高校专区
HumanNOVA: 从单张图像实现逼真、通用且快速的3D人体化身建模
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National University of Singapore（新加坡国立大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 提出HumanNOVA模型，通过可扩展数据生成流水线和前馈令牌条件化架构，从单张RGB图像快速生成逼真3D人体化身，无需测试时优化。
Comments CVPR 2026 Highlight
英雄之旅：用文本游戏测试复杂规则归纳
机构 * Department of Linguistics（语言学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出HERO'S JOURNEY基准，通过目标导向的文本游戏评估大型语言模型在属性与程序归纳任务中的规则推理能力，发现模型虽能进行规则归纳但能力有限且不均衡，程序执行成为瓶颈，而表面语义影响较小。
Comments 24 pages
MT-EditFlow：基于流匹配的多轮图像编辑强化学习
机构 * Apple（苹果公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Lambda, Inc（Lambda公司）
AI总结 提出MT-EditFlow框架，通过流匹配强化学习优化多轮图像编辑的奖励信号，解决单轮编辑模型在多轮交互中的失败和误差传播问题，显著提升多轮编辑性能。
通过二阶几何监督学习混沌动力学
机构 * Department of Computer Science and Software Engineering, Korea University（韩国大学计算机科学与软件工程系） ； Department of Aerospace Engineering and Engineering Mechanics, The Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系，奥登计算工程与科学研究所）
AI总结 提出模型约束随机雅可比匹配方法，以O(d^2)代价隐式施加二阶一致性，在混沌系统中恢复吸引子几何和不变统计量。
Comments 37 pages, 15 figures, 6 tables
基于模型选择的计算感知卡尔曼滤波用于神经动力学
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校）
AI总结 提出计算感知状态空间模型（CASSM），通过新训练损失和优化方案实现模型选择，在试验数远少于神经元数的规模不平衡场景中，以可处理的计算复杂度提供竞争性预测和更优的不确定性校准。
Comments 24 pages, Proceedings of 2nd International Conference on Probabilistic Numerics (2026)
当并行性有回报时：面向多智能体编码的凝聚力感知任务划分
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Oxford（牛津大学）
AI总结 提出Co-Coder方法，通过静态分析构建依赖图、社区检测划分图及依赖感知调度，在仓库级软件工程中平衡通信与计算开销，实现多智能体并行编码的效率和成本优化。
基于动态稀疏性的内存高效LLM训练：从稳定性到实际扩展
机构 * University of Waterloo（滑铁卢大学） ； University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan（密歇根大学）
AI总结 提出SMET方法，通过优化器预热和密度感知学习率缩放解决动态稀疏训练中的优化不稳定问题，实现LLM的稳定、可扩展且内存高效的稀疏预训练。
Comments Accepted at ICML2026
BAGEN：LLM 智能体是否具有预算意识？
机构 * Northwestern University（西北大学） ； O2 Lab（O2实验室） ； Independent（独立） ； University of Michigan（密歇根大学） ； Cornell（康奈尔大学） ； All Hands AI ； Stanford（斯坦福大学） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出预算感知智能体（BAGEN）概念，将预算作为主动控制信号而非被动成本指标，通过渐进区间估计方法预测剩余预算上下界，并在四个环境和五个前沿模型上发现强模型不一定具有强预算意识、模型过度乐观等失败模式，早期停止可节省 28-64% 令牌，但精确区间校准仍具挑战。
基于广义瑞利商优化的基础模型保留适配
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软） ； Microsoft AI（微软人工智能） ； Meta
AI总结 提出FoLoRA框架，通过广义瑞利商优化更新方向，在微调中平衡下游任务性能与预训练能力保留。
面向数据敏感检索增强生成的隐私策略执行护栏
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 针对RAG系统中上下文数据泄露问题，提出基于双单类密度估计器与融合文本嵌入的隐私策略执行框架，在医学、金融和法律领域实现高AUROC和低误报率。
超越视觉保真度：通过下游任务集成评估大规模遥感影像的超分辨率模型
机构 * University of Maryland（马里兰大学） ； University of Pittsburgh（匹兹堡大学） ； Worcester Polytechnic Institute（沃思利技术学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对现有超分辨率评估依赖PSNR/SSIM等保真度指标而忽略下游任务效用的问题，提出GeoSR-Bench基准数据集，集成土地覆盖分割、基础设施映射等下游任务，评估GAN、Transformer等9种SR模型在270种设置下的性能，发现保真度指标与任务性能弱相关甚至负相关。
Comments Under review at IEEE TPAMI
ExpertGen: 从非完美行为先验的可扩展仿真到现实专家策略学习
机构 * Robotics and AI Institute（机器人与人工智能研究院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sony AI（索尼人工智能）
AI总结 提出ExpertGen框架，通过扩散策略初始化行为先验并结合强化学习优化噪声，在仅稀疏奖励下生成高质量专家策略，实现从仿真到现实的可扩展迁移。
处理胸部X光分类中的监督稀缺性：长尾与零样本学习
机构 * University of Technology, Vietnam（越南技术大学） ； National University of Singapore（新加坡国立大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对胸部X光分类中极端长尾多标签分布和罕见/未见发现缺失标注的问题，提出不平衡感知多标签学习（任务1）和无需监督标签的零样本预测方法（任务2），在CXR-LT 2026挑战赛中取得领先性能。
Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI)
两个数据集优于一个：冷冻电镜三维重建的双矩方法
机构 * Department of Mathematics and Oden Institute, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系与奥登研究所） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学姚贝泰数学科学中心） ； Program in Applied and Computational Mathematics and Department of Mathematics, Princeton University（普林斯顿大学应用与计算数学项目及数学系） ； Program in Applied and Computational Mathematics, Princeton University（普林斯顿大学应用与计算数学项目）
AI总结 提出双矩方法（MoDM），利用均匀和非均匀两种取向分布下的二阶矩数据唯一确定分子结构，并开发基于凸松弛的算法实现高精度重建。
DuetServe: 通过自适应GPU多路复用协调LLM服务的预填充与解码
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对LLM服务中预填充与解码阶段的干扰问题，提出DuetServe框架，通过自适应SM级GPU空间多路复用实现单GPU内的阶段隔离，在保证低延迟的同时提升吞吐量。
基于技能的混合专家模型：通过推断技能实现异构推理的自适应路由
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出Skill-MoE框架，通过推断查询所需技能进行实例级专家选择，并采用批推理策略降低开销，在单GPU上集成16个专家模型，在多个推理基准上平均提升8.15%。
Comments ICML 2026 (Camera-Ready). The first three authors contributed equally. Project Page: https://skill-moe.github.io/
基于分数生成模型的高效加权采样
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出一种无需训练的加权采样框架，通过轻量级引导近似和不确定性感知调度器，在预训练分数生成模型上实现高效、稳定的采样，并在大规模设置中取得1.2至4.7倍加速。
Comments 37 pages
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