高校专区
3DReflecNet：一个大规模数据集，用于反射、透明和低纹理物体的3D重建
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Capital Normal University（首都师范大学） ； University of Southern California（南加州大学）
AI总结 本文提出3DReflecNet数据集，包含超过700万张多视角图像，用于评估和推动针对反射、透明和低纹理物体的3D视觉方法，揭示现有方法在复杂材料下的局限性。
Comments This paper has been accepted by CVPR 2026 Oral
为视觉语言模型解开 Gordian 结：图式结理作为一项难题基准
机构 * Department of Psychology（心理学系） ； New York University（纽约大学） ； Department of Computer Science（计算机科学系） ； University of Southern California（南加州大学）
AI总结 本文提出 KnotBench 基准，通过 858,318 张图像与 Regina 签名验证，评估 VLMs 在结图识别、预测和跨模态接地任务中的能力，发现模型在结操作模拟上存在显著不足。
Comments 41 pages, 18 figures
无欺骗的利用：黑暗三联征特征引导揭示语言模型中的可分离反社会回路
机构 * Reciprocal Research ； Brain & Creativity Institute, University of Southern California（美国南加州大学脑与创造力研究所）
AI总结 通过稀疏自编码器特征引导增强Llama-3.3-70B-Instruct的黑暗三联征特质，发现反社会行为与认知共情分离，揭示语言模型中可区分的反社会回路。
Comments 12 pages, 3 figures
荒诞世界：一种简单却强大的方法，用于将现实世界扭曲以探测LLM推理能力
机构 * The Nueva School（新维学校） ； University of Southern California（南加州大学） ； Notre Dame College（诺特大学） ； Arizona State University（亚利桑那州立大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出Absurd World框架，通过扭曲现实世界来测试LLM的推理能力，验证其在简单逻辑任务中的鲁棒性。
链式推理中的隐藏错误意识：信号是诊断性的，而非因果性的
机构 * University of Southern California, Los Angeles, CA, USA（南加州大学，洛杉矶，加利福尼亚州，美国）
AI总结 研究揭示链式推理中模型内在检测自身推理错误但外在表现自信的现象，通过隐藏状态线性探针显示其正确性预测能力，但无法通过干预修复错误，表明信号为诊断而非因果。
Comments 10 pages, 5 figures, 10 tables.Mechanistic Interpretability @ ICML 2026
超越语言：大型语言模型中的格式无关推理子空间
机构 * University of Southern California（南加州大学） ； Duke University（杜克大学）
AI总结 研究揭示大型语言模型中存在格式无关推理子空间（FARS），通过TriForm基准测试发现，FARS能增强概念结构并抑制形式信息，且在不同架构中表现一致，支持柏拉图表示假设。
Comments Preprint. 13 pages, 13 figures, 12 tables
并非所有思考都需要HBM：面向LLM推理的语义感知内存层次结构
机构 * University of Southern California（南加州大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种语义感知内存层次结构，通过累积注意力评分将token分为四个层级，减少HBM占用并提升推理准确性，实验表明仅3%的淘汰率可保持91%的GSM8K准确率。
Comments Preprint. 14 pages + appendix. Under review at AdaptFM Workshop @ ICML 2026
近优的最后一轮收敛性：带有带轮反馈和对手动作的零和博弈
机构 * University of Southern California（南加州大学） ； Shanghai University of Finance and Economics（上海财经大学） ； University of Iowa（爱荷华大学）
AI总结 本文探讨了在带轮反馈和对手动作信息下，零和博弈中学习动态的最后一轮收敛性问题，提出了一种高效算法实现t^(-1/2)的高概率收敛，并改进了对战带轮的结果。
顶部H解码：在受限制的熵下适应创造力和连贯性
机构 * University of Southern California（南加州大学） ； Intel AI（英特尔人工智能）
AI总结 本文提出top-H解码，通过熵约束最小散度问题提升文本生成的创造力与连贯性，实验证明其在创意写作任务中优于现有方法，且在问答数据集上表现稳健。
锚定特征间隙：跨模态谱稳定化以实现样本高效表征学习
机构 * Imaging Genetics Center, Mark & Mary Stevens Neuroimaging & Informatics Institute, Keck School of Medicine, University of Southern California（影像基因中心，马克与玛丽史蒂文斯神经影像与信息学研究所，凯克医学院，南加州大学） ； Neuroscience Graduate Program, Mark & Mary Stevens Neuroimaging & Informatics Institute, Chan Division of Occupational Science & Occupational Therapy, Biomedical Engineering, University of Southern California（神经科学研究生项目，马克与玛丽史蒂文斯神经影像与信息学研究所，查恩职业科学与职业治疗 division，生物医学工程，南加州大学）
AI总结 本文提出跨模态谱稳定化方法，通过抑制噪声主导方向并保持特征间隙，提升样本效率下的表征学习性能。
PromptDx: 为多模态上下文阿尔茨海默病诊断的可微提示微调
机构 * Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California（斯蒂文斯神经影像与信息学研究所，凯克医学院，南加州大学） ； Ming Hsieh Department of Electrical and Computer Engineering, Viterbi School of Engineering, University of Southern California（明希德电气与计算机工程系，维特比工程学院，南加州大学） ； Alfred E. Mann Department of Biomedical Engineering, Viterbi School of Engineering, University of Southern California（阿尔弗雷德·E·曼生物医学工程系，维特比工程学院，南加州大学）
AI总结 PromptDx通过可微提示微调机制，结合预训练的TabPFN实现多模态上下文诊断，提升数据效率和临床适用性。
无模型神经滤波：在非线性系统中与经典滤波器的比较
机构 * University of Southern California（南加州大学）
AI总结 本文比较了无模型神经滤波器与经典滤波器在非线性系统中的性能，发现结构化的状态空间模型在多个场景中表现优异，尤其在无系统模型的情况下表现突出，同时在推理吞吐量上也具有优势。
Comments 9 pages, 15 figures
当机器人比人类更强大时：从受限演示中学习
机构 * Thomas Lord Department of Computer Science, University of Southern California（汤姆·劳德计算机科学系，南加州大学） ； Meta AI ； Department of Computer Science & Engineering, University of California San Diego（计算机科学与工程系，加州大学圣地亚哥分校）
AI总结 本文探讨机器人能否超越受限专家的演示学习，通过探索更高效轨迹和自定义奖励信号，提升学习效率和任务完成速度。
双重时间尺度近似分布鲁棒强化学习的中心极限定理
机构 * Department of Industrial and Systems Engineering, University of Southern California（工业与系统工程系，南加州大学）
AI总结 本文提出基于一阶展开的近似分布鲁棒强化学习框架，通过双重时间尺度设计的Mean-Variance随机逼近算法，解决了分布鲁棒强化学习中的鲁棒Bellman运算非线性及计算复杂性问题，并证明了算法的收敛性与中心极限定理。
重新思考LLM推理中的强化学习：不是能力学习，而是稀疏策略选择
机构 * University of Southern California（南加州大学） ； DEVCOM ARL ReasonMaxxer
AI总结 本文通过分析发现强化学习在LLM推理中主要通过稀疏修正提升性能，提出无需强化学习的ReasonMaxxer方法，仅需少量基础模型推理即可达到与强化学习相当的效果。
Agent-Sentry: 通过执行溯源界定了LLM代理
机构 * University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 本文提出Agent Sentry，通过学习代理良性执行的边界来检测恶意行为，有效阻止注入攻击，同时允许良性执行。
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