高校专区
Sangam：使用AR堆栈高效服务扩散语言模型
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 研究扩散语言模型服务问题，提出Sangam系统，用赤字令牌预算调度器实现摊还无停顿调度，采用混合服务策略缓解预填充资源不足，揭示服务设计空间受预填充-解码干扰等因素影响。
PreSIST：开放世界场景中视觉-语言信息的对象持久性预测
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National Science Foundation（美国国家科学基金会） ； ARO（美国陆军研究办公室） ； Amazon（亚马逊公司） ； JP Morgan（摩根大通公司）
AI总结 研究长期部署机器人对环境变化的推理，提出PreSIST方法，通过对象属性和场景上下文估计实例级持久性先验，结合概率持久性过滤器预测对象未来姿态，有两种变体，实验表明优于基线。
Comments 8 pages, 6 figures, 3 tables
奖励门控策略蒸馏
机构 * University of Cologne（科隆大学） ； AWS AI（亚马逊云科技人工智能） ； UT Austin（德克萨斯大学奥斯汀分校） ； MIT（麻省理工学院）
AI总结 研究如何进行策略蒸馏，核心方法是引入奖励门控策略蒸馏（RG-OPD）利用验证器反馈决定是否信任教师逻辑，主要贡献是在推理和编码基准测试中表现出色，优于其他蒸馏方法。
Comments 8 pages, 2 figures, 3 tables
激励视觉语言模型进行长视频问答搜索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究将长视频问答从被动单流程感知任务转变为多轮检索过程，核心方法是自然语言驱动搜索及强化学习后训练，贡献是提升长视频理解基准测试分数。
Comments To appear at the European Conference on Computer Vision (ECCV 2026)
通过验证器与生成器对齐改进大语言模型
机构 * Department of Computer Science, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Departments of Linguistics and Computer Science, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校语言学与计算机科学系） ； Department of Computer Science & Center for Data Science, New York University（纽约大学计算机科学系及数据科学中心）
AI总结 研究大语言模型不一致问题，提出基于话语频率的生成器-验证器一致性新公式，介绍\FCPA方法，实验表明该方法能提升生成器性能及两者一致性，且保持验证器质量。
基于机器学习的混合二元二次规划的原始启发式方法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出基于机器学习的混合二元二次规划求解启发式方法，通过改进神经网络架构和损失函数，提升求解效率和泛化能力。
AsymLoc：迈向高效视觉定位的非对称特征匹配
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊）
AI总结 本文提出AsymLoc框架，通过几何驱动匹配目标和联合检测器-描述符蒸馏目标，实现轻量学生模型与大教师模型的非对称特征匹配，提升视觉定位效率与精度。
EvolveTool-Bench：评估LLM生成的工具库作为软件 artifact 的质量
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Uber Technologies（优步科技公司）
AI总结 本文提出EvolveTool-Bench，通过评估LLM生成的工具库在软件工程流程中的质量，揭示任务完成率之外的软件质量风险，强调需将工具库视为首要软件 artifact。
Comments 11 pages, 4 figures; accepted at KDD 2026 Workshop on Agentic AI Evaluation and Trustworthiness
从算术到逻辑：逻辑与基于查找的神经网络在参数位翻转下的韧性
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Federal University of Rio de Janeiro（里约热内卢联邦大学） ； Instituto de Telecomunicações, Porto, Portugal（葡萄牙波尔图电信研究所） ； Google LLC（谷歌公司）
AI总结 研究探讨了神经网络在硬件位翻转误差下的韧性，发现低精度、高稀疏性、受限激活和浅层深度等特性在理论模型下更优，逻辑和查找型网络实现了这些设计趋势的联合极限，实验验证了其在故障容忍中的稳定性。
期权对冲的强化学习：静态隐含波动率拟合与短失意识表现
机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系） ； Cornell Ann S. Bowers College of Computing and Information Science, Cornell University（康奈尔大学安·S·鲍威尔计算机与信息科学学院） ； School of Social Sciences, Nanyang Technological University（南洋理工大学社会科学学院） ； Krieger School of Arts and Sciences, Johns Hopkins University（约翰霍普金斯大学克里格尔艺术与科学学院）
AI总结 本文提出RLOP方法，通过结合风险厌恶和交易成本改进QLBS框架，评估期权定价模型在静态和动态维度的表现，强调实际对冲效果的重要性。
通过偏好之上的偏好进行自适应边际基于人类反馈的强化学习
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究在基于人类反馈的强化学习中奖励模型学习的边际优化问题，提出利用偏好之上的偏好推断自适应边际，介绍具体实例DPO-PoP，提升判别和生成性能，并给出采样策略。
BrainNormalizer：通过边缘引导控制网络从肿瘤MRI进行解剖学信息伪健康脑重建
机构 * University of Pittsburgh（匹兹堡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cedars-Sinai Medical Center（西德萨斯医疗中心） ； Mayo Clinic Arizona（梅奥诊所亚利桑那分部）
AI总结 针对脑肿瘤致结构变形难区分肿瘤与解剖变异问题，提出BrainNormalizer框架，用两阶段训练学习解剖先验等，通过特定策略实现伪健康脑重建，实验表明其有优势。
利用学习到的纹理先验增强单目3D手部重建
机构 * ICS-FORTH（希腊研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Crete（克里特大学）
AI总结 重新审视纹理在单目3D手部重建中的作用，提出轻量级纹理模块，嵌入像素观察到UV纹理空间，实现预测与观察手部外观的密集对齐损失，增强HaMeR系统，提高精度和真实感。
Comments Accepted at WACV 2026. Project page: https://gkarv.github.io/hand-texture-module/
TAMA：一种使用多智能体大语言模型进行临床访谈的人机协作主题分析框架
机构 * School of Information, University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） ； Department of Biomedical Engineering, University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校） ； College of Natural Sciences, University of Texas at Austin（自然科学院，德克萨斯大学奥斯汀分校） ； Graphen, Inc.（Graphen公司） ； Department of Cardiac Surgery, Division of Pediatric Cardiac Surgery, Vanderbilt University School of Medicine（心脏外科系，范德比尔特大学医学中心） ； Pediatric Heart Institute, Monroe Carell Jr. Children’s Hospital at Vanderbilt（儿童心脏研究所，范德比尔特儿童医院） ； Department of Computer Science, University of Virginia（计算机科学系，弗吉尼亚大学） ； Department of Computer Science, University of Illinois at Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； McCombs School of Business, University of Texas at Austin（麦克阿瑟商学院，德克萨斯大学奥斯汀分校） ； Dell Medical School, University of Texas at Austin（德克萨斯大学奥斯汀分校德莱尔医学院）
AI总结 提出人机协作主题分析框架TAMA，利用多智能体系统结构化对话及心脏专家专业知识，用于临床访谈分析，在罕见病访谈转录本分析中性能优于单智能体方法。
Comments Manuscript accepted to ACM Transactions on Computing for Healthcare
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