高校专区
DuplexGen：人机交替对话的自适应合成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Seoul National University（首尔大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 DuplexGen框架通过将LLM预测与少量槽级人类偏好标注校准，生成场景自适应交替发言对话，契合人类偏好的效果优于未校准方法，证明人类校准对交替发言合成场景特定性的关键作用。
Comments Manuscript under review
人工智能代理的解释约束工具执行：无需信任模型原理的服务器验证动作声明
机构 * Accentrust（Accentrust公司） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对人工智能代理工具执行问题，提出EBTE中介层，将原理内容转换为动作声明并经服务器检查。通过形式化和实现参考配置文件，经多场景验证其可行性与诊断价值，支持服务器检查动作声明而非其他相关特性。
Comments 25 pages, 1 figure, 15 tables. Revised presentation and synchronized evaluation details
意图驱动的AI代理工具授权
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Accentrust
AI总结 提出意图驱动访问控制（IGAC），通过将用户意图作为单调可审计策略属性，限制AI代理的工具调用权限，防止静态凭证滥用。
Comments 33 pages. Revised presentation and analysis
BioHiCL：基于MeSH标签的层次多标签对比学习的生物医学检索
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 BioHiCL通过层次化MeSH标注实现多标签对比学习，提升生物医学信息检索的语义和层次理解能力，在检索、句子相似性和问答任务中表现优异且计算效率高。
Comments Accepted by ACL 2026 (Oral)
穿越绘画：来自互联网先验的自我中心世界模型
机构 * 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） ； Toyota Research Institute（丰田研究机构）
AI总结 EgoWM通过利用互联网先验和轻量级条件层，将预训练视频扩散模型转换为自我中心世界模型，实现可控的未来预测，提升结构一致性评分并降低推理延迟。
AMEND++：临床试验资格标准修订的基准测试
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Medidata Solutions（Medidata解决方案）
AI总结 AMEND++通过CAMLM模型提升临床试验资格标准修订预测的准确性与效率。
理解语义ID：从生成式推荐中的项目表示到项目选择
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究生成式推荐中语义ID，发现其虽有粗略组织但丢失精细结构，精确令牌不由项目含义单独决定。提出轻量级推理时方法项目支持解码，无需额外参数或重新训练，实验表明该方法能改进NDCG@10，增益高达31.2%。
无声冻结：预测低精度训练何时停止学习
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究低精度训练中权重更新低于半ULP时坐标冻结问题，通过高精度轨迹和目标尾数长度预测冻结，以小型GPT、GPT - 2变压器等为例展示结果，还表明随机舍入可消除冻结，此条件在多种模型适用。
向量值分布式强化学习策略评估：一个希尔伯特空间嵌入方法
机构 * Department of Statistics, University of Illinois Urbana-Champaign（统计系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Bioinformatics and Biostatistics, University of Louisville（生物信息学与生物统计学系，路易斯维尔大学）
AI总结 本文提出了一种基于希尔伯特空间嵌入的多维分布式强化学习框架，通过核均值嵌入估计价值分布，解决了多维状态-动作空间中瓦瑟斯坦距离计算的计算挑战。
动态电力系统中基于扩散模型的参数估计
机构 * Brookhaven National Laboratory（布鲁海文国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究动态电力系统中参数估计的不适定问题，提出基于联合条件扩散模型的反问题求解器，利用扩散模型随机性产生候选解，联合多观测缩小后验分布，在复合负荷模型参数化中优势明显，降低误差且能准确复制系统动态响应，提供通用框架。
Comments Updated to match the published version. Minor corrections incorporated
Journal ref Zhu, F., Torbunov, D., Jiang, Z. et al. Diffusion model-based parameter estimation in dynamic power systems. Commun Eng 5, 123 (2026)
UniGen-AR：通过自回归建模统一视觉生成
机构 * 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） ； Toyota Research Institute（丰田研究院）
AI总结 研究统一视觉生成问题，提出UniGen-AR框架，将通用多模态语言模型与视觉自回归解码器配对，能为多任务生成图像值输出，相比基于扩散的基线，推理延迟低达19倍，确立视觉自回归建模为统一视觉生成的高效主干。
MixQuant：大语言模型的自适应混合精度量化
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对大语言模型量化中预算变化及层敏感度评估问题，提出MixQuant自适应框架，通过边缘化失真获与预算无关分数、校准参数并惩罚不合理分配，在多种模型上优于基线，提升准确率并降低困惑度。
Comments Preprint
AIR-BENCH Live：基础模型不断演进的安全基准测试
机构 * Virtue AI（美德人工智能公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeastern University（东北大学） ； 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）
AI总结 研究针对基础模型安全基准测试随模型和法规发展而不足的问题，提出AIR-BENCH Live，通过自动化更新管道和多智能体算法更新提示，扩展了基准测试风险数量，评估模型发现安全范围广等结果，使其能随领域发展。
Comments 11 pages, 7 figures, 3 tables
PRESTO：用于扩散推测解码的前缀对齐树草稿生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达）
AI总结 研究针对扩散大语言模型用于推测解码时现有方法的局限，提出PRESTO框架，通过前缀对齐评分和基于优先级的树搜索，解决扩散草稿与前缀验证不匹配问题，在多种基准测试中显著提升了端到端吞吐量。
谁买单？面向真实世界网络代理的以利益相关者为中心的提示注入基准测试
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； ST Engineering, Singapore（ST工程，新加坡） ； IBM Research, USA（IBM研究院，美国） ； University of Illinois Urbana-Champaign, USA（伊利诺伊大学厄巴纳-香槟分校，美国）
AI总结 提出以利益相关者为中心的基准测试框架，系统分类和归因真实世界网络代理系统中的提示注入危害，揭示当前代理无法可靠抵抗任何攻击目标，且失败模式多样。
Comments 25 pages
通用量子Transformer
机构 * Grainger College of Engineering, Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院土木与环境工程系）
AI总结 提出通用量子Transformer（UQT），利用多量子比特系统的物理特性作为归纳偏置，通过参数化几何相位嵌入和SU(2)波干涉实现精确的数学和代数推理，在紧凑的5量子比特基板上完美学习循环模算术和非阿贝尔代数，并实现确定性泛化。
从上下文到技能：语言模型能否从上下文中熟练学习？
机构 * THU（清华大学） ； DeepLang AI ； UIUC（伊利诺伊大学香槟分校） ； FDU（福建大学） ； CUHK（香港中文大学）
AI总结 提出Ctx2Skill框架，通过多智能体自博弈和跨时间回放机制，自动从上下文中发现、提炼和选择技能，提升语言模型在复杂上下文中的学习能力。
PRAXIS：将程序分析与可观测性集成用于根本原因分析
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 PRAXIS通过整合程序分析与可观测性，提升云故障根本原因分析的准确性，减少token消耗，适用于真实世界故障场景。
Comments 15 pages. Accepted to appear in The 56th Annual IEEE/IFIP International Conference on Dependable Systems and Networks
重新思考用于大语言模型的前景理论：在认知不确定性下决策的不稳定性
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文重新审视前景理论在大语言模型中的应用，发现其在认知不确定性下的决策稳定性存在问题，指出前景理论可能无法可靠地处理此类不确定性。
SafeCRS: 为基于大语言模型的对话推荐系统实现个性化安全对齐
机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊）
AI总结 SafeCRS通过整合安全监督微调与安全组奖励解耦归一化策略优化，提升基于大语言模型的对话推荐系统在个性化安全约束下的推荐质量与安全对齐能力。
Comments Accepted by SIGKDD 2026
走向合理的鹦鹉：为何大型语言模型应通过设计与我们辩论
机构 * University of Liverpool（利兹大学） ； University of Edinburgh（爱丁堡大学） ； University of Groningen（格罗宁根大学） ； Centrum Wiskunde & Informatica（数学与信息学研究中心） ； Airbus Central R&T（空客中央研发与技术部） ； University of Kassel（卡塞尔大学） ； University of Passau（帕绍大学） ； Universidad de Católica de la Santísima de Concepción（圣地亚哥圣母大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Dundee（邓迪大学） ； Leibniz University Hannover（汉诺威莱布尼茨大学）
AI总结 本文提出通过设计使大型语言模型具备辩论能力，以提升人类批判性思维。
SceneActBench：智能体能否对其所看到的3D场景采取行动？
机构 * Tencent Hunyuan（腾讯混元） ； THU（清华大学） ； NJU（南京大学） ； HKUST（香港科技大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； PKU（北京大学）
AI总结 研究视觉语言模型智能体在3D场景行动能力，提出SceneActBench基准测试，涵盖五个3D任务，通过特定指标评估智能体输出，分析不同配置得分及失败情况，为评估智能体在多对象3D场景行动提供依据。
基于美国核管理委员会反应堆操作员执照考试的多模态语言模型微调与检索策略基准测试
机构 * organization= Department of Nuclear Engineering, Hanyang University , addressline= 222 Wangsimni-ro , postcode= 04763 , state= Seongdong-gu , city= Seoul , country= South Korea ； organization= The Grainger College of Engineering, Nuclear, Plasma \& Radiological Engineering, University of Illinois Urbana-Champaign , city= Urbana , state= IL , country= USA
AI总结 该研究针对美国核管理委员会反应堆操作员执照考试，评估310亿参数多模态模型应用核知识的能力，通过对比基础模型与多种微调及检索配置，发现固定大小分块RAG的SFT配置表现最佳，并揭示了分块策略规律及RAFT与SFT的性能差异。
教大语言模型自我进化：用强化学习培养核心元技能
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究旨在通过强化学习培养大语言模型自我进化的元技能。提出MetaEvolve框架，经数据合成、进化感知强化学习等流程，在编码任务中训练模型。实验表明该框架在编码基准测试中性能出色，能有效激发通用元技能，为自主进化的人工智能发展提供路径。
机器人学习中的进度奖励建模：全面综述
机构 * Northwestern University（西北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 该综述针对机器人学习中进度奖励建模缺乏共享框架的问题，分三步组织领域研究，包括研究进度模型接口、构建信号方法及支持数据基准，将模型相关要点联系起来，还总结了局限并探讨未来方向。
Comments Project page: https://github.com/sterzhang/Awesome-Progress-Models
基于FDTD验证的1310nm PCSEL的可靠性感知贝叶斯优化
机构 * School of Science and Engineering (SSE), The Chinese University of Hong Kong, Shenzhen（科学与工程学院（SSE），香港中文大学（深圳）） ； Nick Holonyak Micro and Nanotechnology Laboratory, University of Illinois Urbana-Champaign（Nick Holonyak微纳技术实验室，伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究1310nm PCSEL设计优化成本高的问题，采用将商业时域有限差分求解器与可靠性感知贝叶斯优化循环相结合的方法，经多次评估运行，产生高Q PCSEL候选方案，提高产量，还确定了相关控制，给出一组优质候选方案。
从心智到机器：Manus AI作为完全自主数字代理的崛起
机构 * Department of Electrical and Computer Engineering, Virginia Tech（弗吉尼亚理工学院电气与计算机工程系） ； Department of Computer Science, Brown University（布朗大学计算机科学系） ； 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） ； Khoury College of Computer Sciences, Northeastern University（东北大学科里尔计算机科学学院）
AI总结 Manus AI是一款通用人工智能代理，结合大语言模型的推理与规划能力，执行复杂任务并产生实际成果，本文全面介绍了其技术架构、跨行业应用及未来潜力。
超越情节性评估：序列式具身问答中的内存架构瓶颈
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究序列式具身问答中不同内存架构表现，发现仅保留现有记忆不足，短视情节数据训练的智能体有时间不匹配问题。强调结构化、基于空间记忆的必要性，实验表明其能打破准确性-效率权衡，对真实机器人连续智能操作至关重要。
Comments Accepted to IROS 2026
用于在线推荐的概率残差学习
机构 * Rutgers University Piscataway New Jersey United States（Meta） ； Meta Sunnyvale California United States ； University of Copenhagen Copenhagen Denmark ； Rutgers University \& UIUC Piscataway New Jersey United States ； Rutgers University ； Meta ； University of Copenhagen ； Rutgers University \& UIUC
AI总结 针对现代推荐系统存在的问题，提出概率残差学习（PRL）方法，通过对真实值与基础预测间残差建模，概率性分组用户、建模混杂因素并聚合残差预测，与多种深度学习推荐系统兼容，能提升性能并发现有意义用户聚类。
Comments Accepted at the 20th ACM Conference on Recommender Systems (RecSys 2026)
作为频谱更新重组的偏好调整
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 研究通过频谱结构研究RLHF及偏好优化，将偏好诱导更新转化为可干预对象，发现更新呈现头-尾组织，头部主导端点偏移，揭示了偏好训练后是结构化更新重组，以及对齐增益和覆盖损失与更新组织方式的关系。
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