高校专区
JustRL: 通过简单强化学习方法扩展1.5B语言模型
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） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 JustRL通过简单强化学习方法在1.5B语言模型上实现高性能，省去复杂训练流程，展现稳定训练效果。
Comments 12 pages, 3 figures
BigCodeArena: 通过执行揭示更多可靠的代码生成人类偏好
机构 * Monash University（墨尔本大学） ； CSIRO’s Data61（CSIRO的数据61） ； Purdue University（普渡大学） ； Independent（独立） ； HKUST (Guangzhou)（香港科技大学（广州）） ； UCSD（加州大学圣地亚哥分校） ； UVA（弗吉尼亚大学） ； CNRS, France（法国国家科学研究中心） ； IBM ； Cisco（思科） ； Comenius University in Bratislava（布拉提斯拉瓦康门纽斯大学） ； University of Notre Dame（Notre Dame大学） ； Uber ； Tano Labs（Tano实验室） ； NUS（国立大学新加坡） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Tencent AI Lab（腾讯AI实验室） ； University of Washington（华盛顿大学） ； Nevsky Collective（Nevsky集体） ； ETH Zurich（苏黎世联邦理工学院） ； Detomo Inc（Detomo公司） ； University of Oxford（牛津大学） ； UIUC（伊利诺伊大学香槟分校） ； Google（谷歌） ； NVIDIA ； Singapore Management University（新加坡管理学院） ； ServiceNow Research（ServiceNow研究） ； Hugging Face
AI总结 BigCodeArena通过执行揭示更多可靠的代码生成人类偏好，提出自动评分基准评估LLM编码质量。
Comments Built with love by the BigCode community :)
保险科技创新使用自然语言处理
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文探讨了自然语言处理在保险科技中的创新应用，通过实际案例展示NLP如何提升保险数据分析的精度与效率。
谁在掌控？解析指令遵循中的角色冲突
机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究揭示大型语言模型在指令遵循中存在角色冲突，通过机制分析发现系统-用户冲突与社会冲突的不同处理方式，并强调了对齐方法的重要性。
Comments 12 pages, 5 figures, Mech Interp Workshop (NeurIPS 2025) Poster
强化学习在大型语言模型中微调小型子网络
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 强化学习在大型语言模型中通过微调小型子网络显著提升性能，且该子网络更新稀疏性源于数据分布和正则化技术的影响。
Comments NeuRIPS 2025
FrontierCS: 蒸馏智能面临的挑战
机构 * UC Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； UCSD（加州大学圣迭戈分校） ； X-camp Academy（X-camp学院） ； Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学） ； University of Toronto（多伦多大学） ； UIUC（伊利诺伊大学香槟分校） ； University of Michigan（密歇根大学） ； New York University（纽约大学） ； MIT（麻省理工学院）
AI总结 FrontierCS是一个针对未知最优解的计算机科学开放性问题基准测试，旨在评估模型在算法和研究任务中的推理能力，发现现有模型在复杂问题上仍需提升。
Comments Code with instruction: https://github.com/FrontierCS/Frontier-CS
MMGR：多模态生成推理
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Michigan State University（密歇根州立大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Adelaide（阿德莱德大学） ； Salesforce AI Research（Salesforce人工智能研究） ； Microsoft（微软） ； Adobe Research（Adobe研究）
AI总结 MMGR提出一个多模态生成推理评估框架，通过物理、逻辑、空间和时间五个能力评估视频和图像生成模型，揭示其在抽象推理和具身导航中的性能不足。
Comments work in progress
Diff-2-in-1：通过扩散模型弥合生成与密集感知的鸿沟
机构 * 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） ； Tsinghua University（清华大学）
AI总结 Diff-2-in-1通过结合扩散模型的生成与感知能力，实现多模态数据生成与密集视觉感知的统一框架，提升视觉感知的判别能力。
Comments 26 pages, 14 figures
Journal ref ICLR 2025
利用一百万项临床试验开发大型语言模型用于临床研究
机构 * Usher Institute, Edinburgh Medical School, University of Edinburgh（埃丁堡大学埃丁堡医学院usher研究所） ； Health Data Research UK（英国健康数据研究） ； School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院） ； Division of Intramural Research, National Library of Medicine, National Institutes of Health（国家卫生研究院国家医学图书馆内部研究部） ； Keiji AI
AI总结 本文提出TrialPanorama，通过整合一百万项临床试验数据，训练出在八个关键临床研究任务中表现优于通用大语言模型的8B LLM。
SpeakRL: 在语言模型中协同推理、说话与行动以增强强化学习
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon Alexa（亚马逊Alexa）
AI总结 SpeakRL通过强化学习提升语言模型的对话能力，通过奖励主动互动提高任务完成效率。
MAC：一种用于多轮对话中交互式用户澄清的多智能体框架
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon Alexa（亚马逊Alexa）
AI总结 MAC提出了一种多智能体框架，通过战略性管理澄清对话来解决用户模糊性，提升了任务成功率并减少了对话轮次。
DDPM在一般分布下的最优收敛性分析
机构 * Department of Statistics and Data Science, Chinese University of Hong Kong（香港中文大学统计与数据科学系） ； Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系）
AI总结 本文研究了DDPM在一般分布下的收敛性，通过引入放松光滑性条件，证明了其在KL散度中的收敛速率，并揭示了DDPM与DDIM在维度依赖上的相似性。
SuperGen: 一种高效的超高清视频生成系统，支持草图和分块
机构 * Rice University（里士满大学） ； 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） ； Texas A&M University（德克萨斯农工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco（思科公司） ； NVIDIA（英伟达公司） ； University of Washington（华盛顿大学）
AI总结 SuperGen通过分块技术实现高效超高清视频生成，无需额外训练，降低计算和内存成本，提升生成速度和质量。
IRG：模块化合成关系数据库生成与复杂关系模式
机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； National University of Singapore（新加坡国立大学）
AI总结 IRG提出一种模块化框架，通过学习关系连接上下文生成合成关系数据库，有效处理复杂关系模式和数据相关性。
几何引导的神经算子变换器
机构 * National Center for Supercomputing Applications, University of Illinois Urbana-Champaign（国家超级计算中心，伊利诺伊大学厄巴纳-香槟分校） ； Beckman Institute for Advanced Science and Technology, University of Illinois Urbana-Champaign（贝克曼先进科学与技术研究所，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Aerospace Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，航空航天工程系，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，机械科学与工程系，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，土木与环境工程系，伊利诺伊大学厄巴纳-香槟分校） ； Civil and Urban Engineering Department, New York University Abu Dhabi（纽约大学阿布扎比分校土木与城市工程系） ； Department of Industrial and Manufacturing Systems Engineering, Kansas State University（工业与制造系统工程系，堪萨斯州立大学）
AI总结 本文提出几何引导的神经算子变换器，通过结合变换器架构与神经算子框架，实现对任意几何形状的高效前向预测，验证了其在复杂几何中的高精度和强泛化能力。
Clip-and-Verify: 基于线性约束的域剪裁用于加速神经网络验证
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 Clip-and-Verify通过基于线性约束的域剪裁方法，提升神经网络验证效率，减少子问题数量并提高验证准确率。
Comments Accepted to NeurIPS 2025
THeGAU：类型感知异构图自编码器与增强
机构 * Data Science Degree Program National Taiwan University ； Graduate Institute of Communication Engineering National Taiwan University Taipei Taiwan ； University of Illinois Urbana-Champaign Electrical \& Computer Engineering Illinois United States ； Research Center for Information Technology Innovation Academia Sinica Taipei Taiwan ； Department of Electrical Engineering National Taiwan University Taipei Taiwan ； National Taiwan University ； University of Illinois Urbana-Champaign
AI总结 THeGAU通过类型感知图自编码器和引导图增强，提升异构图中节点分类的鲁棒性、准确性和效率，实验表明其在多个基准数据集上均优于现有方法。
为LLM代理构建一个简单却强大的长期对话记忆基线
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出基于事件的对话记忆方法，通过异构图结构实现高效检索，提升LLM代理的长期对话能力。
Comments Work in progress
实现低延迟可解释AI模型的可信实时决策支持系统
机构 * School of Physics and Astronomy（物理与天文学系） ； University of Edinburgh（爱丁堡大学） ； Siebel School of Computing and Data Science（计算与数据科学学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AI Agent Lab（AI代理实验室） ； Vokram Group（Vokram集团） ； Department of Anatomical Pathology（解剖病理学部） ； Singapore General Hospital（新加坡中央医院） ； Department of Computer Science（计算机科学系） ； Emory University（埃默里大学）
AI总结 本文提出通过低延迟可解释AI模型实现可信实时决策支持系统，探讨资源受限环境下的人机协作方法及边缘计算优化策略。
双张量的故事情节：刻画Hopper H100和Ampere A100 GPU的韧性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nokia Bell Labs（诺基亚贝尔实验室） ； IBM Research（IBM研究）
AI总结 本研究通过分析Delta系统中的GPU错误数据，发现H100 GPU内存韧性较差，且内存错误恢复机制不足，同时指出需通过过配额来应对GPU故障问题。
非渐近中心极限定理与两时间尺度随机逼近的误差界
机构 * Coordinated Science Laboratory, Department of Electrical and Computer Engineering, 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，电气与计算机工程系） ； JP Morgan AI Research（摩根大通人工智能研究）
AI总结 本文提出非渐近中心极限定理与两时间尺度随机逼近的误差界，证明期望误差以$1/\sqrt{n}$速率衰减，改进了传统收敛速率。
层级实例跟踪以平衡隐私保护与可获取信息
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Washington（华盛顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出层级实例跟踪任务，构建首个支持该任务的基准数据集，通过评估多种模型展示数据集的挑战性，旨在平衡隐私保护与信息可获取性。
Comments Accepted at WACV 2026
通过注意力模式和语义对齐检测图检索增强生成中的幻觉
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出通过注意力模式和语义对齐检测GraphRAG中的幻觉，开发了轻量级检测器GGA，提升了系统可靠性。
OpenConstruction: 一种系统性地合成开放视觉数据集的系统，用于数据驱动的建筑监控人工智能
机构 * College of Architecture & Environmental Design, Kent State University（建筑与环境设计学院，肯特州立大学） ； Bert S. Turner Department of Construction Management, Louisiana State University（建设管理伯特·S·Turner部门，路易斯安那州立大学） ； School of Civil & Environmental Engineering, and Construction Management, The University of Texas at San Antonio（土木与环境工程学院及建设管理学院，德克萨斯大学圣安东尼奥分校） ； Department of Civil, Environmental, and Ocean Engineering, Stevens Institute of Technology（土木、环境和海洋工程系，史蒂文斯理工学院） ； Department of Computing and Information Sciences, Rochester Institute of Technology（计算与信息科学系，罗切斯特理工学院） ； Department of Civil and Environmental Engineering, Carnegie Mellon University（土木与环境工程系，卡内基梅隆大学） ； Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign（土木与环境工程系，伊利诺伊大学厄巴纳-香槟分校）
AI总结 本研究系统性地整合了51个开放视觉数据集，构建了OpenConstruction开源目录，旨在提升建筑领域数据驱动的人工智能应用效果。
RELOCATE：一种用于基于区域的视觉查询定位的简单无训练基线
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 RELOCATE通过基于区域的表示和双向跟踪实现长视频中视觉查询定位，无需训练并在Ego4D数据集上取得49%的精度提升。
度量公平提示：对待相似样本同样
机构 * NLM（国家医学图书馆） ； Stevens Institute of Technology（史蒂文斯理工学院） ； AWS AI（亚马逊人工智能） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 度量公平提示通过促进个体公平性，提高LLM在高风险临床多选问题上的准确性。
Journal ref NeurIPS 2025 Workshop on Socially Responsible and Trustworthy Foundation Models
VulnLLM-R：基于代理架构的专用推理LLM用于漏洞检测
机构 * Department of Computer Science, University of California, Santa Barbara, CA, USA（加州大学圣芭芭拉分校计算机科学系） ； Department of Computer Science, University of Chicago, Chicago, IL, USA（芝加哥大学计算机科学系） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA（加州大学伯克利分校电子工程与计算机科学系） ； Department of Computer Science, University of Illinois Urbana-Champaign, Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系）
AI总结 VulnLLM-R通过专用推理模型和代理架构，在漏洞检测中实现高效准确的AI驱动检测。
混合交通中车道变换行为的表征
机构 * Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign（土木与环境工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Civil and Environmental Engineering, George Washington University（土木与环境工程系，乔治·华盛顿大学）
AI总结 本研究通过博弈论框架分析混合交通中车道变换行为，揭示社会困境的存在及合作行为随时间的演变。
大规模多模态数据集与基准用于人类活动场景理解和推理
机构 * The Chinese University of Hong Kong, Hong Kong（香港中文大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 CUHK-X是一个大规模多模态数据集和基准，用于人类活动场景理解和推理，通过生成逻辑一致的活动序列提升描述一致性。
能够思考的过程奖励模型
机构 * University of Michigan（密歇根大学） ； Mila ； LG AI Research（LG人工智能研究） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Equal supervision（共同监督）
AI总结 ThinkPRM通过生成长CoT验证链实现高效过程奖励模型，以更少的监督标签在多个基准测试中超越现有方法。
Comments Add new ablation and minor writing fixes
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