高校专区
生成AI对协作开源软件开发的影响：来自GitHub Copilot的证据
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究探讨生成AI对开源协作开发的影响，发现GitHub Copilot提高了代码贡献和开发者参与，但增加了协调时间，揭示了AI在扩展贡献者的同时减缓协作的权衡。
类人工作记忆干扰在大语言模型中
机构 * School of Psychological and Brain Sciences, Georgia Tech（佐治亚理工学院心理与脑科学学院） ； Department of Psychology, New York University（纽约大学心理学系） ； Department of Cognitive Science, Indiana University Bloomington（印第安纳大学布卢明顿分校认知科学系） ； Honda Research Institute（本田研究所） ； Center of Excellence for Computational Cognition, Georgia Tech（佐治亚理工学院计算认知卓越中心） ； Departments of Neuroscience and Psychology, The University of Texas at Austin（德克萨斯大学奥斯汀分校神经科学和心理学系）
AI总结 研究发现大语言模型在工作记忆任务中存在干扰限制，其表现与人类相似，且通过抑制无关信息实现有效记忆检索。
Comments Published as a conference paper at COLM 2026
OpenRC：一种用于多模态数据采集和自主性研究的开源机器人结肠镜框架
机构 * Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系） ； Department of Surgical Oncology, Division of Surgery, The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心外科肿瘤学系） ； School of Medicine and Health, Technical University of Munich（慕尼黑工业大学医学与健康学院）
AI总结 OpenRC框架通过整合开源硬件和多模态数据集，为机器人结肠镜和手术自主性研究提供了可重复的基础，支持同时记录视频、操作指令、执行状态和末端位置，并验证了运动一致性和跨模态延迟。
Comments Abstract: Added repository and contribution statement
大型语言模型在上下文学习中重组表征几何结构
机构 * School of Psychological and Brain Sciences, Georgia Tech（佐治亚理工学院心理与脑科学学院） ； Department of Psychology, New York University（纽约大学心理学系） ； Center of Excellence for Computational Cognition, Georgia Tech（佐治亚理工学院计算认知卓越中心） ； Honda Research Institute（本田研究院） ； Departments of Neuroscience and Psychology, The University of Texas at Austin（德克萨斯大学奥斯汀分校神经科学与心理学系）
AI总结 研究大型语言模型在上下文学习中的表征几何重组，发现其性能与任务表征结构相关，并通过原型算法动态调整表征以提高可分性。
Comments Published as a conference paper at COLM 2026
多语言OCR感知微调和提示引导的链式思维推理用于多模态大语言模型
机构 * Meta AI ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 提出一种多语言OCR感知的多模态训练框架，通过合成数据生成、OCR感知微调和结构化视觉链式思维提示，提升多模态大语言模型在复杂视觉条件下的OCR完整性和多语言翻译准确性。
多模态QUD：来自科学图表的探究性问题
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Ithaca College（伊萨卡学院） ； UC Berkeley, BespokeLabs.ai（伯克利大学，BespokeLabs.ai）
AI总结 本文提出多模态QUD数据集，通过结合图表与文本上下文生成探究性问题，提升多模态推理能力，实现更高质量的视觉 grounding。
机构 * UT Austin（德克萨斯大学）
Comments 28 pages, 6 figures, 7 supplementary figures
RibAssist 3D：基于CT衍生投影的双侧肋骨骨折检测、配对与选择性3D定位
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究提出RibAssist 3D模型，通过CT的双侧投影实现肋骨骨折的检测、配对与选择性3D定位，识别跨视图配对置信度为瓶颈，经实验验证其几何精度高，可辅助提升肋骨骨折定位效率。
Comments 9 pages, 6 figures. Code available at: https://github.com/kabJhai/RibAssist-3D
从接口到推理：从任意阶模型中引出任意阶推理
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学）
AI总结 该研究针对离散推理任务的任意阶推理需求，提出两种掩码扩散改进方法，训练对应模型验证了方法可诱导任意阶推理行为并提升下游性能。
从词语到小部件：可控制的LLM生成
机构 * Cornell University（康奈尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Loyola University Maryland（路易斯安那大学马里兰分校）
AI总结 本文提出Malleable Prompting技术，通过将自然语言提示中的偏好转化为可视化的小部件，使用户能更精确地控制LLM生成，提升可控性和透明度。
Comments UIST 2026
基于EEG和WGAN-GP的神经适应性人机系统认知能量建模
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of North Texas（北德克萨斯大学）
AI总结 本文利用Schrödinger Bridge Problem建模EEG数据中的认知能量，通过比较真实与合成EEG在Stroop任务中的过渡能量，验证合成EEG在神经适应性人机系统中的有效性。
层归一化下Transformer的稳定性
机构 * UCLA（加州大学洛杉矶分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； SRI International（SRI国际） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文系统性研究不同层归一化放置下Transformer的前向与反向稳定性，推导相关边界、分析梯度反向传播影响，为残差步长缩放提供指导，其框架可用于检查新型Transformer架构的稳定性。
AISPA：面向大语言模型应用的以用户为中心的系统提示审计框架
机构 * Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； UCSB（加利福尼亚大学圣巴巴拉分校） ； WashU（华盛顿大学） ； OSU（俄亥俄州立大学） ； UCSC（加利福尼亚大学圣克鲁兹分校） ； Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； KAUST（阿卜杜拉国王科技大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所）
AI总结 本文提出以用户为中心的AISPA框架，审计88款商业AI产品的3249条系统提示指令，发现其设计差异大、保护指令范围浅、长度增长但仍存问题指令，凸显系统提示需更高透明度与监督。
LumaGuide：用于扩散模型中无需训练的高动态范围（HDR）生成的分布塑造方法
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google/YouTube（谷歌/YouTube） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 本研究提出无需训练的LumaGuide框架，通过在采样时直接塑造输出分布，实现扩散模型的可控生成，可用于HDR及视频生成，无需重新训练模型。
当AI基准测试达到平台期：基准饱和的系统性研究
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究定义并分析了60个语言模型基准的饱和现象，发现近半数基准出现饱和，且专家策划而非公开测试数据影响抗饱和能力，为延长基准寿命提供了设计建议。
Comments Published at ICML 2026 (Forty-Third International Conference on Machine Learning)
Maglev：滑动循环记忆
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Maglev，一种带固定记忆的循环Transformer架构，通过耦合模型与记忆一致性损失实现训练可并行性，在验证损失及下游预训练基准上优于基线，参数共享可减少内存。
Comments Neural Architecture Research
SimFoundry: 用于策略学习和评估的模块化自动化场景生成
机构 * NVIDIA ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学）
AI总结 提出SimFoundry系统，从视频零样本构建仿真场景，支持对象、场景和任务编辑，生成数字孪生与数字表亲，提升策略在真实世界的泛化能力，实验显示仿真评估与真实性能高度相关。
并非真正的多语言：脚本一致性作为VLM评估中缺失的维度
机构 * RediMinds Inc.（RediMinds公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员）
AI总结 提出PuMVR基准，评估10个VLM在旁遮普语三种文字上的表现，发现显著的脚本差距，并提出脚本一致性率（SCR）作为必要评估指标。
具有异构人工筛选的自消耗生成模型的收敛性与稳定性分析
机构 * School of Statistics, University of Minnesota（明尼苏达大学统计学系） ； Department of Statistics and Data Sciences, UT Austin（德克萨斯大学奥斯汀分校统计学与数据科学系）
AI总结 本文针对Ferbach等人（2024）提出的自消耗生成模型，研究其异构偏好推广模型的收敛性与稳定性，采用非线性Perron-Frobenius理论等技术，在Banach压缩映射不适用的场景下获得了新的收敛结果。
Comments 42 pages, 2 tables
Lean Refactor: 通过代理策略搜索实现多目标可控的证明优化
机构 * Simon Fraser University（西蒙弗雷泽大学） ； Amazon Web Services（亚马逊网络服务） ； MiroMind ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Lean Refactor框架，通过检索增强的代理策略搜索，解决多目标、可控和版本鲁棒的Lean证明重构问题，主要贡献是通过预注释的多目标重构策略数据库实现高效的证明优化。
过滤推理得分：在模型最自信的轨迹上评估推理质量
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出过滤推理得分，用于评估模型推理质量，区分相似准确率的模型，并提高对输入提示和生成配置变化的鲁棒性。
Comments Accepted at the Conference on Language Modeling (COLM) 2026. Camera-ready version
GradientStabilizer：固定范数，而非梯度
机构 * Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系） ； Department of Mathematics and Computer Science, Eindhoven University of Technology（埃因霍温理工大学数学与计算机科学系） ； School of the Gifted Young, University of Science and Technology of China（中国科学技术大学天才青年学院） ； Department of Electrical and Computer Engineering, University of Texas at Austin（德克萨斯大学奥斯汀分校电气与计算机工程系） ； Department of Computer Science, University of Reading（阅读大学计算机科学系） ； School of Cyber Science and Technology, Sun Yat-sen University（中山大学网络科学与技术学院） ； Department of Computer Science, The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校计算机科学系） ； ELLIS Institute Tubingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center, Tübingen, Germany（图宾根人工智能中心，德国图宾根） ； College of Computer Science, Chongqing University（重庆大学计算机学院）
AI总结 提出GradientStabilizer，一种轻量级梯度变换方法，通过统计稳定的梯度范数估计替换更新幅度，在不改变梯度方向的前提下抑制极端梯度尖峰，从而提升训练稳定性并减少发散。
Comments Accepted By ICML2026
在概念漂移下为ML模型训练和部署进行最优资源分配
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Devcom Army Research Laboratory（陆军研发实验室）
AI总结 本文提出了一种模型无关框架，研究在概念漂移和有限预算下如何通过最优资源分配提高ML模型训练和部署效率，证明了在不同分布下最优策略与启发式方法的差异。
CachedSearch：用于视频扩散测试时搜索的免训练缓存探索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究视频扩散测试时搜索中缓存对候选者排名的影响，提出CachedSearch方法，通过积极缓存探索候选者，仅全计算时重生成获胜者，在多模型多系列中有效提升效率，以低成本获高增益，且免训练、与验证器无关，可用于测试时扩展。
先验清洗：具有继承性、不可检测的过度自信的学习先验
机构 * Institute for Artificial Intelligence, University of Central Florida（人工智能研究所，中央佛罗里达大学） ； Department of CS, University of Central Florida（计算机科学系，中央佛罗里达大学） ； Department of ECE, The University of Texas at Austin（电子工程系，德克萨斯大学奥斯汀分校）
AI总结 研究在贝叶斯逆问题中使用学习生成先验时因真值稀缺采用先验清洗的情况，指出其过度自信问题，通过对旧后验求平均产生旧正则化器，单个最佳档案更糟，部署时拟合档案的先验未覆盖盲子空间，建议分开数据支持置信度与继承信念。
群代数张量：可证明最优的等变学习与物理对称性发现
机构 * UT Austin（得克萨斯大学奥斯汀分校） ； IBM Research（IBM研究院） ； Independent（独立） ； Tufts University（塔夫茨大学） ； Tel-Aviv University（特拉维夫大学）
AI总结 本文提出了一种群代数张量框架，通过将有限群G的乘法规则引入张量代数，使等变性成为代数属性而非架构限制。该框架基于三个理论支柱：(i) Eckart-Young最优性保证的星G-SVD；(ii)通过Kronecker分解组合多个对称性；(iii)600行的Lean4形式化证明。该框架提供了等变神经网络无法实现的能力：每个预测的闭式分解和数据驱动发现最佳对称群。在QM9分子几何上，通过八面体子群恢复角动量选择规则，展示了数据驱动的物理发现。
SENSE：通过隐私保护的语义检索实现高效的EEG到文本
机构 * School of Information, The University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校）
AI总结 SENSE通过本地语义检索和提示语言生成，实现无需微调LLM的EEG到文本转换，提升效率并保护隐私。
Comments Accepted to ACM International Conference on Multimodal Interaction 2026
门控适应用于人体活动识别中的持续学习
机构 * Arizona State University（亚利桑那州立大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种基于通道级门控调制的持续学习框架，通过特征选择而非生成来减少HAR中的遗忘，提升准确率并降低参数训练量。
COMPOL：用于可扩展多物理场模拟的统一神经算子框架
机构 * School of Information, University of Michigan–Ann Arbor（信息学院，密歇根大学安娜堡分校） ； Hildebrand Department of Petroleum and Geosystems Engineering, The University of Texas at Austin（石油与地质系统工程系，德克萨斯大学奥斯汀分校） ； Department of Computer Science, Florida State University（计算机科学系，佛罗里达州立大学）
AI总结 研究针对多物理场模拟中神经算子难以捕捉复杂相关性的问题，提出COMPOL框架，通过循环和注意力聚合机制扩展传统算子架构，实验表明该框架与现有方法相比能实现更高预测精度。
CoopReflect：通过多智能体学习实现协同自动驾驶的自然语言通信
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Robert Bosch LLC（罗伯特·博世有限公司） ； University of California, Riverside（加州大学河滨分校） ； Sony AI（索尼人工智能）
AI总结 研究探索自然语言用于车对车通信的潜力，开发基于大语言模型的驾驶智能体，引入CoopReflect多智能体学习框架，通过试错等为智能体配备相关知识，实验表明其能生成更优消息，实现跨场景泛化并降低决策延迟。
Journal ref Proc. 25th Int. Conf. Autonomous Agents and Multiagent Systems (AAMAS), 744-752 (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