高校专区
语言模型学习构式语义，更不用说句法：探究LM对配对焦点构式的理解
机构 * Georgetown University（乔治城大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Leipzig University（莱比锡大学）
AI总结 通过构建新数据集，研究不同规模开源语言模型对英语中稀有配对焦点构式（如“let alone”）的语义理解，发现中等规模模型能掌握其形式和意义，且语义学习晚于句法知识，并与世界知识相关。
Comments Conference on Natural Language Learning (CoNLL) 2026
函数注意力：从成对亲和性到函数对应
机构 * Technical University of Munich, Germany（慕尼黑技术大学，德国） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML），德国） ； PIXL, Department of Computer Science, University of Oxford, United Kingdom（牛津大学计算机科学系PIXL，英国） ； ECE, University of Texas at Austin, USA（德克萨斯大学奥斯汀分校电子与计算机工程系，美国）
AI总结 提出函数注意力机制，将注意力重新解释为自适应基之间的函数对应，通过结构化线性算子替代softmax亲和性，实现紧凑、可泛化、分辨率不变的全局依赖表示，在PDE求解、3D分割和回归等算子学习任务中达到最先进性能。
Comments 26 pages, 12 figures. Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
GPU预测器：语言模型作为内核运行时优化的选择性替代
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； AI2 ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究利用语言模型作为GPU内核性能的选择性替代，通过强化学习提高预测准确性和校准度，在有限GPU评估预算下加速内核搜索。
Comments Code: https://github.com/codezakh/gpu-forecasters
并非所有合成数据都适合学习
机构 * ECE Department（电子工程系） ； Apple（苹果公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Rice University（里奇大学）
AI总结 研究无提示、无教师、无验证器、无奖励模型的自训练中，语言模型能否从自身生成的文本中学习，发现合成数据与学生之间的兼容性是关键，并揭示了能力与逐字记忆可分离的现象。
物理可行的世界模型：面向查询条件具身AI的案例
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对具身AI中现有世界模型预测未来观测但物理不可行的问题，提出应构建基于查询条件、识别最简物理抽象的世界模型，通过模块化分解确保可解释性和可验证性。
Comments 21 pages; Adam J. Thorpe and Stepan Tretiakov contributed equally
ARISTO Hand：基于感知驱动的远端过伸实现精细操作
机构 * Human Centered Robotics Lab at The University of Texas at Austin（德克萨斯大学奥斯汀分校人本机器人实验室） ； Sony Group Corporation（索尼集团）
AI总结 提出一种肌腱驱动机械手ARISTO Hand，通过主动远端过伸和混合指尖传感架构（刚性指甲安装力-扭矩传感器与软电容触觉阵列），增强对薄物体的操作能力，在1-20 mm厚度范围内将拔出力提升2.76倍，并实现SD卡插拔等精细任务。
利用局部动态规律性实现离线分层强化学习中的可复用技能
机构 * UT Austin（UT奥斯汀）
AI总结 提出CARL算法，通过对比学习对齐局部动态与动作序列，在离线分层强化学习中学习可复用技能，提升下游任务性能。
REAL: 面向LLM评判的回归感知强化学习
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； The University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Google Research Now at Google DeepMind（谷歌研究 现在在谷歌深Mind）
AI总结 提出REAL框架，通过广义策略梯度将回归目标融入强化学习，优化LLM作为评分器的数值评估，在多个规模模型上超越SFT和标准RL方法。
Comments Accepted to ICML 2026. The first two authors contributed equally
发现人类与LLM在战略行为上的差异
机构 * Department of Computer Science, University of Texas at Austin. Work performed as a student researcher at Google DeepMind（德克萨斯大学计算机科学系。作为谷歌DeepMind的学生研究员进行的工作） ； Google DeepMind（谷歌DeepMind）
AI总结 使用AlphaEvolve程序发现工具，从数据中直接发现可解释的人类和LLM行为模型，揭示在迭代石头剪刀布中前沿LLM比人类具有更深层次的战略行为。
Comments Accepted to ICML 2026
超越听觉：通过生理学启发的标记化从耳机学习任务无关的ExG表示
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； UCLA（加州大学洛杉矶分校） ； Northwest University（北华大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院）
AI总结 提出一种基于耳机的生理学启发的多频带标记化方法（PiMT），通过无干扰的日常ExG数据采集和重建任务学习鲁棒表示，实现跨多种任务（包括五种人类感官）的通用ExG监测。
Comments Accepted to ICLR 2026
LLMs 依赖先验而非编程语言语义
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究）
AI总结 通过 PLSemanticsBench 基准测试，发现前沿大语言模型在程序执行任务中依赖预训练统计规律而非形式语义规则，语义变异和结构复杂度导致准确率大幅下降。
Comments Accepted at ICML 2026
Conformal C2ST：将弱分类器转化为强双样本检验
机构 * Department of Statistics and Data Sciences, University of Texas at Austin, United States（统计与数据科学系，德克萨斯大学奥斯汀分校，美国）
AI总结 本文提出基于共形预测的C2ST变体，使任意弱分类器都能产生精确有限样本p值，实现可控第一类错误和温和退化的检验功效，并应用于神经后验估计验证。
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