高校专区
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。
SchGen: 基于语义接地代码表示的PCB原理图生成
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Microsoft Research Asia（微软亚洲研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出SchGen，首个从自然语言请求生成可编辑PCB原理图的大语言模型，通过语义接地代码表示将几何驱动问题转化为语义驱动匹配任务，并构建大规模数据集，在连线准确性和功能正确性上显著优于现有方法。
Comments 19 pages, 7 figures
minWM: 用于实时交互式视频世界模型的全栈开源框架
机构 * ShengShu（盛书） ； THU（清华大学） ； RUC（中国人民大学） ； HKUST（香港科技大学） ； UT-Austin（德克萨斯大学奥斯汀分校）
AI总结 提出minWM全栈开源框架，通过因果强制/因果强制++流水线将双向视频扩散模型转化为可控制、低延迟的自回归世界模型，支持相机控制与多种骨干架构。
克服LLM微调中的遗忘：进化策略方法
机构 * Cognizant AI Lab（Cognizant AI实验室） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 本文发现进化策略微调中的先前任务遗忘实为性能漂移且可恢复，并引入锚定权重衰减（AWD）正则化技术有效稳定先前任务性能，表明遗忘可避免，使ES成为LLM持续学习的可行方法。
图基础模型何时迁移？一个以数据为中心的理论
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Arizona State University（亚利桑那州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过图论连续极限方法，将跨域输出偏移分解为有限样本近似项和结构不匹配的内在域差异，并验证了位置编码稳定性对迁移的影响。
Comments 21 pages, including appendix. Accepted at ICML 2026
ConceptM$^3$oE：面向可解释计算病理学的概念引导多模态专家混合模型
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Dell Children’s Medical Center（德尔儿童医疗中心） ； The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； University of Nevada, Reno（内华达大学里诺分校）
AI总结 提出ConceptM$^3$oE框架，通过概念引导的多模态专家混合路径嵌入概念形成，并利用残差路径保持性能与可解释性，在脑肿瘤分类中优于基线并提升小样本性能。
基于流锚定噪声条件Q学习的离线强化学习：高效且表达力强的方法
机构 * The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Independent Researcher, Seoul, South Korea（首尔独立研究者）
AI总结 提出FAN算法，通过单次流策略迭代和单高斯噪声样本实现高效离线强化学习，在保持高性能的同时显著降低计算成本。
Comments ICML 2026
用于可穿戴人机界面的力传感：基于流体神经支配
机构 * Rehabilitation Medicine Department, National Institutes of Health (NIH) Clinical Center（国家卫生研究院（NIH）临床中心康复医学部门） ； 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）
AI总结 通过3D打印硅胶垫中的空气通道测量力，实现线性响应，并验证其在等长扭矩、动态运动和机器人外骨骼中的应用。
Comments 6 pages, 7 figures, accepted to BioRob 2026
通过截断SVD层实现LLM的高效预训练
机构 * Cognizant AI Lab（认知AI实验室） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 提出TSVD框架，利用谱能量启发式自适应秩选择和缓存机制保持低秩与严格正交性，在减少计算开销的同时匹配或超越全参数基线的性能。
Chreode: 用于一步时间动态和扰动预测的细胞世界模型
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出Chreode，一种基于结构化残差转移算子的单步细胞世界模型，通过预训练和微调实现发育轨迹与扰动预测的统一，在多个基准上取得性能提升。
Comments 25 pages, 3 figures, 14 tables. Submitted to NeurIPS 2026
SYNAPSE: 通过拓扑语义去噪的神经符号视觉思维到文本解码
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）
AI总结 提出SYNAPSE框架，利用常识图结构和潜在样本进行推理时符号正则化，稳定脑电到文本解码中的语义生成，无需微调大语言模型。
HumanoidMimicGen: 通过全身规划生成行走操作数据
机构 * NVIDIA ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出HumanoidMimicGen方法，通过全身规划自动生成人形机器人行走操作演示数据，在模拟基准上使联合训练的策略性能提升20%。
Comments website: https://humanoidmimicgen.github.io/
TRACES: 通过轨迹状态建模实现多轮LLM智能体的主动安全审计
机构 * Brown University（布朗大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Rutgers University（罗格斯大学） ； Texas A&M University（德克萨斯阿姆斯特朗大学）
AI总结 提出TRACES方法，通过观察LLM的隐藏表示学习前缀级轨迹风险状态，实现多轮工具使用环境下的主动安全审计，提升全轨迹安全预测和主动风险判别能力。
多语言大模型任务执行中的语言角色解耦
机构 * Marquette（马凯特大学） ； Cornell（康奈尔大学） ； UC San Diego（南加州大学圣地亚哥分校） ； UPenn（普林斯顿大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Maryland（马里兰大学） ； Michigan（密歇根大学） ； UIUC（伊利诺伊大学香槟分校） ； Melbourne（墨尔本大学） ； Stanford（斯坦福大学）
AI总结 提出MTM-Bench基准，通过完全交叉设计解耦指令、内容和响应三种语言角色，评估多语言LLM的任务执行能力，发现响应语言角色是性能下降的主要因素。
高斯边际下半空间函数的恰当不可知学习
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 针对高斯分布下K个半空间的任意布尔函数，提出首个高效恰当不可知学习算法，运行时间在维度d上达到最优。
更小、更年轻、更具影响力：AI辅助写作如何改变研究团队
机构 * School of Information, University of Texas at Austin（德克萨斯大学奥斯汀分校信息学院） ； National Science Library, Chinese Academy of Sciences（中国科学院国家科学图书馆） ； Department of Information Resources Management, School of Economics and Management, University of Chinese Academy of Sciences（中国科学院大学经济管理学院信息资源管理系） ； Department of Information Management, Peking University（北京大学信息管理系） ； Institute of Big Data, Fudan University（复旦大学大数据研究院） ； Institute for Global Public Policy, Fudan University（复旦大学全球公共政策研究院） ； Faculty of Finance, City University of Macau（澳门城市大学金融学院）
AI总结 本研究利用2020年以来的PLoS和Nature系列期刊全文，通过多种回归方法发现AI辅助写作使研究团队更年轻、规模更小，且不影响甚至提升科学影响力。
LLM辅助情感分析在综合计算与定性混合方法教育研究中的应用：学生书面反思作业案例研究
机构 * Chandra Family Department of Electrical and Computer Engineering, University of Texas at Austin（德克萨斯大学奥斯汀分校电子与计算机工程系） ； Department of Engineering Education, Virginia Polytechnic Institute and State University（弗吉尼亚理工大学工程教育系） ； Gallogly College of Engineering, University of Oklahoma（俄克拉荷马大学加洛格利工程学院） ； Department of Mechanical and Materials Engineering, University of Nebraska-Lincoln（内布拉斯加大学林肯分校机械与材料工程系）
AI总结 本研究通过纵向案例，利用LLM辅助情感分析结合统计检验与主题分析，探讨学生身份变量对留学期间语言交流情感的影响，发现海外生活经历是唯一显著变量。
重新评估不完美信息博弈的策略梯度方法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 通过实现五种大型博弈的精确可剥削性计算，对比发现基于虚构博弈、双预言机和反事实遗憾最小化的深度强化学习算法未能超越通用策略梯度方法（如PPO）。
Comments International Conference on Learning Representations (ICLR) 2026
xKV：通过对齐奇异向量提取的跨层KV缓存压缩
机构 * Cornell University（康奈尔大学） ； University of Washington（华盛顿大学） ； Department of Computer Science, National Yang Ming Chiao Tung University（国立阳明交通大学计算机科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Surrey（塞夫顿大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 提出xKV，一种通过跨层共享低秩子空间压缩KV缓存的后训练方法，实现高达8倍压缩且保持长上下文任务精度，并引入选择性重建实现端到端加速。
Comments ICML 2026
通过对齐单目视频中的高阶时间动态恢复自然人体运动
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出HTD-Refine框架，利用PVA-Net估计的高阶时间动态（速度和加速度）优化全局轨迹，恢复自然人体运动。
Comments 13 pages, 6 figures. Accepted as an Oral presentation and Best Paper Candidate at CVPR 2026. Project page: https://zju3dv.github.io/htd-refine/
你的智能体也在老化：面向部署系统的智能体寿命工程
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出 AgingBench 基准，通过四种老化机制和诊断工具评估部署后智能体的可靠性退化，并指出需要寿命评估、机制级诊断和阶段针对性修复。
AirCast-SR: 基于潜在一致性扩散的千米级大气超分辨率基础模型
机构 * Department of Earth, Environmental, and Atmospheric Sciences, Western Kentucky University, Bowling Green, KY, USA（地球、环境与大气科学系，西部肯塔基大学） ； NASA Goddard Space Flight Center, Greenbelt, MD, USA（NASA戈达德太空飞行中心） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； NSF National Center for Atmospheric Research, Boulder, CO, USA（国家大气科学研究中心） ； Leibniz Centre for Agricultural Landscape Research (ZALF), Berlin, Germany（莱比锡农业景观研究中心（ZALF）） ； Ashoka University, Sonipat, India（阿什oka大学）
AI总结 提出AirCast-SR基础模型，利用潜在一致性扩散框架将全球AI天气预报从0.25度降尺度至1公里分辨率，实现零偏差和跨区域零样本迁移。
Comments Somnath Luitel and Manmeet Singh are equal-contribution co-first authors, with Manmeet Singh (manmeet.singh@wku.edu) as corresponding author
EgoExo-WM: 利用外部视频解锁自我世界模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出通过从外部视频提取结构化身体姿态并利用人体运动学先验将其转换为自我视频，从而利用丰富的野外外部数据训练自我世界模型，显著提升预测质量和下游规划性能。
Comments Project Page: https://vision.cs.utexas.edu/projects/EgoExo-WM/
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