言性能。
Comments ICLR 2026, In The Fourteenth International Conference on Learning Representations, 2025
Journal ref The Fourteenth International Conference on Learning Representations (2026)
Panini：通过结构化记忆在令牌空间中实现持续学习
机构 * ucla（加州大学洛杉矶分校）
AI总结 Panini通过结构化记忆在令牌空间中实现持续学习，提升推理效率和准确性。
Comments 35 pages, code available at: https://github.com/roychowdhuryresearch/gsw-memory
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