高校专区
知识并非静态：面向语言模型的顺序感知超图RAG
机构 * Texas A&M University（德克萨斯大学A&M分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Kansas（堪萨斯大学）
AI总结 本文提出顺序感知超图RAG（OKH-RAG），通过将顺序作为结构属性，改进传统RAG方法，提升对顺序敏感任务的推理能力。
通过ArcDeck实现叙事驱动的论文到幻灯片生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Middle East Technical University（中东技术大学）
AI总结 本文提出ArcDeck框架，通过结构化叙事重建任务提升论文到幻灯片生成的逻辑连贯性，引入ArcBench基准测试，实验表明显式话语建模与角色特定代理协调显著提升生成演示的叙事流畅度和逻辑性。
Comments Project webpage: https://arcdeck.org/
DRPG（分解、检索、计划、生成）：一种用于学术反驳的代理框架
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DRPG框架，通过分解评审、检索证据、计划反驳策略和生成回应四个步骤，提升学术反驳的自动化水平，实验表明其性能超越现有方法并达到人类水平。
验证的多样性：理解大型语言模型中的验证动态
机构 * Salesforce AI Research（Salesforce AI研究院） ； Dartmouth College（达特茅斯学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究大型语言模型中验证动态，分析问题难度、生成器能力及验证器生成能力三个维度，发现验证有效性与问题难度相关，优化TTS应用中的基本验证策略。
Comments ICLR 2026
SCNO：脉冲组合神经算子——迈向核PDE求解的类脑基础模型
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（印度理工学院德里分校） ； National Center for Supercomputing Applications（国家超级计算应用中心）
AI总结 SCNO通过模块化架构结合脉冲与传统组件，解决神经算子在PDE求解中的三大限制，以低参数量实现高精度求解，优于传统方法。
反思式扩散语言模型
机构 * Together AI ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
AI总结 本文提出反思式扩散语言模型，通过引入反思性解码算法，在保持并行解码的同时继承自回归训练的反思一致性，实现了与同规模自回归模型相当的质量并优于先前扩散模型。
通过可验证奖励的强化学习指导大语言模型进行谈判
机构 * Purdue University（普渡大学） ； California Institute of Technology（加州理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文探讨了通过可验证奖励的强化学习训练大语言模型进行谈判的有效性，揭示了四阶段战略演化，展示了训练后的模型在谈判中提取剩余价值的能力。
以过程为中心的代理软件系统分析
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 本文提出Graphectory用于分析代理软件系统的时序和语义关系，通过自动分析4000条轨迹发现代理策略随问题难度和LLM变化，揭示代理行为的复杂性与效率问题。
TokUR：用于大语言模型推理的令牌级不确定性估计
机构 * Rutgers University（罗格斯大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； Red Hat AI Innovation（红帽AI创新）
AI总结 本文提出TokUR框架，通过引入低秩随机权重扰动生成令牌级不确定性分布，提升大语言模型在数学推理中的可靠性和可解释性。
Comments Accepted to International Conference on Learning Representations (ICLR) 2026
三种模态、两种设计探针、一个原型和没有视觉：基于经验的多模态3D数据可视化工具共设计
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 本文通过基于经验的共设计方法，开发出多模态3D数据可视化工具，提升视障人士对3D数据的分析能力，提供可操作的设计指南和可扩展的无障碍3D可视化方案。
TouchAnything: 从稀疏机器人触碰引导的3D重建
机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； 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TouchAnything框架，利用预训练的2D视觉扩散模型作为语义和几何先验，从稀疏触觉测量中实现准确的3D重建，优于现有基线方法，支持开放世界中未见过的物体实例重建。
Comments Project Page: https://grange007.github.io/touchanything
AudioGuard：面向多样化威胁模型的全面音频安全保护
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AudioGuard，通过SoundGuard和ContentGuard实现音频安全防护，针对音频特有的风险场景建立首个政策导向的音频安全基准，提升安全防护效果。
MedConceal：一个用于在部分可观测性下进行临床隐藏关切推理的基准
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NYC Health + Hospitals/Jacobi（纽约市健康与医院管理局/雅可比医疗中心）
AI总结 MedConceal通过交互式患者模拟器评估医疗对话中的隐藏关切推理，包含300个案例和600个医生-LLM交互，研究确认和干预能力，发现前沿模型在确认指标上表现优异，而人类医生在干预成功率上表现最佳。
服务质量-用户体验转换与大语言模型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出服务质量-用户体验转换数据集，利用大语言模型进行双向转换，展示了在连续值和离散标签预测上的强性能，为多媒体质量预测与优化提供基准。
3D-VCD：通过视觉对比解码缓解3D-LLM具身代理中的幻觉
机构 * Virginia Tech（弗吉尼亚理工大学） ； 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3D-VCD，一种用于缓解3D具身代理幻觉的视觉对比解码框架，通过构造扭曲的3D场景图来提升 grounded 推理能力，实验表明其在3D-POPE和HEAL基准上有效。
Comments 8 pages, 6 figures, Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
RewardFlow: 通过优化所奖励的内容生成图像
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Sony Research, India（索尼印度研究院）
AI总结 RewardFlow通过多奖励Langevin动力学优化预训练扩散和流匹配模型，统一了语义对齐、感知保真度等不同可微奖励，并引入基于VQA的可微奖励提升语义监督。
Comments CVPR 2026. Project page: https://plan-lab.github.io/rewardflow
通过自蒸馏实现自我改进的4D感知
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Impossible Research ； Harvard（哈佛大学） ； MPI for Intelligent Systems（马克斯·普朗克智能系统研究所） ； UC Berkeley（加州大学伯克利分校） ； UBC（不列颠哥伦比亚大学）
AI总结 本文提出SelfEvo框架，通过自蒸馏方案提升多视角重建模型性能，无需外部标注，在动态场景中实现显著改进，视频深度估计提升36.5%，相机估计提升20.1%。
唤醒沉睡的代理：轻量级特定代理数据在Goedel证明器中重新激活通用工具使用
机构 * Princeton Language and Intelligence（普林斯顿语言与智能） ； Amazon（亚马逊） ； Department of Computer Science, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系）
AI总结 研究发现，过度监督微调会抑制基础模型的通用工具使用能力，但通过少量特定领域代理数据可恢复。
DIVERSED: 通过动态集成验证实现放松的推测解码
机构 * Purdue University（普渡大学） ； Amazon Inc.（亚马逊公司） ； 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）
AI总结 DIVERSED通过动态集成验证框架提升解码效率，保留生成质量，通过任务和上下文依赖的权重融合草案与目标模型分布，提升推理效率。
Comments 35 pages, 9 figures, accepted at AISTATS 2026
攻破我：通过词性插入提示实现对对齐大语言模型的自我越狱
机构 * Amazon（亚马逊） ； 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 本文提出自我越狱方法，通过词性插入提示对齐大语言模型进行攻击，实验表明SLIP在多个模型上实现高攻击成功率，提出SDM防御机制但发现其对自适应攻击策略仍不足。
Part$^{2}$GS: 基于3D高斯溅射的关节物体部分感知建模
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Part$^{2}$GS框架，通过部分感知的3D高斯表示实现高保真度的多部件关节物体建模，结合物理一致的运动约束，提升运动连贯性。
RAGEN-2：代理强化学习中的推理崩溃
机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学）
AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。
MoRight：正确地进行运动控制
机构 * NVIDIA（英伟达） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 MoRight通过解耦运动控制和相机视角，实现物理合理的场景动态生成，解决现有方法在运动控制和因果关系建模上的不足。
Comments Project Page: https://research.nvidia.com/labs/sil/projects/moright
在回答前观看：从视觉引导的后训练中学习
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Etude AI ； Kolors Team, Kuaishou Technology（快手科技Kolors团队） ； University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文发现现有视频理解基准中40-60%的问题可通过文本线索回答，提出VidGround方法通过仅使用视觉引导问题提升VLM性能，实验显示其在后训练中效果优于复杂方法。
从推理到像素：统一多模态模型中对齐差距的基准测试
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； University of Southern California（南加利福尼亚大学） ； University of Illinois 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）
AI总结 本文通过UReason基准测试，探讨统一多模态模型中模态对齐问题，发现去上下文生成在图像生成任务中表现更优，揭示了文本推理与生成图像之间存在对齐差距。
Comments Project page: https://ureason.github.io
Cobblestone：一种用于自动化形式验证的分而治之方法
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Massachusetts（马萨诸塞大学） ； Cornell University（康奈尔大学） ； Rutgers University（罗格斯大学）
AI总结 Cobblestone通过大语言模型生成证明并分解问题，有效提升形式验证自动化水平，证明更多定理且成本低。
Comments 11 pages, 13 figures, Appearing at ICSE '26, Rio de Janeiro, Brazil
CodeMind: 评估大型语言模型的代码推理能力
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CodeMind框架，通过独立执行推理、规范推理和动态语义推理任务评估LLM的代码推理能力，发现LLM在处理复杂代码时性能下降，且bug修复性能与代码推理任务无关。
搜索，不要猜测：教小语言模型成为有效的搜索代理
机构 * 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） ； Nanyang Technological University（南洋理工大学）
AI总结 本文通过评估复杂多跳推理任务，发现小语言模型（SLMs）虽参数较少，但检索工具使用更少且易产生幻觉。提出轻量级微调方法\policy，使SLMs能可靠检索并生成基于证据的答案，提升Bamboogle和HotpotQA性能17.3和15.3分，达到LLM水平。
Comments 13 pages, 5 figures
ShieldNet: 针对代理系统中新兴供应链注入的网络级防护
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； University of Chicago（芝加哥大学） ； University of Georgia（佐治亚大学） ； United States Military Academy（美国军事学院） ； eBay ； Johns Hopkins University（约翰霍普金斯大学） ； UCSB（加州大学圣塔芭芭拉分校） ； Virtue AI
AI总结 本文提出ShieldNet，通过观察真实网络交互检测供应链注入，优于现有工具，检测性能达0.995 F-1，误报率低。
解毒经验提升LLM代理的测试时间推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Illinois at 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 本文研究通过解毒经验提升LLM代理测试时间推理性能，探讨如何通过经验构建有效上下文以优化复杂推理任务。
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