高校专区
在任务无关的世界模型中强化视觉-语言-动作
机构 * Microsoft Research Asia（微软亚洲研究院） ； Nanjing University（南京大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Wuhan University（武汉大学） ； University of Technology Sydney（悉尼科技大学） ； Tsinghua University（清华大学）
AI总结 本文提出RAW-Dream方法，通过分离世界模型学习与下游任务依赖，利用预训练的世界模型和现成的视觉-语言模型，实现零样本推理，从而在无需任务特定数据的情况下提高VLA适应性。
基于可微世界模型的离线强化学习推理时间策略优化
机构 * Siebel School of Computing and Data Science（计算与数据科学学院） ； Department of Computer Sciences（计算机科学系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种在推理时间利用可微世界模型优化策略参数的方法，通过端到端的梯度计算提升离线强化学习的性能，同时探讨了推理时间适应的计算开销与收益的权衡。
WestWorld: 一种知识编码的可扩展轨迹世界模型用于多样化机器人系统
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出WestWorld，一种知识编码的可扩展轨迹世界模型，用于多样化机器人系统，通过引入系统感知的混合专家（Sys-MoE）和结构嵌入来提升可扩展性和零样本泛化能力，实现了在多种机器人环境中的高效轨迹预测和控制。
Comments ICML 2026 spotlight
深度学习应用于计算力学：综述、现状和经典方法
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johannes Kepler University（约翰尼斯·开普勒大学）
AI总结 本文综述了深度学习在计算力学中的应用，包括固体力学、流体力学和有限元技术，并讨论了混合和纯机器学习方法在解决非线性偏微分方程中的作用，同时介绍了LSTM、注意力机制和核方法等技术。
Comments 275 pages, 158 figures. Appeared online on 2023.03.01 at CMES-Computer Modeling in Engineering & Sciences
Journal ref CMES-Computer Modeling in Engineering & Sciences, Vol. 137, No. 2, pp.1069-1343, 2023
通过分层子问题扩展和工作空间分解细化实现可扩展的多机器人运动规划
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Instituto Tecnológico Autónomo de México（墨西哥自治理工学院）
AI总结 本文提出了一种多机器人运动规划方法，通过工作空间分解的离散搜索提高规划效率，核心方法是分层子问题扩展和工作空间分解细化，主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
Comments Accepted to WAFR 2026
Dywave: 为异构物联网传感信号设计的事件对齐动态分词方法
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Hong Kong University of Science（香港科学大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出Dywave，一种用于异构物联网传感信号的动态分词框架，通过小波基层次分解构建紧凑的输入表示，以适应内在时间结构和底层物理事件，从而在活动识别、压力评估和附近物体检测等任务中提升准确率并提高计算效率。
使用具备视觉能力的LLM进行手写数学自动评分
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文研究了使用具备视觉能力的LLM对手写数学作业进行自动评分，通过对比AI评分与人工评分，发现大多数错误源于转录失败而非评分标准应用错误，揭示了LLM在手写数学评分中的潜力与局限。
Comments To be published in the International Conference on AI in Education (AIED), 2026
潜在动作重参数化用于高效智能体推断
机构 * Université de Montréal（蒙特利尔大学） ； The University of Sydney（悉尼大学） ； Fudan University（复旦大学） ； Yale University（耶鲁大学） ； DeepWisdom ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon Science（亚马逊科学） ； Stanford University（斯坦福大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Mila - Quebec AI Institute（蒙特利尔人工智能研究所）
AI总结 本文提出Latent Action Reparameterization (LAR)框架，通过学习紧凑的潜在动作空间来提升大语言模型智能体的推断效率，减少有效动作 horizon 并保持原始动作空间的表达性。
Phantom：通过联合建模视觉和潜在物理动态实现物理 infused 的视频生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出Phantom模型，通过联合建模视觉内容和潜在物理动态，使视频生成过程具备物理一致性，从而生成既视觉真实又物理合理的视频。
Comments 15 pages, 6 figures, CVPR 2026
FreeOrbit4D: 通过前景完整4D重建实现免训练的任意相机重定向
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Eyeline Labs（Eyeline实验室）
AI总结 本文提出FreeOrbit4D，一种无需训练的框架，通过恢复完整的前景4D代理来解决大角度重定向中的几何模糊问题，从而生成更真实且时间一致的视频。
Comments 12 pages, 10 figures. Accepted to SIGGRAPH Conference Papers 2026
MMAP: 一种多倍率和原型感知架构，用于预测空间基因表达
机构 * Institute for AI Innovation and Societal Impact（人工智能创新与社会影响研究所） ； Hanoi University of Science and Technology（河内科学技术大学） ； Amsterdam High School for the Gifted（阿姆斯特丹天才高中） ； Anatomic Pathology Division, Laboratory Department, Vinmec Times City International Hospital（Vinmec国际医院解剖病理科实验室部门） ； Vinmec Healthcare System（Vinmec医疗系统） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出MMAP架构，通过多倍率和原型增强方法，解决空间基因表达预测中的局部特征粒度不足和全局空间上下文覆盖不足的问题，实验表明其在多个评估指标上均优于现有最先进方法。
Comments Received Best Paper Award at the 2025 Pacific Rim International Conference on Artificial Intelligence (PRICAI 2025)
基于双域自然投影的低计算量水印移除
机构 * Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign, USA（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系）
AI总结 本文提出了一种轻量级且无需训练的攻击方法DAWN，通过在互补频率和语义空间中投影水印图像，以低计算成本实现高效的水印移除，同时保持结构和语义的完整性。
大型语言模型在医学研究中应用的入门指南
机构 * National Library of Medicine (NLM), National Institutes of Health (NIH)（国家医学图书馆（NLM）、国立卫生研究院（NIH）） ； Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Department of Computer Science, University of Virginia（弗吉尼亚大学计算机科学系） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； School of Medicine, Yale University（耶鲁大学医学院） ； School of Information, Florida State University（佛罗里达州立大学信息学院） ； Department of Radiology and Imaging Sciences, NIH Clinical Center（国立卫生研究院临床中心放射学与影像科学部） ； Department of Population Health Sciences, Weill Cornell Medicine（韦尔医学院人口健康科学系）
AI总结 本文提出了一套可操作的指南，帮助医疗专业人员更高效地利用大型语言模型（LLMs）进行医学研究，涵盖任务制定、模型选择、提示工程、微调和模型部署等关键步骤，确保安全可靠地将LLMs应用于临床实践。
在取消学习后使用头部条件化的候鸟审计推理轨迹记忆化声明
机构 * Northeastern University, USA（东北大学） ； University of Illinois Urbana-Champaign, USA（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University, USA（南方 Methodist 大学）
AI总结 该研究通过在DeepSeek-R1-Distill-Qwen-7B上使用LoRA记忆化的虚构作者和NPO取消学习，结合六token候鸟头部条件，审计推理轨迹记忆化声明，发现正向解析器拆分绕过间隙本身并不能识别隐藏的权重级记忆化，也不能排除其存在。
轨迹数据归因的可信度如何？误差来源、缓解方法和实用指南
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本文系统分析了轨迹数据归因方法的误差来源，并提出缓解方法和实用指南，通过将总误差分为配置级、算法级和系统级，改进了归因的准确性，并为数据选择提供了可行的实践指导。
信任还是弃权？一种自感知RAG方法
机构 * Rutgers University（罗格斯大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出了一种自感知RAG方法SABER，通过构建知识冲突基准并引入自感知信念估计器，提升RAG在冲突场景下的准确性和可靠性，同时在弃权策略上实现风险与覆盖的平衡。
通过多尺度结构生成进行蛋白质自回归建模
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出了一种多尺度自回归框架PAR，用于通过粗到细的下一尺度预测生成蛋白质主链结构。核心方法包括多尺度下采样操作、自回归Transformer和基于流的主链解码器，通过噪声上下文学习和调度采样缓解曝光偏差，实现高质量主链生成，并展示了强大的零样本泛化能力。
Comments ICML 2026 Spotlight; ByteDance Seed Tech Report; Page: https://par-protein.github.io/
代码作为代理工具
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta ； Stanford University（斯坦福大学）
AI总结 本文探讨了代码在代理系统中的作用，提出了一种统一的视角，将代码视为代理基础设施的基础，并讨论了代理工具接口、机制以及扩展到多代理系统的挑战。
Comments GitHub: https://github.com/YennNing/Awesome-Code-as-Agent-Harness-Papers
StableHand: 世界空间双臂运动估计中的质量感知流匹配
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽德人工智能大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出StableHand，一种质量感知的流匹配框架，用于从第一人称视频中恢复世界空间双臂的4D运动，通过分解手部姿态估计器提取的观测质量为四个通道，并利用学习的质量网络预测质量信号，以提高运动估计的鲁棒性。
Comments Project Page: https://huajian-zeng.github.io/projects/stablehand/
Evo-Memory：通过自演化记忆基准测试LLM代理的测试时间学习
机构 * Google DeepMind（谷歌DeepMind） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出Evo-Memory，一个用于评估LLM代理自演化记忆能力的综合流基准和框架，通过构建序列任务流数据集，要求LLM在每次交互后搜索、适应和演化记忆，并在10个多样化的多轮目标导向和单轮推理与问答数据集上评估了超过十种代表性的记忆模块。
评估交互式AI代理的认知年龄对齐
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shenzhen Children's Hospital（深圳儿童医院） ； Peking University（北京大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出ChildAgentEval，首个基于心理测量的交互式基准，用于评估基于多模态大语言模型的代理的认知年龄对齐，通过与年龄特定的人类发展阶段进行系统比较，揭示当前代理在模拟年龄特定认知行为方面的优劣。
记住更多，风险更多：具有记忆能力的LLM代理的纵向安全风险
机构 * Virginia Tech（弗吉尼亚理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本研究探讨了具有记忆能力的LLM代理在长期任务中因记忆积累导致的安全风险，提出了一种触发-探测协议来评估记忆污染的影响，并发现记忆安全应被视为一个纵向属性而非单一状态属性。
交互评估需要一种设计科学
机构 * University of Texas Austin（德克萨斯大学奥斯汀分校） ； California Institute of Technology（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院） ； Northwestern University（西北大学） ； University of Cambridge（剑桥大学）
AI总结 本文探讨了交互评估应被视为一种原则性的评估范式，而非仅仅是新的智能体基准。通过定义评估为证据到判断的自主映射，文章展示了交互评估如何改变这一映射的两方面，并提出双轴分类法，制定设计原则和报告标准，分析了长期评估挑战在轨迹层面的再现。
Comments 10 pages
OSCAR: 2位KV缓存量化中的离线频谱协方差感知旋转
机构 * Together AI ； University of Sydney（悉尼大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出OSCAR方法，通过离线估计注意力感知的协方差结构，实现2位KV缓存量化的高效和准确，同时开发了可部署的系统，提升了LLM服务框架的性能和效率。
Comments 35 pages, 10 figures
从文档到段落：一种用于主题分配的上下文重述
机构 * LG AI Research（LG AI研究院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出了一种基于段落的主题分配方法（SBTA），通过将主题分配到短小且连贯的文本段落而非整个文档，以解决传统主题模型中文档多主题问题导致的主题污染问题，从而提升主题分析的清晰度和可解释性。
Comments Findings of ACL 2026
停止当推理收敛：用于推理模型的语义保留早退出
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Google Research（谷歌研究） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Politecnico di Milano（米兰理工学院）
AI总结 本文提出PUMA框架，通过识别推理层面的语义冗余信号，实现语义保留的早退出，从而在保持准确性和推理链完整性的同时减少token消耗。
Comments under review
SparseSAM: Segment Anything模型中激活的结构稀疏化
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； College of Engineering & Computer Science, VinUniversity（Vin大学工程与计算机科学学院） ； VinUni-Illinois Smart Health Center, VinUniversity（Vin大学-伊利诺伊智能健康中心） ； DFKI ； Max Planck Research School for Intelligent Systems (IMPRS-IS)（马克斯·普朗克智能系统研究学校） ； University of Stuttgart（斯图加特大学）
AI总结 本文提出SparseSAM，一种无需训练的结构稀疏化框架，通过联合加速注意力和MLP层并保持token身份，从而在保持高质量的同时提高推理速度和减少内存使用。
通过元步骤解码实现验证器引导的代码翻译
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google（谷歌）
AI总结 本研究提出了一种元步骤解码框架DTV，通过在生成过程中整合验证器调用，提高了代码翻译的通过率，同时减少了token的使用。
Comments 31 pages, 8 figures
VerifyMAS: LLM多智能体系统中故障归因的假设验证
机构 * Singapore Management University（新加坡国立管理学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Illinois at Chicago（伊利诺伊大学香槟分校）
AI总结 本文提出VerifyMAS框架，通过验证假设的方法对LLM多智能体系统中的故障进行归因，解决了现有方法在全局故障识别和细粒度归因方面的不足，实验表明其在多种模型上均优于现有方法。
Comments 22 pages
MUSE：多模态状态估计不确定性量化
机构 * Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校塞贝尔计算与数据科学学院） ； Department of Electrical Engineering, University of South Carolina（南卡罗来纳大学电气工程系）
AI总结 本文提出MUSE，一种基于学习的实时框架，利用Mamba的强效序列建模能力，从多个异步传感器流中估计定位不确定性，提高了状态估计的可靠性和鲁棒性。
Comments Code and dataset: https://github.com/hungdche/MUSE
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