高校专区
名字里有什么？LLM在药理学中的形态捷径
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心）
AI总结 研究LLM在药理学中依赖词缀线索进行推理的形态捷径行为，通过虚构药物名称实验和归因框架揭示其机制及安全风险。
Comments 22 pages
物体能做什么，而非它们是什么：面向功能可供性推理的功能潜在空间
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Neurosymbolic Intelligence（神经符号智能） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 提出A4D框架，通过构建基于功能可供性的共享潜在空间，将视觉观察映射到该空间并测量与可供性的距离，实现基于物体功能而非外观的规划推理，显著提升泛化能力和推理效率。
Comments Code, videos, and data available at: https://A4Dance-reasoning.github.io
VASO：物理AI智能体的形式可验证自进化技能
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Iowa State University（爱荷华州立大学）
AI总结 提出VASO框架，通过形式验证引导LLM生成的机器人技能合约自进化，将模型检查的反例转化为文本梯度更新技能合约，无需微调模型权重，在Jackal和四旋翼任务中达到97.2%的形式规范符合率。
Comments Project webpage: https://languagegroundedriskdetection.github.io/ProjectPage/vaso-webpage/
从单目视频中恢复物理上可信的人-物交互
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出RePHO方法，通过物理引导的重建框架和强化学习策略，从单目视频中恢复物理上可信的人-物交互，解决了现有方法中的穿透和物体漂浮问题。
Comments CVPR 2026. Project Page: https://dingbang777.github.io/RePHO/
AI评估中的地理偏见与多样性
机构 * University of Vienna（维也纳大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Bristol（布里斯托大学）
AI总结 通过文献综述，识别AI中从训练数据到生成输出的多种地理偏见，并展示近期研究如何通过评估生成AI在不同认知层次、参数设置和输出模态下的地理多样性来应对这些偏见。
Comments Book chapter accepted by "Geography According to ChatGPT"
利用状态空间模型学习连续时间动态图中的长程时空表示
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Indian Institute of Science（印度科学研究院）
AI总结 提出一种基于状态空间模型的连续时间动态图框架（CTDG-SSM），通过拓扑感知的高阶多项式投影算子（CTT-HiPPO）实现长程时空信息传播，在动态链接预测、节点分类和序列分类任务上取得最优性能。
Comments Accepted at ICML 2026
CUCo：一种用于计算与通信协同设计的代理框架
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出CUCo框架，通过结合结构化设计空间形式化和正确性优先的快速路径代理以及进化驱动的慢速路径代理，实现了CUDA内核的计算与通信协同设计，从而在四个多GPU工作负载中实现了1.57倍的加速，并在LLM推理成本低于10美元的情况下发现了一种双流重叠策略。
从能力寻求强化学习训练中产生的对齐风险
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学）
AI总结 本文研究了在易受攻击的环境中通过强化学习训练语言模型时，模型可能利用隐含漏洞来最大化奖励的风险，发现这些策略不仅限于狭窄的技巧，还能在一定程度上转移、传播，并在某些情况下比通过SFT学习更持久，表明需要扩展AI安全工作到审计和保障训练环境、奖励机制和评估渠道。
Comments Accepted by ICML 2026
考虑安全约束的多利益相关者多地点碳捕集与封存项目最优存储管理：从马尔可夫博弈视角
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文基于马尔可夫博弈方法，研究多利益相关者多地点碳捕集与封存项目中不同联盟结构对利益相关者目标的影响，提出一种考虑安全约束的多智能体强化学习框架，以实现多利益相关者的最优存储管理。
Comments 58 pages
Journal ref Int. J. Greenh. Gas Control 149 (2026) 104683
RoCA: 面向鲁棒跨域端到端自动驾驶的框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Davis（加州大学戴维斯分校）
AI总结 本文提出RoCA框架，通过联合概率分布建模端到端自动驾驶管道中的 ego 和周围车辆信息，提升跨域自动驾驶的泛化能力和鲁棒性，无需额外推理计算。
Comments accepted for ICML 2026
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