高校专区
GPT-5.2、Gemini 3 Pro、Qwen3-VL、Grok 4.1 Fast、Nano Banana Pro 和 Seedream 4.5 的安全报告
机构 * Fudan University（复旦大学） ； Shanghai Innovation institute（上海创新研究院） ； Deakin University（德克萨斯大学） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本报告对六个前沿模型进行综合安全性评估，揭示其在安全性和鲁棒性方面的差异，强调需要标准化评估以指导负责任的部署。
Comments 41 pages, 22 figures
医学SAM3：一种通用提示驱动的医学图像分割基础模型
机构 * University of Central Florida, Orlando, USA（佛罗里达大学） ； University College London, London, UK（伦敦大学学院） ； University of Illinois Urbana-Champaign, Champaign, USA（伊利诺伊大学厄巴纳-香槟分校） ； University of Trento, Trento, Italy（特伦托大学） ； The Hong Kong Polytechnic University, China（香港理工大学） ； University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学）
AI总结 Medical SAM3通过微调SAM3模型，提升医学图像分割的通用提示驱动能力，解决领域偏移和复杂结构推理问题。
探究工具增强大语言模型中的工具-记忆冲突
机构 * University of Massachusetts Lowell（马萨诸塞大学洛约拉分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出工具-记忆冲突的概念，发现现有LLMs在STEM任务中存在该问题，并评估了现有解决方法的不足。
Comments R2-FM Workshop @ ICML 2025
基于推理模型的ICD-9代码社会决定因素预测
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Illinois Chicago Peoria（伊利诺伊大学芝加哥分校皮奥里亚分校）
AI总结 本文提出利用推理模型和传统大语言模型，在MIMIC-III数据集上对医院入院的多标签社会决定因素ICD-9代码进行分类，实现了89%的F1分数，并发现139次入院中缺失的SDoH代码。
Comments Published as part of Machine Learning for Health (ML4H) 2025 Findings Track
BARL：表示空间和标签空间的双侧对齐用于半监督体积医学图像分割
机构 * College of Biomedical and Engineering, Fudan University（复旦大学生物医学与工程学院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学浙大-UIUC研究院）
AI总结 BARL通过双侧对齐表示空间和标签空间，提升半监督体积医学图像分割的性能。
Comments 14 pages, 5 figures
SRT：通过树结构缓存的推测式回滚加速强化学习
机构 * Cornell University（康奈尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； ByteDance（字节跳动）
AI总结 SRT通过树结构缓存的推测式回滚方法，有效加速语言模型的在线强化学习，提升生成效率并降低推理成本。
具身AI中的语义生命周期：通过基础模型实现获取、表示与存储
机构 * College of Information Science and Technology, Jinan University（信息科学与技术学院，暨南大学） ； Faculty of Data Science, City University of Macau（数据科学学院，澳门城市大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Zhongguancun Laboratory（中关村实验室） ； College of Cyber Security, Jinan University（网络安全学院，暨南大学）
AI总结 本文提出语义生命周期框架，通过基础模型在具身AI中实现语义信息的获取、表示与存储，探讨了语义处理的连续流动与维护，并总结了当前挑战与未来研究方向。
CLaS-Bench: 一种跨语言对齐与引导基准
机构 * Saarland University（萨尔兰大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； Centre for European Research in Trusted AI (CERTAIN)（可信AI欧洲研究中心（CERTAIN）） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； TU Darmstadt（德累斯顿技术大学） ； Mila - Quebec Artificial Intelligence Institute（魁北克人工智能研究所（Mila）） ； McGill University（麦吉尔大学）
AI总结 CLaS-Bench是首个多语言引导基准，通过评估32种语言中的语言强制行为，验证了残差基于DiffMean方法在跨语言引导中的有效性。
Comments pre-print
子空间对齐用于视觉-语言模型测试时适应
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 SubTTA通过子空间对齐提升视觉-语言模型测试时适应性能，有效解决模态差距和视觉噪声问题。
Comments 17 pages, 10 figures
3DGS-Drag：基于高斯分布的直观点基3D编辑
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 3DGS-Drag通过结合变形引导和扩散引导，实现高效直观的点基3D场景拖动编辑，提升几何内容编辑的性能与效率。
免疫密度塑造长期新冠恢复轨迹
机构 * National Library of Medicine（国家医学图书馆） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； George Washington University（乔治华盛顿大学） ； National Heart, Lung, and Blood Institute（国家心肺血液研究所）
AI总结 研究发现长期新冠症状严重程度由免疫密度决定，恢复主要通过重复接种疫苗实现。
基于视觉的群体形成控制的安全性保障
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 本文提出了一种基于感知契约的量化器，用于保障基于视觉的群体形成控制系统的安全性，通过非均匀量化器和收敛性证明，提高在复杂环境下的鲁棒性。
Comments 8 pages, 7 figures, submitted to the 2024 American Control Conference (ACC 2024)
CrackSegFlow: 可控流匹配合成用于通用裂纹分割的50K图像-掩码基准
机构 * Department of Civil and Environmental Engineering, Grainger College of Engineering, University of Illinois Urbana--Champaign（土木与环境工程系，格拉inger工程学院，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, Grainger College of Engineering, University of Illinois Urbana--Champaign（计算机科学系，格拉inger工程学院，伊利诺伊大学厄巴纳-香槟分校）
AI总结 CrackSegFlow通过可控流匹配合成方法，利用50K图像-掩码基准提升裂纹分割的泛化能力和性能指标。
信念即一切：在阴谋论话语中建模叙事原型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nimblemind（Nimblemind公司） ； Singapore University of Technology and Design（新加坡科技设计大学）
AI总结 本文提出SiBeGNN模型，通过分析Telegram群组中的阴谋论话语，识别出七种叙事原型，挑战了传统对网络激进化的认知。
从可穿戴设备到预警：预测阿片类药物使用障碍患者疼痛峰值
机构 * Nimblemind USA（Nimblemind美国公司） ； APT Foundation New Haven CT USA（APT基金会） ； Florida International University（佛罗里达国际大学） ； University of Illinois – Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Yale University School of Medicine（耶鲁大学医学院）
AI总结 本研究利用AI方法预测阿片类药物使用障碍患者疼痛峰值，发现机器学习模型在预测准确性上较高，而LLMs在提供见解方面有限，强调需开发更有效的LLMs以提升治疗效果。
最适合指令微调的数据是那些能适应的
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Chicago（芝加哥大学）
AI总结 GRAPE通过选择与目标模型分布最匹配的响应，提升大语言模型的微调效果，实验显示其在多个基准测试中表现优异。
潮水上涨，所有船都会上升：MTQE对习语的奖励提升一般翻译质量
机构 * UIUC（伊利诺伊大学香槟分校）
AI总结 通过MTQE奖励机制提升模型对习语的翻译能力，显著改善一般翻译质量及跨语言翻译表现。
为何 slop 重要
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； Purdue University（普渡大学） ； Duke University（杜克大学） ； University of Chicago（芝加哥大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Cornell University（康奈尔大学）
AI总结 本文探讨了AI生成内容（slop）的社会功能与审美价值，指出其在文化经济中的重要性，并提出其三个核心特征。
Comments To be published in ACM AI Letters (submitted 8 December 2025; accepted 23 December 2025)
Operation Veja: 修复现代角色扮演训练范式中缺失的根本概念
机构 * Divergence 2% LLC ； Department of Electrical and Computer Engineering University of Illinois Urbana-Champaign（电气与计算机工程系伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science University of Illinois Urbana-Champaign（计算机科学系伊利诺伊大学厄巴纳-香槟分校）
AI总结 Operation Veja提出VEJA框架，通过整合价值观、经历、判断和能力，改进角色扮演模型的数据整理方法，以提升角色真实性和叙述连续性。
Comments Accepted to NeurIPS 2025 PeronaLLM workshop
JoIN: 用于内在图像分解的联合GAN反向求解
机构 * UIUC（伊利诺伊大学） ； Adobe Research（Adobe研究）
AI总结 JoIN通过联合反向求解多个GAN实现内在图像分解，利用合成数据训练GAN先验并微调生成器，以提高真实图像的泛化能力。
Comments Project webpage is available at https://virajshah.com/join
AdaFuse: 用于大语言模型的自适应集成解码与测试时缩放
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 AdaFuse通过自适应集成解码与测试时缩放，提升大语言模型在多种任务上的生成性能。
当前智能体无法利用世界模型作为前瞻性工具
机构 * UIUC（伊利诺伊大学香槟分校） ； THU（清华大学） ； JHU（约翰霍普金斯大学） ； Columbia（哥伦比亚大学）
AI总结 本文研究了当前智能体能否利用世界模型作为工具提升前瞻性认知，发现其在模拟调用和结果整合方面存在显著不足。
Comments 36 Pages, 13 Figures, 17 Tables (Meta data updated)
量子计算辅助药物发现
机构 * Rensselaer Polytechnic Institute（拉特格斯理工大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pittsburgh（匹兹堡大学） ； University of Chicago（芝加哥大学） ； Novo Nordisk A/S（诺和制药） ； Harvard University（哈佛大学）
AI总结 本文提出利用量子计算加速药物发现过程，通过分子模拟、药物-靶点相互作用预测和优化临床试验来提升效率和降低成本。
Comments 23 pages, 4 figures
Journal ref NPJ Drug Discov. 3, 1 (2026)
ALERT: 通过内部不一致放大实现零样本LLM jailbreak检测
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Visa
AI总结 ALERT通过内部不一致放大技术实现零样本LLM jailbreak检测，有效提升安全检测性能。
Mem-Gallery: 多模态长时对话记忆的基准测试用于 MLLM 代理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM沃森人工智能实验室，IBM研究） ； Stony Brook University（石溪大学） ； Brookhaven National Laboratory（布鲁赫斯国家实验室）
AI总结 Mem-Gallery 是一个用于评估多模态长时对话记忆的基准测试，通过多会话对话数据集和系统评估框架，揭示了记忆提取、推理和知识管理的关键发现。
Comments 34 pages, 18 figures
从多个LLM裁判中学习高效的多轮对话评估器
机构 * ZJU–UIUC Institute（浙大UIUC研究院） ； ZJU–Hangzhou Global Scientific and Technological Innovation Center（浙大杭州全球科技创新中心） ； College of Computer Science and Technology（计算机科学与技术学院） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出一种高效多轮对话评估器，通过整合多个LLM裁判的偏好知识，减少计算开销并提升评估效率与鲁棒性。
Comments 20 pages, 4 pages, under review
MIRAGE：农业专家引导对话中多模态信息检索与推理的基准
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊）
AI总结 MIRAGE是一个用于农业专家引导对话中多模态信息检索与推理的基准，通过真实用户-专家交互数据，提供高保真的多模态推理评估平台。
Comments Accepted to NeurIPS 2025
顿悟时刻再审视：VLMs在推理时间缩放中真的能自我验证吗？
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan Ann Arbor（密歇根大学安娜堡分校） ； Meta
AI总结 本研究发现VLMs在推理时间缩放中自我验证效果有限，生成能力优于验证策略，且视觉信息整合不足。
Comments Neurips 2025 Multimodal Algorithmic Reasoning Workshop Oral. In submission
LOFA: 在全伯德反馈下使用懒惰前向选择的在线影响最大化
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 LOFA通过利用次模性质和懒惰前向选择，在全伯德反馈下实现更低的实证后悔，优于现有算法。
Comments 14 pages and 6 figures
OFFSIDE: 多模态大语言模型中误信信息消除的基准测试
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； BIAI, ZJUT & D5Data.ai（BIAI、浙江工业大学及D5Data.ai） ； National University of Singapore（新加坡国立大学）
AI总结 OFFSIDE通过足球转会谣言数据集，评估多模态大语言模型中误信信息消除的挑战与方法，揭示现有技术的局限性。
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