高校专区
孪生智能体：用于特权分离智能体的上下文残差压缩
机构 * University of California, Berkeley（加州大学伯克利分校） ； 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 针对大语言模型智能体易受安全风险问题，提出孪生智能体模式，由探索和安全智能体组成，通过探索智能体传递紧凑提示，减少信息需求，在保持高任务效用的同时防止提示注入攻击，优于其他基线。
用于线性二次系统控制的随时保证遗憾值的算法
机构 * Coordinated Science Laboratory University of Illinois Urbana-Champaign（协调科学实验室 伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出用于线性二次系统控制的算法，基于SDP框架，通过调整正则化等构建置信椭球并设计输入扰动机制。开发两个变体，分析状态放大与遗憾值权衡，放宽顺序稳定性要求得最优遗憾值，还无需DARE解范数先验界。
概率匹配排名实现真正深度的安全对齐
机构 * Siebel School of Computing and Data Science（塞比尔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总结 研究开源大语言模型安全问题，针对预填充攻击及相关防御，提出排名辅助预填充（RAP）攻击，又通过匹配令牌排名提出PRESTO方法，提升了模型在RAP攻击下的安全性，为安全开源模型发展助力。
ISO：一种原生 RLVR 的优化栈
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UIUC（伊利诺伊大学香槟分校） ； Emory University（埃默里大学） ； Together AI（联合人工智能公司） ； Recursive Superintelligence Inc（递归超级智能公司） ； ELLIS Institute Tübingen（图宾根埃利斯研究所）
AI总结 研究 RLVR 中缺失的优化层，提出等谱优化（ISO）框架，包括离线的 ISO-Merger 和在线的 ISO-Optimizer。通过光谱继承，在推理和编码任务中，用更少训练步骤提高准确率，为 RLVR 优化层问题提供了具体解决方案。
Comments Preprint
AgentDebugX：用于大语言模型代理中故障可观测性、归因和恢复的开源工具包
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Toronto（多伦多大学） ； Google（谷歌公司） ； Stanford University（斯坦福大学）
AI总结 研究大语言模型代理故障调试难题，提出开源框架AgentDebugX，其核心DeepDebug通过多轮诊断定位根源，在基准测试中表现出色，能修复更多失败任务，还通过多种方式公开工作流程并提供错误中心。
AniGS：弥合3D场景动画的渲染与扩散先验
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Waymo（Waymo公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Meta
AI总结 AniGS旨在为3DGS重建的大型场景添加动画，用规范3DGS表示场景，借时间条件变形场建模运动，利用预训练视频扩散模型及迭代更新策略，防止静态区域运动伪影，实验证明该方法能产生自然动态和高质量新视图视频。
Comments Preprint. Project page: https://yccyenchicheng.github.io/AniGS/
解码器保留稀疏自编码器：哪些读出能在稀疏压缩中幸存？
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究稀疏自编码器中哪些读出能在稀疏压缩中幸存的问题，核心方法是将最优岭预测算子间的矩阵值失真与重建损失结合训练解码器保留SAEs，主要贡献为得出重建质量不能决定读出幸存情况等结论。
FVRuleLearner：基于操作级推理树（OP-Tree）的规则学习用于形式验证
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 本文提出FVRuleLearner，通过操作级推理树模型，提升形式验证中SVA操作符选择的准确性和效率，显著提高语法和功能正确性。
Comments Accepted to IEEE VTS'26
零博士：无需训练数据的自我进化搜索智能体
机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究在高质量数据难获取时智能体自我进化问题，提出零博士框架，通过自我进化反馈循环和HRPO方法，使搜索智能体无需训练数据自我进化，在问答基准测试中表现出色，证明可仅通过自我进化实现强大智能搜索和推理。
Comments COLM 2026
用扩散模型去噪蒙特卡洛渲染图
机构 * UIUC（伊利诺伊大学香槟分校）
AI总结 研究如何用扩散模型去噪蒙特卡洛渲染图，该方法可基于多种自然渲染信息，定量实验显示其在多采样率下与最优方法竞争，定性检查表明重建结果类似真实图像，有直阴影边界、弯曲镜面反射且无亮点。
Comments Code here: https://github.com/vibe007/denoising-monte-carlo-renders-with-diffusion-models 25 pages, 18 figures, 2 tables
Journal ref 2025 International Conference on 3D Vision (3DV), pp. 835-844, 2025
稳定价值冲突解决的几何视角
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）
AI总结 研究大语言模型在RLHF训练中应对价值冲突的问题，核心方法是利用思维链推理，通过几何视角分析其作用，创建新的以价值冲突为重点的CoT设计，提升了道德推理性能，为改进模型处理复杂价值冲突请求的性能提供新途径。
Comments Accepted to ICML Workshop on High-Dimensional Learning Dynamics
CaT-GS：通过帧间缓存和瓦片调度实现大规模场景的高效3DGS渲染
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对3DGS在大规模场景中性能下降问题，CaT-GS提出通过推测性多帧预处理、帧间缓存机制及重构光栅化任务来消除冗余与减轻负载不平衡，实验证明其显著提升渲染速度，为大规模场景高保真实时渲染建立新基准。
Comments CVPR 2026
神经网络验证中的前瞻分支
机构 * Amherst College（阿默斯特学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Stanford University（斯坦福大学）
AI总结 研究神经网络验证中前瞻分支策略，提出通用集成方法，以FSB为例说明，还阐述其能生成加速验证的引理，通过在两个验证器中实例化，实现验证时间加速及解决实例数增加。
Comments Accepted to IJCAI 2026. Lookahead branching is part of the Marabou and $α$-$β$-CROWN verifiers
SlotGuard：阻止大语言模型代理转录中过度共享私有本地上下文
机构 * Siebel School of Computing（计算机科学系） ； Data Science, University of Illinois Urbana-Champaign（数据科学，伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究大语言模型代理转录本隐私泄露问题，提出SlotGuard方法，通过重写结构绑定、替换机密值、链接跨轮引用等操作隐藏敏感数据，在保持代理性能的同时大幅降低凭证泄漏率。
Comments ICML 2026 AIWILD
看清实际存在的东西：用于在视觉语言模型中对代理视觉证据进行反事实评估的PriVE-Bench和PriVE-Tools
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） ； University of Newcastle（纽卡斯尔大学）
AI总结 本文针对视觉语言模型常依先验而非图像回答问题的现象，引入PriVE-Bench和PriVE-Tools。通过配对图像及工具衍生证据评估模型，对比不同输入，发现视觉证据工具在特定情况有帮助，但不能解决所有模型依先验回答的问题。
TSRouter：用于时间序列推理的动态模态-模型选择
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； 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） ； MBZUAI（Mohamed Bin Zayed University of Artificial Intelligence）
AI总结 研究针对时间序列推理中不同模型能力互补及特性差异问题，提出基于图的TSRouter动态路由框架，通过构建异构图并将路由设为候选评分问题来选择最优模态-模型对，在多任务评估中性能显著提升，还具备零样本泛化等优势。
Comments Accepted to COLM 2026
SEC-bench Pro：语言模型能解决长周期软件安全任务吗？
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出SEC-bench Pro基准，通过三阶段流程构建包含V8和SpiderMonkey共183个已验证漏洞的测试集，评估前沿语言模型在长周期漏洞狩猎任务中的表现，发现最高成功率仅48.8%。
NIRVANA：为大语言模型压缩重新构想的结构化剪枝
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对大语言模型结构化剪枝中性能下降等问题，提出NIRVANA框架。通过函数空间显著性评估结构重要性，引入全局单元排序等策略，消除随机采样不稳定问题，在多架构上广泛评估，取得新的最优结果，为模型压缩提供实用方法。
Comments Accepted to COLM 2026. Camera-ready
PagedWeight：通过动态质量感知权重量化实现高效的混合专家语言模型服务
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KV缓存密集场景下MoE模型权重与缓存的矛盾，提出PagedWeight方法，通过动态量化权重平衡精度与缓存大小，在多个内存敏感场景中改进质量-内存权衡，实现高精度、高内存节省及吞吐量提升。
DrawingVQA：建筑图纸上多深度视觉文本推理的真实世界基准测试
机构 * Louisiana State University（路易斯安那州立大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 DrawingVQA针对建筑图纸多深度视觉文本推理设计基准测试，利用图纸与问答对，提出双分类框架评估模型，揭示模型与专家表现差距，为领域特定多模态推理及AI与工程工作流程整合奠定基础。
Comments CVPR 2026 Findings accepted paper
我们能信任项目反应理论进行人工智能评估吗？
机构 * Johns Hopkins University（约翰·霍普金斯大学） ； University of Illinois 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 研究探讨项目反应理论（IRT）用于人工智能评估的可靠性，利用六个大语言模型基准模拟响应矩阵，比较四种估计工具，评估IRT在多方面的表现，发现经典估计器在大型基准中可能不可行，可扩展估计器在特定模型集下可能产生不可靠推断。
迈向可穿戴健康数据的通用智能与接口
机构 * Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） ； University of Washington（华盛顿大学） ； University of Oregon（俄勒冈大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出一个基于超过一万亿分钟无标签传感器数据预训练的可穿戴健康基础模型，通过联合扩展模型容量和预训练数据量，在35项健康预测任务上实现系统性性能提升，并利用LLM代理自动搜索下游预测头，集成到个人健康代理中以提高相关性和安全性。
Comments Narayanswamy and Xu are co-first authors. McDuff and Liu are co-last authors
AutoSpec：神经网络规范的自动生成
机构 * University of Michigan（密歇根大学） ； Microsoft Research（微软研究院） ； Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对神经网络在学习增强系统中对模型安全鲁棒性需求，AutoSpec提出首个自动生成和评估神经网络规范的综合框架，通过基于树算法、统计认证框架及评估框架，经实验验证其性能优于手动定义规范和现有基线算法。
基于商用现货二进制文件的智能体漏洞推理
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LLM智能体对COTS二进制文件漏洞的推理能力，构建SLYP管道，结合二进制探索与动态调试验证漏洞。在COM基准测试中表现出色，发现更多真实漏洞，生成验证PoC，还发现多个零日漏洞，证明工具集和模型选择的重要性及通用性。
具有可验证奖励的强化学习的非空泛化界限
机构 * UIUC（伊利诺伊大学厄巴纳 - 香槟分校） ； MIT（麻省理工学院） ； Bridgewater AIA Labs（布里奇沃特人工智能实验室）
AI总结 研究针对具有可验证奖励的强化学习在十亿参数规模下泛化性差的问题，通过将PAC-贝叶斯压缩界限与Gumbel-max重参数化技巧结合，并提出渐进式RLVR框架，在多领域建立非空泛化界限，性能优于基础模型且接近微调模型。
Comments 22 pages, 7 figures
FlashDiff：用于扩散模型服务的高效区域执行与调度
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Vanderbilt University（范德比大学） ； HKUST（香港科技大学） ； NVIDIA（英伟达） ； Texas A&M University（德克萨斯农工大学）
AI总结 研究针对扩散模型服务效率低的问题，提出FlashDiff系统，通过自适应区域执行和调度，利用扩散细化特性及三种机制，有效降低端到端服务延迟，提高吞吐量。
通过推理模型作为评估器来提升评估时的计算能力
机构 * CMU（卡内基梅隆大学） ； UIUC（伊利诺伊大学） ； KAIST AI（韩国科学技术院人工智能研究所） ； NEC Laboratories Europe（日本 NEC 欧洲实验室） ； Ss.Cyril and Methodius University of Skopje（斯科普里塞尔吉尔和梅蒂乌斯大学）
AI总结 本文探讨了通过增加评估时的计算量来提升语言模型的评估能力，利用推理模型作为评估器，分别评估响应整体和每个步骤，从而提高评估效果。
Comments ACL 2026 Findings
学习用于可变形物体模拟的物理引导残差动力学
机构 * UIUC（伊利诺伊大学厄巴纳 - 香槟分校） ； Columbia University（哥伦比亚大学）
AI总结 研究针对可变形物体模拟中动力学预测难的问题，提出物理引导残差动力学（PGRD）框架，结合物理与学习方法优势，采用特定架构和公式，在多物体模拟上结果更准，还展示了其在操作规划和交互式模拟中的应用效用。
Comments Website: https://pgrd-robot.github.io/
DreamSat-Pose：基于单视图3D重建和学习的2D-3D特征匹配的航天器姿态估计
机构 * Wellesley College（韦尔斯利学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Politecnico di Milano（米兰理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Universidad Politécnica de Madrid（马德里理工大学）
AI总结 针对未知航天器对象，本文提出新框架，先利用冻结的DINOv3提取图像特征、动态图卷积神经网络编码器计算几何特征，再经双流变压器匹配器细化描述符，通过学习2D-3D对应关系估计姿态，在数据集上评估效果良好，泛化能力强。
分布鲁棒且安全的模仿学习
机构 * University of California Berkeley（加利福尼亚大学伯克利分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对模仿学习对分布变化敏感及安全风险问题，提出分布鲁棒且安全的模仿学习框架，利用泰勒级数模仿学习和分布鲁棒自适应控制应对不同诱导变化，在无人机案例中验证了方法有效性。
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