高校专区
DreamPartGen: 通过协作潜在去噪实现语义引导的部件级3D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 DreamPartGen通过协作潜在去噪实现语义引导的部件级3D生成，引入双部件潜在和关系语义潜在，提升几何和语义一致性，实现高质量文本对齐的3D合成。
EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。
Comments Accepted to MLHC 2026
在什么情况下可以污染奖励？线性MDP中奖励污染攻击的紧致刻画
机构 * School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, Oregon, USA（电子工程与计算机科学学院，俄勒冈州立大学，俄勒冈州科瓦利斯） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign, Urbana, Illinois, USA（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校，伊利诺伊州厄巴纳） ； Princeton University, Princeton, New Jersey, USA（普林斯顿大学，新泽西州普林斯顿） ； Faculty of Computing and Data Sciences, Boston University, Boston, Massachusetts, USA（计算与数据科学学院，波士顿大学，马萨诸塞州波士顿）
AI总结 本文研究了强化学习中奖励污染攻击，通过约束预算操控奖励迫使目标智能体采用符合攻击者目标的策略。研究首次给出了线性MDP中攻击可行性的精确必要和充分条件，区分了易受攻击和固有鲁棒的RL实例。理论框架扩展至深度RL环境，证明其在理论和实践上的重要性。
OpenTinker：在智能体强化学习中分离关注点
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 介绍OpenTinker，一种用于训练大型语言模型智能体的开放基础设施。通过共享执行资源和多LoRA策略，围绕策略生命周期运行，支持SFT和RL，实现多用户等共享基础模型并隔离更新等。
PuzzleMoE：通过稀疏专家合并和位打包推理对大型专家混合模型进行高效压缩
机构 * Tsinghua University（清华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对专家混合模型内存开销大难题，提出PuzzleMoE方法。通过识别权重冗余与专业化进行稀疏专家合并，用双掩码捕获参数，引入位打包编码避免存储开销，实现高效推理，大幅压缩模型且保持精度。
TAMA：一种使用多智能体大语言模型进行临床访谈的人机协作主题分析框架
机构 * School of Information, University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） ； Department of Biomedical Engineering, University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校） ； College of Natural Sciences, University of Texas at Austin（自然科学院，德克萨斯大学奥斯汀分校） ； Graphen, Inc.（Graphen公司） ； Department of Cardiac Surgery, Division of Pediatric Cardiac Surgery, Vanderbilt University School of Medicine（心脏外科系，范德比尔特大学医学中心） ； Pediatric Heart Institute, Monroe Carell Jr. Children’s Hospital at Vanderbilt（儿童心脏研究所，范德比尔特儿童医院） ； Department of Computer Science, University of Virginia（计算机科学系，弗吉尼亚大学） ； Department of Computer Science, University of Illinois at Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； McCombs School of Business, University of Texas at Austin（麦克阿瑟商学院，德克萨斯大学奥斯汀分校） ； Dell Medical School, University of Texas at Austin（德克萨斯大学奥斯汀分校德莱尔医学院）
AI总结 提出人机协作主题分析框架TAMA，利用多智能体系统结构化对话及心脏专家专业知识，用于临床访谈分析，在罕见病访谈转录本分析中性能优于单智能体方法。
Comments Manuscript accepted to ACM Transactions on Computing for Healthcare
PPTArena: 一个用于PowerPoint编辑的基准测试
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PPTArena基准，包含2125张幻灯片的1300+人工编辑任务，并设计PPTPilot智能体通过结构感知的规划-编辑-验证循环，在复合、布局敏感和跨幻灯片编辑上超越强基线10个百分点以上。
Comments ECCV 2026
PoseShield: 用于人体自碰撞解析的神经碰撞场
机构 * Purdue University（普渡大学） ； LightSpeed Studios（LightSpeed工作室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对SMPL人体姿态估计中的自碰撞问题，提出在姿态空间直接定义神经碰撞约束，通过Eikonal正则化优化求解，实现95.8%的碰撞修复成功率。
Comments ECCV 2026. Code: https://github.com/lzhyu/PoseShield
基于扰动高斯集成的主动视角选择用于层析重建
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Australian National University（澳大利亚国立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对稀疏视角CT重建中视角选择问题，提出扰动高斯集成框架，通过不确定性建模和密度引导扰动选择最优视角，有效消除几何伪影。
Comments Accepted to ECCV 2026. Project page: https://perturbed-gaussian-ensemble.cvmlgroup.web.illinois.edu/
FusionFactory: 融合多LLM日志数据中的大语言模型能力
机构 * 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） ； Meta Monetization AI（Meta 变现人工智能） ； NVIDIA（英伟达）
AI总结 提出FusionFactory框架，通过查询级、思维级和模型级融合策略，利用多LLM日志数据提升模型性能，在14个基准测试中均优于最佳单模型。
Journal ref TMLR 2026
FLAT：揭示联邦学习中隐藏的潜在条件后门故障
机构 * College of Engineering and Computer Science, VinUniversity（VinUniversity工程与计算机科学学院） ； VinUni-Illinois Smart Health Center, VinUniversity（VinUniversity-VinUni-Illinois智能健康中心） ； 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Siebel计算与数据科学学院） ； Faculty of Computer Science and Information Technology, Universiti Malaya（马来亚大学计算机科学与信息技术学院）
AI总结 提出FLAT方法，通过将目标意图与触发实现分离，系统评估联邦学习后门攻击在不同目标、潜在样本、防御和停止轮次下的隐藏行为，揭示现有审计指标的不足。
Comments 14 pages, 7 figures. Substantially revised version with expanded reliability analysis, defense evaluation, and post-stop persistence study
FalconApp：通过自动标注的合成数据实现端到端感知的快速iPhone部署
机构 * Department of Electrical and Computer Engineering, University of Illinois at Urbana Champaign（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 FalconApp通过自动标注的合成数据实现端到端感知的快速iPhone部署，利用手机拍摄的刚体对象生成感知模块，实现遮挡检测和6自由度姿态估计，实验显示其在模拟和现实评估中姿态精度优于PnP基线。
VLM能稳健推理吗？一项神经符号研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学）
AI总结 研究视觉语言模型在分布偏移下的推理稳健性，提出结合VLM概念识别与电路符号推理的神经符号方法VLC，在三个视觉演绎推理任务上实现更高的分布外准确率。
Comments TMLR 2026
重新审视音频-语言预训练以学习通用音频表示
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tencent AI Lab Seattle（腾讯AI实验室西雅图）
AI总结 本文通过构建大规模数据集CaptionStew并系统对比对比学习和字幕生成目标，揭示了音频-语言预训练在数据效率和可扩展性上的权衡，为通用音频表示学习提供了实证指导。
Comments ACL 2026 Main. Code available at https://github.com/AudenAI/Auden
利用数据驱动AI揭示复合洪水的内在机制
机构 * Florida International University（佛罗里达国际大学） ； Florida State University（佛罗里达州立大学） ； UIUC（伊利诺伊大学香槟分校） ； University of Houston（休斯顿大学） ； NEC Lab America（NEC美国实验室） ； Singapore Management University（新加坡管理大学）
AI总结 通过整合潮汐、降雨、地下水位和人类水管理活动，利用数据驱动方法分析南佛罗里达复合洪水，发现地下水位是主要预测因子，空间耦合状态比长期时间依赖更重要。
Comments Accepted to SIGKDD 2026 AI for Science Track; 12 Pages, 5 Figures, 6 Tables
PEARL: 基于强化学习的自我进化时间管理助手
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Viven
AI总结 针对日历冲突解决任务，提出PEARL框架，通过外部偏好记忆和逐轮奖励优化，显著降低LLM代理的错误率。
CRAFT: 一种具有混合硬-软柔顺性的腱驱动手
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； UC Irvine（uci）
AI总结 提出CRAFT手，一种腱驱动拟人手，通过关节软材料与连杆刚性结合实现混合柔顺性，在接触丰富操作中提升强度、耐久性和抓取能力，覆盖Feix分类全部33种抓取。
Comments In RSS 2026. Website: https://roboticsconference.org/program/papers/192/
EchoFoley: 面向视频接地创意声音生成的事件中心层次化控制
机构 * ByteDance Intelligent Creation（字节跳动智能创作） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Merced（加州大学默塞德分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出EchoFoley任务，通过事件级局部控制和层次化语义控制实现视频接地声音生成，构建EchoFoley-6k基准并设计EchoVidia框架，在可控性和感知质量上分别提升40.7%和12.5%。
Comments CVPR-2026 Main Conference
任务向量基：一种统一且可扩展的压缩任务算术框架
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） ； Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）
AI总结 提出任务向量基框架，将T个任务向量压缩为M<T个基向量，支持加法、否定等算术操作，理论保证泛化与遗忘，实验表明压缩后性能优于或持平完整集合。
Comments Published as a journal paper at TMLR in Jun 2026. 10 pages, 12 figures
告知、指导、共情、倾听：审计LLM护理支持角色
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； OSF HealthCare（OSF医疗集团） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
AI总结 本研究通过操作化四种社会支持角色（告知、指导、共情、倾听），评估大型语言模型在非正式护理对话中的安全概况，发现支持角色系统性地影响交互风险，且存在感知质量-安全性权衡。
LUQ: 多模态大语言模型的逐层超低位量化
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； HP Inc.（惠普公司）
AI总结 提出LUQ方法，通过逐层输出激活熵衡量功能复杂度，对简单层应用超低位量化，结合多模态校准，在LLaVA-1.5和Qwen-2.5-VL上实现低于4-bit量化，内存减少40%和31%，MME性能下降<10%。
Comments Published in Transactions on Machine Learning Research (2026)
对齐否决：安全训练如何压制LLM中的文化知识
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·卡伊夫大学）
AI总结 研究对齐训练与语言模型编码的文化价值观冲突时的内部机制，发现模型内部logit分布仍反映人类调查数据，但输出被压制，称为“对齐否决”，并区分了压制失败与表征偏差失败，揭示了安全税在国家间的不平等。
衡量AI辅助内容生成中的人类贡献
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学）
AI总结 针对AI辅助内容生成中人类贡献度难以量化的问题，提出基于信息论的框架，通过互信息与自信息之比计算人类信息贡献比例，实验证明能有效区分不同创意领域的人类贡献程度。
MixSD: 混合上下文自蒸馏用于知识注入
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室，多伦多大学及向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Princeton University（普林斯顿大学） ； Cornell University（康奈尔大学） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所AIP） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； EuroSafeAI
AI总结 本文提出MixSD方法，通过混合模型自身条件下的token来实现与模型生成分布对齐的知识注入，从而在保持预训练能力的同时提升事实记忆和推理能力。
LaTtE-Flow: 基于层间时间步专家流的Transformer
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland（马里兰大学） ； Nvidia（英伟达） ； Salesforce AI Research（Salesforce AI研究） ； Intuit AI Research（Intuit AI研究）
AI总结 提出LaTtE-Flow，一种基于预训练视觉语言模型的高效统一架构，通过层间时间步专家流和条件残差注意力机制，实现图像理解与生成，生成速度提升约6倍。
Comments Unified multimodal model, Flow-matching
通过组合伴随匹配实现组合优化的无监督扩散求解器
机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出组合伴随匹配（CAM）框架，利用离散伴随动力学和随机控制公式，实现无监督训练离散扩散求解器，在多种组合优化问题上达到与监督方法竞争的性能。
Comments ICML26
利用学术概念索引改进科学文献检索
机构 * Korea University Seoul South Korea ； University of Illinois Urbana-Champaign Champaign United States ； Texas A\&M University College Station United States ； Yonsei University Seoul South Korea ； Pohang University of Science ； Korea University ； University of Illinois Urbana-Champaign ； Texas A\&M University ； Yonsei University
AI总结 针对通用检索器在科学领域因词汇和需求不匹配而表现不佳的问题，提出基于学术概念索引的方法，通过概念覆盖查询生成和概念聚焦上下文扩展，提升查询质量和检索性能。
Comments Accepted for publication in ACM TIST, 2026
Conformal Path Reasoning: 通过路径级校准实现可信的知识图谱问答
机构 * Rutgers University（罗格斯大学） ； Independent Researcher（独立研究者） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Sydney（悉尼大学）
AI总结 提出Conformal Path Reasoning (CPR)框架，通过查询级共形校准和残差共形价值网络(RCVNet)学习判别性路径级非一致性分数，在保证有效覆盖的同时将预测集大小平均减少52%。
Comments 13 pages, 3 figures, 2 tables;
你的模型多样性，而非方法，决定推理策略
机构 * UIUC（伊利诺伊大学香槟分校） ； Capital One
AI总结 本文提出模型多样性影响推理策略，通过理论框架分析推理不确定性，验证了不同模型在深度精炼和并行采样中的表现差异。
Comments This is a full-length extension of the workshop paper that appeared in the ICLR 2026 Workshop on LLM Reasoning
先澄清再绘制：面向鲁棒文本到CAD生成的主动式智能体
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）
AI总结 提出主动式智能体框架ProCAD，通过澄清代理在代码生成前解决用户提示中的歧义，再通过CAD编码代理生成可执行程序，显著提升鲁棒性，平均Chamfer距离降低79.9%。
Comments ICML 2026
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