高校专区
AI教练：利用强化学习加速人类技能发展
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种基于非合作动态博弈和强化学习的AI教练框架，通过自适应共享控制和因果影响模型加速人类运动技能发展，在无人机竞速用户研究中显著提升学习效果。
RAVEN: 基于视觉-空间-时间记忆的长期推理与导航
机构 * Princeton University（普林斯顿大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出RAVEN记忆系统，通过存储视觉嵌入与位姿时间信息，实现长期机器人问答与导航，在多个基准上超越字幕记忆系统，以10倍更低检索成本匹配前沿VLM。
Comments Project website: https://ravenmem.github.io/
Project Auto-World: 迈向神经关系推理器的自动化基准测试
机构 * Cardiff University（卡迪夫大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 利用大语言模型自动化生成基准测试实例，通过进化搜索和自主代理搜索发现困难样本，提升Edge Transformer的泛化能力，并应用于新世界以推动神经关系推理的自主研究。
Comments Submitted to NeurIPS 2026 E&D track. Code is available at https://github.com/autoworldrules/auto-world-rules
从空间到频谱：一种用于小目标检测的高效频率引导特征表示学习器
机构 * Southern University of Science and Technology（南方科技大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出从空间域转向频谱域的特征处理范式，通过频率引导特征表示框架和轻量级DER算子（WDG、LGE、FDHead），在多个基准上以1/6参数超越YOLOv11。
ENVS：面向长程GUI智能体的环境原生验证搜索
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Peking University（北京大学）
AI总结 提出ENVS方法，利用环境在训练时构建验证监督，通过分支搜索和全局平衡训练提升长程GUI任务性能，并引入OSWorld-Noisy基准测试抗干扰能力。
FlowDPG：面向真实世界操作的流匹配策略上的确定性策略梯度
机构 * Skild AI ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出FlowDPG方法，通过将评论家梯度蒸馏到速度场中，避免反向传播时间，实现流匹配策略的稳定策略改进，并在真实世界双机械臂AirPods组装任务中达到92%成功率。
理解Muon优化器的能力与局限：河流-山谷视角
机构 * City University of Hong Kong (CityUHK)（香港城市大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 提出混合尖峰矩阵感知模型，从河流-山谷视角分析Muon优化器在早期加速收敛但后期易振荡的机制，并建议在最后阶段切换为GD类优化器。
Comments 44 pages, 13 figures, 2 tables
使用多模态混合专家病理基础模型预测免疫生物标志物，赋能精准肿瘤学
机构 * Program of Computational Biology and Bioinforamtics, Yale University（耶鲁大学计算生物学与生物信息学项目） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Department of Statistics and Data Science, Northwestern University（西北大学统计与数据科学系） ； Department of Computer Science, Northeastern University（东北大学计算机科学系） ； Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（宾夕法尼亚大学医院解剖病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（加州大学旧金山分校病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, KK Women’s and Children’s Hospital（竹脚妇幼医院病理学与检验医学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学与信息学系）
AI总结 提出MixTIME多模态基础模型，采用混合专家架构整合不同模态的病理基础模型，从HE全切片图像预测多重免疫荧光蛋白表达，在17个蛋白标记物上达到最优性能，并增强空间域识别、生存预测等下游任务。
Comments 5 figures
高效且可靠的AI智能体概率验证
机构 * Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出基于分布鲁棒优化的框架，为AI智能体在复杂数字环境中的概率策略违规提供可靠上界，无需独立性假设，在终端和工具调用智能体基准上优于现有方法。
神经事件：用于事件视觉的离散异步自编码器
机构 * Robotics and Perception Group, University of Zurich（苏黎世大学机器人感知组） ； University of Pennsylvania（宾夕法尼亚大学） ； The University of Tokyo（东京大学） ； Keio University（庆应义塾大学）
AI总结 提出将事件流重新标记为少量高信息量的“神经事件”，每个事件代表一个局部时空上下文窗口的离散可学习编码，在物体检测和分类任务中达到或超越现有方法，同时将事件率降低2.0倍。
cAPM：具有主动学习的持续AI辅助起搏标测
机构 * Rochester Institute of Technology（罗切斯特理工学院） ； University of Utah（犹他大学） ； Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所） ； Medical University of Graz（格拉茨医科大学） ； University of Pennsylvania Perelman School of Medicine（宾夕法尼亚大学佩雷尔曼医学院） ； The University of Arizona College of Medicine（亚利桑那大学医学院） ； Dalhousie University（达尔豪斯大学）
AI总结 提出cAPM框架，通过任务无关的代理神经网络、主动学习和持续学习策略，在减少起搏标测数据量的同时，实现跨室性心动过速的知识迁移，将定位精度提升至81%。
最优确定性多校准与全预测
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种确定性算法，实现多校准的极小化最优样本复杂度，并推广到结果不可区分性，解决确定性预测器是否必要的问题。
LLM招聘决策中的性别偏见：来自日本语境的证据及缓解策略评估
机构 * Shibaura Institute of Technology, Tokyo, Japan（Shibaura技术学院，东京，日本） ； Amsterdam University of Applied Sciences, Amsterdam, Netherlands（阿姆斯特丹应用科学大学，阿姆斯特丹，荷兰） ； University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学，费城，美国） ； Carnegie Mellon University, Pittsburgh, USA（卡内基梅隆大学，匹兹堡，美国） ； Keio University, Tokyo, Japan（庆应大学，东京，日本）
AI总结 本研究通过60份日本履历书格式的简历和5个先进LLM，发现所有模型均存在显著的亲女性偏见，且简单的提示指令无法缓解，而移除姓名几乎完全消除该偏见。
战略特征选择
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； Cornell Tech（康奈尔科技） ； Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学） ； Inria, Paris（巴黎Inria）
AI总结 研究通过特征选择和岭正则化应对战略操纵的分类问题，发现仅基于可操纵性排除特征通常次优，提出联合优化特征集与正则化水平的算法，并在医疗支付基准上验证。
DreamReg：基于信念驱动的世界模型用于2D-3D超声配准
机构 * T Stone Robotics Institute, The Chinese University of Hong Kong（香港中文大学T Stone机器人研究所） ； Multi-scale Medical Robotics Center（多尺度医疗机器人中心） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
AI总结 提出DreamReg框架，将2D-3D超声配准建模为信念更新，通过世界模型模拟探头运动并整合想象结果，在CAMUS和u-RegPro数据集上实现鲁棒且准确的实时配准。
RegimeVGGT：面向视觉几何基础Transformer的逐层空间保持冗余去除
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Irvine（加利福尼亚大学尔湾分校） ； Nanyang Technological University（南洋理工大学）
AI总结 提出RegimeVGGT，通过逐层U形压缩（显著性引导带状合并与选择性保护K/V下采样）去除冗余，在保持重建质量的同时实现6.7倍加速。
Comments 9 pages, 3 figures, 7 tables. Jinhao You, Shuo Lyu, Zhuohang Lyu, Tanxuan Li, and Zibo Zhao contributed equally. Shuo Lyu is the corresponding author
Guava: 一种有效且通用的具身操作工具框架
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 Waterloo（滑铁卢大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Amazon FAR（亚马逊 FAR）
AI总结 提出Guava框架，通过迭代感知-推理-行动循环、语义动作抽象和多模态观测三大关键设计，将具身操作能力蒸馏到4B开源模型中，在仿真和真实环境中性能媲美前沿专有模型。
EvoArena: 追踪记忆演化以构建动态环境中的鲁棒LLM智能体
机构 * National University of Singapore（新加坡国立大学） ； Singapore Management University（新加坡管理大学） ； University of Washington（华盛顿大学） ； University College London（伦敦大学学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanyang Technological University（南洋理工大学） ； Recursive ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出EvoArena基准套件模拟终端、软件和社交领域的渐进环境变化，并设计基于补丁的记忆范式EvoMem记录结构化更新历史，使智能体能通过记忆变化推理环境演化，实验表明当前智能体在动态环境中表现不佳，EvoMem可稳定提升性能。
超越领域：通过可迁移交互模式重用网络技能
机构 * University of Michigan（密歇根大学） ； Alibaba Group（阿里巴巴集团） ； Purdue University（普渡大学） ； McMaster University（麦克马斯特大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出SkillMigrator代理，通过学习可迁移交互模式（TIP）匹配布局结构而非元素引用，实现跨站点技能重用，在WebArena和Mind2Web上成功轨迹的LLM动作数减少8-10%。
约束扩散模型与原始-对偶推理
机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
AI总结 提出原始-对偶推理（PDI）方法，通过联合推断最优原始分布和其对偶变量，在扩散模型反向过程中交替去噪与对偶上升，实现平均约束下的熵正则化优化问题采样。
UXBench: 衡量LLM生成的UX评论的可操作性
机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Rochester（罗切斯特大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； LMU Munich（慕尼黑路德维希-马克西米利安大学）
AI总结 提出UXBench基准，通过下游修复代理能否基于评论改进界面来评估LLM作为UX评判者的可操作性，发现不同模型在报告可操作性、修复特征和可靠性上存在显著差异。
Comments 30 pages
PACT: 多轮工具使用智能体的特权轨迹协同训练
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Ohio State University（俄亥俄州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Arizona State University（亚利桑那州立大学）
AI总结 提出PACT框架，通过特权轨迹（专家轨迹）在训练时提供密集监督信号，结合轨迹条件RL和组件感知SFT损失，避免推理时依赖轨迹，显著提升多轮工具使用智能体的性能。
Comments Project page: https://zhenbangdu.github.io/pact-project-page/
算法推理中代码是否优于语言
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 通过分离中间表示与执行机制，在40个任务上比较代码执行与自然语言推理，发现代码执行优势源于外部执行而非表示变化。
Comments ICML 2026
平衡传播与耦合学习中的守恒律
机构 * SAS, University of Pennsylvania（宾夕法尼亚大学SAS学院）
AI总结 本文证明物理学习方法耦合学习和平衡传播在连续时间小扰动极限下守恒类质量量，并分析其对线性电路训练动力学的影响。
线性电路中物理学习的强制性与局部收敛性
机构 * Department of Mathematics, University of Pennsylvania, Philadelphia（宾夕法尼亚大学数学系）
AI总结 针对线性电路，分析三种物理学习方法（平衡传播、耦合学习及其伴随变体）在小扰动极限下的局部收敛性，发现强制条件（基于网络结构的秩条件）保证指数收敛，且非退化情况是普遍的。
通过迭代策略更新的鲁棒共形CBF和CLF控制器
机构 * Automatic Control Laboratory, ETH Zürich（瑞士苏黎世联邦理工学院自动控制实验室） ； Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
AI总结 针对共形预测嵌入鲁棒控制时因分布偏移导致安全/稳定性保证失效的问题，提出迭代更新策略框架，结合对抗鲁棒共形预测与分布偏移预算，实现跨回合保证。
智能体AI中的弹性共识
机构 * KTH（瑞典皇家理工学院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究LLM智能体在多智能体系统中的共识问题，发现经典弹性共识理论在LLM智能体中失效，但结合经典滤波器可改善一致性。
专家驱动的生存机器：改善多个临床队列中的分层与可解释性
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出一种基于混合专家模型的自适应深度聚类生存框架（AdaCSM），通过路由专家机制实现条件专业化，动态分配患者到专门的风险预测器，提升生存预测性能和可解释性。
课堂环境中的多模态说话人识别
机构 * University of Michigan（密歇根大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学）
AI总结 针对课堂背景噪声和儿童语音变异性导致纯声学模型准确率低的问题，提出融合声学嵌入与LLM语义上下文的多模态框架，将学生识别准确率从39.0%提升至50.3%，长句准确率达76.9%，角色区分准确率99.3%。
Comments 9 pages, 5 tables, 3 figures
A2D2: 任意长度离散扩散模型的自适应解码微调
机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Bioengineering, University of Pennsylvania（宾夕法尼亚大学生物工程系） ； School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学学院）
AI总结 提出A2D2框架，通过联合优化插入和去掩蔽策略及基于质量的推理调度，实现任意长度离散扩散模型的奖励引导微调，理论上保证收敛到奖励倾斜分布，实验提升奖励优化与生成灵活性和准确性。
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