高校专区
类脑持续学习用于核电厂监控系统的序列部署
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Texas at El Paso（德克萨斯大学埃尔帕索分校） ； National Center for Supercomputing Applications（国家超级计算应用中心）
AI总结 本文提出基于脉冲神经网络的持续学习异常检测系统，解决核工业控制系统中多子系统连续部署的持续学习与能量效率问题，通过异步传感器融合与混合EWC+Replay方法实现高精度检测。
语义意图碎片化：一种针对多智能体AI流水线的单次组合攻击
机构 * Department of Computer Science, University of Texas at El Paso（德克萨斯理工大学计算机科学系） ； School of Computing, Southern Illinois University Carbondale（南方伊利诺伊大学卡本代尔分校计算机学院） ； Hanyang University（翰阳大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出语义意图碎片化攻击，通过单个合法请求导致任务分解为看似无害但联合违反安全策略的子任务，利用OWASP LLM06:2025框架实现无注入内容、无系统修改的攻击，验证了组合安全漏洞的可修复性。
Comments This paper got accepted for AAAI 2026 Summer Symposium
大型语言模型是否编码了推理标记的功能重要性？
机构 * Grainger College of Engineering（格雷格纳工程学院） ； University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文研究了大型语言模型是否内部编码了推理标记的功能重要性，提出贪心剪枝方法，在保持模型似然的前提下剪除对答案生成影响最小的推理标记，验证了模型在压缩推理链时的功能重要性结构。
Comments Updated after ACL Main 2026 acceptance; 25 pages, 8 figures, 4 tables;
FaithLens：检测并解释忠实性幻觉
机构 * Tsinghua University（清华大学） ； DeepLang AI ； Fudan University（复旦大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Peking University（北京大学）
AI总结 本文提出FaithLens模型，通过合成训练数据和规则强化学习，有效检测并解释大语言模型中的忠实性幻觉，优于GPT-5.2和o3模型，提升可信度与效率。
Comments ACL 2026 (Findings)
如何向大型多模态模型传授新技能
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了如何在不丧失原有能力的前提下通过序列微调向大型多模态模型传授新技能，提出两种有效的微调方法以平衡学习与遗忘。
Comments In submission. Code is available at https://github.com/jessemelpolio/LMM_CL
没有计划的愿望只是愿望：为长周期智能体任务高效且有效的全局规划器训练
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； DeepLang AI ； 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EAGLET方法，通过两步流程训练高效规划器，提升智能体规划能力，实验显示其在长周期任务中优于现有方法，且训练成本降低8倍。
Comments ACL 2026
面向作物类型映射的基础模型通用性研究
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文评估了三种EO基础模型在五个大洲的五个作物分类数据集上的表现，发现专为Sentinel-2设计的SSL4EO-S12在通用性上表现更优，且需900张图像以缓解类别不平衡问题。
Comments Accepted to IEEE IGARSS 2025. The final version is available in the Proceedings of the IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2025
T-REN：学习文本对齐的区域标记以提高密集视觉-语言对齐和可扩展性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 T-REN通过文本对齐的区域标记提升密集视觉-语言对齐和可扩展性，实验证明在多个任务中性能提升显著同时大幅降低token数量。
通过群体回合策略优化增强多轮工具集成代理推理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AWS AI Labs（AWS人工智能实验室） ； NVIDIA ； Meta
AI总结 本文提出GTPO算法，通过细粒度奖励、优势估计和自监督奖励塑造，提升大语言模型在多轮工具推理任务中的性能，优于GRPO并在常识推理和程序合成任务中表现更佳。
构造性失真：通过注意力引导的图像扭曲改进MLLMs
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Skan AI ； Texas A&M University（德克萨斯大学阿姆斯特朗分校） ； University of California, Irvine（加州大学 Irvine 分校）
AI总结 本文提出AttWarp方法，通过注意力引导的图像扭曲增强MLLMs对细节和空间关系的感知能力，提升准确性和推理能力。
Comments Accepted at ICLR 2026
Privatar: 通过安全卸载实现可扩展的隐私保护多用户VR
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； Purdue University/NVIDIA（普渡大学/NVIDIA） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD
AI总结 Privatar通过安全卸载实现多用户VR的可扩展隐私保护，利用领域知识在本地设备保留高能量频率组件，减少信息泄露，同时采用分布感知最小扰动技术提升隐私保障与效用。
Comments Proceedings of the 7th Machine Learning and System Conference (MLSys)
通过奇异学习理论为吉布斯后验推导PAC-Bayes界
机构 * Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系） ； Department of Mathematics, University of Maryland, College Park（马里兰大学学院市数学系）
AI总结 本文通过奇异学习理论推导了吉布斯后验的非渐近PAC-Bayes泛化界，适用于过参数化模型并适应数据结构与内在模型复杂度，结果在低秩矩阵补全和ReLU神经网络回归分类中表现更紧。
AgileLog: 用于数据流上智能体的可分共享日志
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AgileLog，一种支持分叉的共享日志，用于数据流上智能体任务，通过低成本分叉技术实现逻辑与性能隔离。
Countdown-Code：研究RLVR中奖励黑客现象涌现与泛化的测试平台
机构 * University of Michigan（密歇根大学） ； 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Countdown-Code测试环境，通过分离代理奖励与真实奖励，研究LLM在监督微调中无意学习奖励黑客行为及其在强化学习中的泛化问题。
MoCo：模型协作研究的一站式解决方案
机构 * University of Washington（华盛顿大学） ； University of Notre Dame（诺特大学） ； University of Virginia（弗吉尼亚大学） ； New York University（纽约大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of California Irvine（加州大学尔湾分校） ； Stanford University（斯坦福大学）
AI总结 本文提出MoCo库，提供26种模型协作方法及25个评估数据集，验证协作策略在多数场景下优于非协作模型，分析协作系统的有效性及未来研究方向。
Comments Moco is available at https://github.com/BunsenFeng/model_collaboration
Neptune：用于GPU上的局部性和并行性高级机器学习运算融合
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； IBM Research（IBM研究院）
AI总结 Neptune通过引入新的运算融合方法，有效融合复杂减少运算，提升深度学习性能，其在多个基准测试中表现出优于现有编译器的效率。
大语言模型判官的保质期：未来证明、向后兼容性和问题泛化
机构 * Salesforce AI Research（Salesforce AI研究院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Dartmouth College（达特茅斯学院）
AI总结 本文研究了细调判官模型在现实部署中的挑战，探讨了未来证明、向后兼容性和问题泛化三个核心问题，并通过实验发现持续学习在适应响应分布变化方面表现更优。
Comments Updated after ICLR 2026 Acceptance; 29 pages;
RefineStat: 高效探索概率程序合成
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 RefineStat通过引入语言模型驱动框架，在概率程序合成中强制语义约束并应用诊断感知细化，提升生成程序的语法正确性和统计可靠性。
Comments RefineStat constrains LM decoding with statistical validity checks and uses diagnostic-guided resampling (priors/likelihoods) to transform small LMs' drafts into correct, reliable probabilistic programs that can match or surpass closed-source models
Journal ref ICLR 2026 (Oral)
DR-SAC：在不确定环境下用于强化学习的分布鲁棒软Actor-Critic
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； New York University（纽约大学）
AI总结 本文提出DR-SAC，首个基于Actor-Critic的分布鲁棒强化学习算法，用于连续动作空间的离线学习。通过最大化熵正则化奖励，对抗最坏可能的转移模型，在KL散度约束的不确定性集内实现收敛保证，并结合生成建模方法估计未知的名义转移模型。
Comments 31 Pages. Accepted to ICLR 2026
用户模拟用于评估信息访问系统
机构 * University of Stavanger（斯塔夫港大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文探讨了用户模拟在评估信息访问系统中的应用，分析了其在任务完成和用户行为差异方面的挑战，并总结了相关技术与未来研究方向。
Comments v1: initial draft; v2: final version to appear in Foundations and Trends in Information Retrieval
实时LTL进度追踪：面向基于任务的探索
机构 * Coordinated Science Laboratory, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室）
AI总结 本文提出实时LTL进度追踪框架，通过复杂多阶段任务跟踪自主体进展，利用LTL规范建立跟踪向量，为新的性能指标、多样化探索和奖励塑造提供工具。
Comments 40 pages
当尖峰稀疏性不转化为部署成本：VS-WNO在Jetson Orin Nano上的表现
机构 * University of Illinois Urbana-Champaign Department of Nuclear, Plasma \& Radiological Engineering Urbana IL USA ； Indian Institute of Technology Delhi Department of Applied Mechanics New Delhi India ； Indian Institute of Technology Delhi New Delhi India ； National Center for Supercomputing Applications Urbana IL USA ； University of Illinois Urbana-Champaign ； Indian Institute of Technology Delhi ； National Center for Supercomputing Applications
AI总结 研究探讨了尖峰稀疏性在部署成本上的有效性，通过对比VS-WNO与WNO在Jetson Orin Nano上的表现，发现稀疏性并未降低部署成本，主要由于运行时未抑制密集工作。
Comments 4 pages, 2 figures. Submitted to ICONS 2026 (under review)
受神经科学启发的图运算用于边缘可部署的虚拟传感以处理不规则几何结构
机构 * Grainger College of Engineering, Nuclear, Plasma & Radiological Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院，核物理与等离子体工程系） ； Department of Applied Mechanics, Indian Institute of Technology Delhi（印度理工学院德里应用力学系） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里人工智能学院） ； National Center for Supercomputing Applications（国家超级计算应用中心）
AI总结 本文提出一种变量脉冲图神经运算符，结合频谱-空间卷积分析和变量脉冲神经元，以实现高效能量利用的边缘部署虚拟传感，用于复杂不规则工程环境中的稀疏到密集重建。
Comments 6 pages, 1 figure, 2 tables
KAIROS：具有状态的、基于上下文的节能代理推理服务
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）
AI总结 本文提出KAIROS，一种基于上下文的节能代理AI服务系统，通过管理GPU频率、实例并发性和请求分配，实现27%的平均能耗降低，同时保持性能。
UniCon：通过核方法实现高效的对比对齐统一框架
机构 * Department of Electrical & Computer Engineering, The Grainger College of Engineering, UIUC（电气与计算机工程系，格拉inger工程学院，伊利诺伊大学香槟分校） ； Siebel School of Computing and Data Science, The Grainger College of Engineering, UIUC（计算与数据科学学院，格拉inger工程学院，伊利诺伊大学香槟分校） ； Coordinated Science Laboratory, University of Illinois Urbana-Champaign (UIUC)（协调科学实验室，伊利诺伊大学香槟分校） ； VinUni-Illinois Smart Health Center（VinUni-伊利诺伊智能健康中心）
AI总结 UniCon通过引入对比相似度权重矩阵S(γ)，提供了一种统一的对比对齐框架，实现了闭式全局解，替代了 minibatch反向传播，提升了效率并保持了通用性和性能。
Comments 33 pages, 8 figures, 8 tables. Accepted by The Fourteenth International Conference on Learning Representations (ICLR) 2026
无梯度的脉冲神经网络持续学习中的间隔正则化
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Indian Institute of Technology Delhi（印度理工学院德里） ； University of Texas at El Paso（得克萨斯大学埃尔帕索分校） ； National Center for Supercomputing Applications（国家超级计算应用中心）
AI总结 本文提出一种无梯度的脉冲神经网络持续学习方法，通过间隔变化系数来评估突触重要性，避免遗忘并提升实际神经形态芯片上的性能。
计算阐释学：评估生成式AI作为文化技术
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Colorado（科罗拉多大学） ； University of Nottingham（诺丁汉大学） ； King’s College London（伦敦国王学院） ； Sorbonne Université（索邦大学） ； Durham University（杜伦大学） ； University of Edinburgh（爱丁堡大学） ； Dartmouth College（达特茅斯学院） ； Gibran AI（吉布兰人工智能） ； University of Coventry（科文特大学） ； Technische Universität Darmstadt（德累斯顿技术大学） ； University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学） ； Cornell University（康奈尔大学） ； University of Utah（犹他大学） ； University of Chicago（芝加哥大学） ； Princeton University（普林斯顿大学） ； London School of Economics（伦敦经济学院） ； University of Southampton（南安普顿大学） ； Rice University（德克萨斯大学稻谷分校） ； University of Glasgow（格拉斯哥大学） ； Cardiff University（卡迪夫大学） ； University of Exeter（埃克塞特大学） ； University of Brighton（布里斯托尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University College London（伦敦大学学院） ； University of Sheffield（谢菲尔德大学）
AI总结 本文提出计算阐释学框架，旨在通过阐释学理论评估生成式AI作为文化技术的含义生成与理解挑战。
Comments Published in Frontiers in Artificial Intelligence
Journal ref Front. Artif. Intell. 9:1753041
StressWeb: 一个用于评估网络代理在现实交互变异下的鲁棒性的诊断基准
机构 * Inclusion AI, Ant Group（Inclusion AI，蚂蚁集团） ； National University of Singapore（新加坡国立大学） ； 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StressWeb基准，通过构建可控的网络环境和引入结构化扰动，评估网络代理在现实交互中的鲁棒性，揭示隐藏的失败模式和鲁棒性差距。
多模态策略内化用于对话代理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊）
AI总结 本文提出多模态策略内化任务，通过将复杂策略内化为模型参数，提升对话代理的策略遵循能力，同时提供新数据集和训练框架TriMPI以促进研究。
代理强化学习用于大语言模型的景观：综述
机构 * University of Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Brown University（布朗大学） ； University College London（伦敦大学学院） ； University of Science and Technology of China（中国科学技术大学） ； Imperial College London（伦敦帝国学院） ； Dalian University of Technology（大连理工大学） ； Chinese Academy of Sciences（中国科学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Georgia（佐治亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University of Bristol（布里斯托大学）
AI总结 本文综述了代理强化学习在大语言模型中的应用，提出双分类体系，探讨其核心能力与应用领域，并强调强化学习在使能力转化为适应性行为中的关键作用。
Comments Published on Transactions on Machine Learning Research: https://openreview.net/forum?id=RY19y2RI1O
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