高校专区
通过误差反馈事件驱动缓存加速频域扩散模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Yale University（耶鲁大学） ； East China Normal University（华东师范大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出E²-CRF方法，利用频域扩散模型的频谱局部化和镜像对称性，通过事件驱动的残差动态实现自适应缓存，提升推理速度2.2倍并保持样本质量。
大规模程序知识提升推理能力
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta FAIR
AI总结 本研究提出Reasoning Memory框架，通过大规模检索增强生成方法，有效利用程序知识提升推理能力，在多个基准测试中表现优于现有方法。
Comments COLM 2026 Camera Ready
Transformer 如何通过多令牌预测学习规划
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学） ； RIKEN Center for Advanced Intelligence Project（日本理化学研究院先进智能项目中心） ； The Institute of Statistical Mathematics（统计数学研究所）
AI总结 本文研究多令牌预测如何促进推理，特别是规划，通过实验和理论分析展示其优于单令牌预测的性能及背后的机制。
Comments COLM 2026
用于少步生成的多掩码扩散语言模型
机构 * ByteDance Seed（字节跳动种子） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究针对掩码扩散模型少步生成难的问题，提出多掩码扩散模型MultiMDM，通过特定前向过程使反向过程有起草能力，推导训练目标并制定蒸馏方案，经实验验证其为少步生成提供了有效基础。
Comments Needs corporate approval
智能体真实到模拟：使用视觉语言智能体进行基于物理的世界建模
机构 * University of British Columbia（英属哥伦比亚大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； National University of Singapore（新加坡国立大学） ； Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Style3D（无合适对应中文名）
AI总结 研究针对机器人与物体交互的真实到模拟转换难题，提出智能体真实到模拟框架，利用视觉语言智能体进行广义物理世界建模，能转换真实记录为可模拟孪生体，在多场景评估效果良好，成本低，可用于下游机器人任务。
Comments Authorship change
InteractComp：使用模糊查询评估搜索代理
机构 * DeepWisdom（深智科技） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Renmin University of China（中国人民大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Agent Universe（智能体宇宙） ； McGill University（麦吉尔大学） ； Yale University（耶鲁大学）
AI总结 研究针对搜索代理缺乏处理模糊查询及交互能力的问题，引入InteractComp基准，通过目标-干扰物方法构建问题评估17个模型，发现模型存在过度自信问题，强制交互有提升，揭示交互能力停滞，该基准对评估和训练搜索代理交互能力有重要价值。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026), Seoul, South Korea. 9 pages, 4 figures
离散扩散模型的维度无关收敛性：伴随方程诱导了正确的空间
机构 * Department of Mathematics（数学系） ； Oden Institute School of Data Science and Society（数据科学与社会学院） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Computational and Applied Sciences Group（计算与应用科学组） ； Department of Mathematics and Statistics（数学与统计学系） ； SRI International（SRI国际） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出了一种基于伴随方程的统一框架，实现了任何积分概率度量（IPM）下的维度无关收敛保证，克服了传统KL和TV方法在处理大规模状态空间时的局限性。
因果效应可识别性的粒度性
机构 * Computer Science Department, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系）
AI总结 本文研究了基于状态的因果效应的可识别性，证明在存在额外知识时，即使变量层面不可识别，状态层面仍可能可识别，并提出相应方法。
WebCoach：具有跨会话记忆引导的自我进化网络代理
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Amazon（亚马逊）
AI总结 研究针对网页代理跨会话学习不足问题，提出WebCoach框架，通过三个关键组件赋予代理跨会话记忆，可长期规划与自我进化，在WebVoyager基准测试中提升了不同LLM backbone的代理性能。
Comments 18 pages
RetroAgent：利用大语言模型在结构化记忆中进行搜索以实现智能逆合成规划
机构 * UCLA（加利福尼亚大学洛杉矶分校） ； MIT（麻省理工学院） ； Amazon（亚马逊公司） ； UPenn（宾夕法尼亚大学）
AI总结 研究多步逆合成规划难题，提出RetroAgent智能体，通过结合结构化记忆桥接符号搜索与神经推理，利用记忆和化学工具观察搜索状态，实验证明其在分布内和分布外基准测试中性能强且泛化能力好。
Comments To appear at COLM 2026
RUBRIC：用于不平衡分类的现实-效用平衡排序
机构 * Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Melbourne（墨尔本大学）
AI总结 研究类别不平衡问题，提出RUBRIC框架，将合成样本选择设为质量优化问题，用现实-效用权衡排序，能收紧泛化边界，经实验验证其在信用卡欺诈检测等任务中可提升F1宏和召回率，保持ROC-AUC并可进行lambda敏感性分析。
GenHOI: 通过模仿生成视频实现接触感知的人形机器人-物体交互，无需任务特定训练
机构 * The University of Tokyo（东京大学） ； National University of Singapore（新加坡国立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Tsinghua University（清华大学）
AI总结 提出GenHOI框架，通过模仿单个生成视频实现人形机器人零样本执行多种物体交互任务，无需任务特定训练或物理演示数据，利用接触事件和手-物接触区域编码为几何约束优化轨迹。
我们能信任项目反应理论进行人工智能评估吗？
机构 * Johns Hopkins University（约翰·霍普金斯大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 研究探讨项目反应理论（IRT）用于人工智能评估的可靠性，利用六个大语言模型基准模拟响应矩阵，比较四种估计工具，评估IRT在多方面的表现，发现经典估计器在大型基准中可能不可行，可扩展估计器在特定模型集下可能产生不可靠推断。
超图上的半监督学习分析
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Warwick（沃里克大学）
AI总结 研究超图上的半监督学习问题，提出高阶超图学习（HOHL）方法，通过分析随机几何超图上的变分问题，确定缩放机制，证明离散极小值收敛，还给出多尺度拉普拉斯替代并证明收敛，数值实验验证了高阶正则化的实用性。
用于鲁棒即插即用适应的解耦对齐
机构 * Northwestern University（西北大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校） ； Stanford University（斯坦福大学） ； Texas A&M University（德克萨斯农工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Illinois Institute of Technology（伊利诺伊理工学院）
AI总结 研究提出无需训练的大语言模型对齐方法，利用知识蒸馏提取对齐信号，经模型融合实现即插即用的对齐校正，采用增量调试识别关键知识组件，在有害问题数据集上显著提升防御成功率，且不损性能。
Comments Revised to correct the Acknowledgments section. Previous versions inadvertently included acknowledgments of NSF and NIH awards that did not support this work. Those funding acknowledgments have been removed. The technical content, results, and conclusions are unchanged
TerraTransfer: 无需专家示范的端到端驾驶策略学习
机构 * Applied Intuition ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出一种无需专家示范的端到端驾驶方法，通过向量化模拟器中的自博弈预训练策略，再与预训练视觉骨干对齐，降低了数据成本并达到或超越现有方法。
稀疏-LaViDa：稀疏多模态离散扩散语言模型
机构 * Adobe（Adobe公司） ； UCLA（加州大学洛杉矶分校）
AI总结 针对掩码离散扩散模型推理速度慢的问题，提出Sparse-LaViDa框架，通过动态截断冗余掩码令牌加速采样，引入专用寄存器令牌和注意力掩码保证质量与一致性，基于LaViDa - O构建，在多任务中实现加速且保持质量。
Comments 18 pages (12 pages for the main paper and 6 pages for the appendix), 9 figures
Lavida-O：用于统一多模态理解与生成的弹性大掩码扩散模型
机构 * Adobe（Adobe公司） ； UCLA（加州大学洛杉矶分校）
AI总结 研究提出Lavida-O统一多模态MDM，采用Elastic-MoT架构，结合轻量级生成与理解分支，通过多种技术支持高效生成。该模型在多模态任务基准测试中性能领先，优于现有模型，还能加速推理，成为可扩展多模态推理和生成新范式。
Comments 31 pages, 15 figures
LaViDa：用于多模态理解的大型扩散语言模型
机构 * UCLA（加州大学洛杉矶分校） ； Panasonic AI Research（松下人工智能研究） ； Adobe Research（Adobe研究） ； Salesforce Research（Salesforce研究）
AI总结 研究针对现有视觉语言模型在快速推理和可控生成方面的不足，提出基于离散扩散模型构建 LaViDa 系列视觉语言模型，采用多种新技术，在多模态基准测试中性能出色，成为自回归视觉语言模型的有力替代。
Comments 26 pages, 8 figures
ELF：无编码器心电图语言模型家族
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Allegheny Health Network（阿勒格尼医疗网络） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Colorado（科罗拉多大学） ； Allergy and Immunology（过敏与免疫学）
AI总结 提出三种无编码器架构的ECG语言模型ELF，简化架构和训练流程，在两个数据集上达到或超越现有最优模型。
Comments 34 pages, 12 figures; Accepted to MLHC 2026
STITCHER：通过实时运动原语搜索在复杂环境中进行约束轨迹规划
机构 * VECTR Laboratory, University of California, Los Angeles（VECTR实验室，加州大学洛杉矶分校）
AI总结 研究针对自主高速穿越复杂环境的轨迹规划问题，提出无优化规划框架STITCHER，通过拼接短轨迹段和图搜索实时计算轨迹，经模拟与硬件测试验证其性能优越，能满足多种约束并高速实时规划。
大规模进化策略：超越强化学习的LLM微调
机构 * University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校） ； Cognizant AI Lab, San Francisco, CA, USA（Cognizant AI实验室） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院）
AI总结 本文提出使用进化策略进行大规模LLM微调，证明其在多个方面优于强化学习，为LLM微调提供了新的方法。
Comments Published at ICML 2026 main conference
SpaceDrive: 在基于视觉语言模型的自动驾驶中引入空间感知
机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； TU Munich（慕尼黑工业大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； University of Stuttgart（斯图加特大学） ； UCLA（加州大学洛杉矶分校）
AI总结 本文提出SpaceDrive框架，通过将空间信息作为显式位置编码来增强基于VLM的自动驾驶系统对精细3D空间关系的理解，从而提升规划精度和开放环性能。
在大语言模型生成中解耦任务解决与输出格式
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 研究针对大语言模型任务指令与格式要求交织致性能下降的问题，提出解耦框架Deco-G，将格式遵循委托给单独模块，引入指令感知蒸馏等三项创新，实验证明其优于基线方法，能保证格式符合。
Comments Update to the latest ACL published version and add a link to the released code
Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), Association for Computational Linguistics, 2026, pp. 16764-16781
LaViDa-R1：推进统一多模态扩散语言模型的推理
机构 * Adobe ； UCLA（加州大学洛杉矶分校） ； Georgia Tech（佐治亚理工学院）
AI总结 研究提出多模态通用推理dLLM LaViDa-R1，不同于现有工作，它以统一方式整合多任务，采用新颖统一训练后框架，集成监督微调与多任务强化学习，并运用多种训练技术，在多模态任务上展现强大性能。
Comments 28 pages, 11 figures
GraphAllocBench：用于偏好条件多目标策略学习的灵活基准测试
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； USC Institute for Creative Technologies（美国南加州大学创意技术研究所） ； U.S. Army DEVCOM Army Research Laboratory（美国陆军 DEVCOM 军事研究实验室）
AI总结 研究针对多目标强化学习中偏好条件策略学习基准测试局限于简单任务和固定环境的问题，引入基于CityPlannerEnv的GraphAllocBench，提出补充指标，通过实验表明其能揭示新失败模式，激发图方法，是推进PCPL的通用可扩展测试平台。
FlexAct：当你可以选择时为何还要学习？
机构 * University of California Los Angeles（加州大学洛杉矶分校）
AI总结 研究聚焦深度学习中激活函数学习，核心方法是用Gumbel-Softmax技巧在预定义函数集里离散可微选优，主要贡献是提升预测精度与架构灵活性，为复杂场景下神经架构发展助力。
Comments Transactions on Machine Learning Research, 2026
PinNet：用于LiDAR SLAM回环检测的具有几何嵌入的关键点感知局部描述符
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； DEVCOM Army Research Laboratory (ARL)（陆军研究实验室（ARL））
AI总结 提出PinNet网络，通过关键点生成和平面几何自注意力模块增强描述符判别性，实现基于点云的回环检测与配准，在多个数据集上验证了优越性能。
ARLArena：用于稳定智能体强化学习的统一框架
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 研究针对智能体强化学习不稳定问题，提出ARLArena框架。先构建测试平台，将策略梯度分解为四个维度分析，据此提出稳定的智能体策略优化方法SAMPO，实现稳定训练与良好性能。
Comments To appear at ICML 2026
OSF：关于睡眠基础模型的预训练和扩展
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Emory University（埃默里大学）
AI总结 为填补睡眠基础模型预训练和扩展理解空白，创建睡眠记录语料库及基准，评估预训练目标，发现关键结论，引入OSF家族模型取得多样任务最优性能并揭示其特性。
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