高校专区
TrainMover: 一种具有中断容错能力的机器学习训练运行时
机构 * Harvard University（哈佛大学） ； Alibaba Group（阿里巴巴集团） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 TrainMover通过弹性与备用机器处理中断，实现最小停机时间和零内存开销，减少GPU浪费时间达55%。
Comments 14 pages body, 19 pages total
学习，快速与缓慢：迈向能够持续适应的LLM
机构 * UC Berkeley（加州大学伯克利分校） ； Mila（蒙特利尔大学人工智能研究所） ； UT Austin（得克萨斯大学奥斯汀分校） ； Eragon Periodic Labs ； Mirendil Video
AI总结 本文提出一种快速-缓慢学习框架，通过将模型参数作为缓慢权重和优化上下文作为快速权重，提升LLM在连续学习中的样本效率和性能，减少灾难性遗忘。
Comments 29 pages, 14 figures, including appendix; Blog post: https://gepa-ai.github.io/gepa/blog/2026/05/11/learning-fast-and-slow/
TERMINATOR: 在链式推理中学习最优退出点以实现早期停止
机构 * UT Austin（得克萨斯大学） ； EPFL（苏黎世联邦理工学院） ； ENS Paris-Saclay（巴黎-萨克雷大学） ； Télécom Paris (IP Paris)（巴黎理工学院）
AI总结 本文提出TERMINATOR方法，通过预测模型最终答案的首次出现位置，学习最优推理长度，从而减少链式推理的计算量，提升推理效率。
Comments Updated and reorganized results. Added new results
AgentForesight：多智能体系统中在线审计的早期故障预测
机构 * Rutgers University（新泽西罗格拉大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学）
AI总结 本文提出AgentForesight框架，通过在线审计实现多智能体系统中早期故障预测，利用AFTraj-2K数据集训练出AgentForesight-7B模型，在性能和定位精度上优于GPT-4.1等模型。
Comments 33 pages, 7 figures
基于比较的梯度估计的顺序资源交易
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文研究了两个贪心理性代理在有限资源类别中进行顺序多议题交易的问题，提出基于比较的算法通过接受/拒绝反馈估计对方梯度，确保交易互惠并最终收敛到帕累托前沿。
良友并非仅提供口头建议：它们可以更新你的权重
机构 * University of Central Florida（中央佛罗里达大学） ； Westlake University（西拉丘吉大学） ； Snap Inc.（Snap公司） ； UT-Austin（得克萨斯大学奥斯汀分校） ； Tencent Hy（腾讯）
AI总结 本文提出TFlow框架，通过低秩权重扰动实现高效多智能体LLM协作，提升准确率并减少计算开销。
MILM：用于多模态不规则时间序列的大型语言模型与信息采样
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Technion-IIT（技术学院-以色列理工学院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出MILM模型，通过两阶段策略处理多模态不规则时间序列，有效利用采样模式和观测值进行分类，提升医疗记录中住院死亡率预测性能。
概率权重函数在人类概率表示中的贝叶斯起源
机构 * Saarland University（萨尔兰大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出基于贝叶斯编码解码的理论，解释人类概率表示的逆S型扭曲现象，通过U型编码和灵活先验的结合，揭示概率权重函数的形成机制。
PRISM-X：基于人类和模拟用户的人个性化微调实验
机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mercor ； Meedan
AI总结 研究通过大规模内侧实验评估个性化语言模型在多轮对话中的表现，发现基于偏好微调的P-DPO方法优于通用模型和个性化提示，但个性化数据训练收益有限，且微调会放大趋炎附势行为，可能带来长期负面影响。
SECOND-Grasp：语义接触引导的灵巧抓取
机构 * Korea University（韩国大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan（密歇根大学） ； Hanyang University（翰阳大学）
AI总结 本文提出SEmantic CONtact-guided Dexterous Grasping框架，通过语义推理与物理可行性结合，提升机器人手部抓取的稳定性和语义理解能力。
流树集成中基于不一致的漂移检测陷阱
机构 * GECAD, ISEP, Polytechnic of Porto（GECAD，ISEP，波尔图理工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究探讨了在高速数据流中使用未标记数据进行漂移检测的挑战，发现基于不一致的不确定性方法在集成增量决策树中表现欠佳，归因于IDTs的固有刚性。
Comments Published as a conference paper at CAO Workshop at ICLR 2026
基于熵的奖励引导用于扩散语言模型对齐
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EntRGi机制，解决离散扩散语言模型中无法通过自然输出区分的问题，通过动态插值连续token放松与采样硬token，提升奖励模型可靠性与优化精度。
Comments Preprint
NARA: 基于锚点的异构地理实体关系感知上下文化
机构 * Department of Computer Science and Engineering, University of Minnesota（明尼苏达大学计算机科学与工程系） ； Department of Geography and the Environment, University of Texas at Austin（德克萨斯大学奥斯汀分校地理与环境系） ； Novateur Research Solutions（Novateur研究解决方案）
AI总结 NARA通过统一框架联合建模语义、几何和空间关系，提升异构地理实体的上下文表示能力，在建筑功能分类、交通速度预测和POI推荐中表现优异。
模拟蒸馏：在模拟中预训练世界模型以实现快速真实世界适应
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； FieldAI
AI总结 本文提出SimDist框架，利用物理模拟器生成大量动作条件机器人经验，通过蒸馏结构先验提升世界模型性能，实现高效真实世界适应。
Comments Robotics: Science and Systems 2026
Agent-BRACE: 通过 verbalized 状态不确定性解耦信念与行动以应对长 horizon 任务
机构 * UNC 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） ； Microsoft Research（微软研究院）
AI总结 Agent-BRACE 通过解耦信念状态模型与策略模型，利用强化学习优化，在长 horizon 部分可观测任务中提升性能，实现上下文窗口恒定且任务相关信息保留。
Comments Code: https://github.com/joykirat18/Agent-BRACE
能否通过图帮助视觉状态空间模型看得更好？
机构 * USC（美国南加州大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； DEVCOM ARL Army Research Office, USA（美国陆军战争学院研发办公室）
AI总结 本文提出GraphScan，通过图诱导动态扫描操作提升视觉状态空间模型性能，通过语义路由替代坐标条件插值，在分类、检测等任务中取得最佳效果。
Comments Technical Report
通过代理AI发现可解释的替代模型：应用于引力波
机构 * Kavli Institute for Theoretical Physics, University of California Santa Barbara（加州大学圣芭芭拉分校凯文利理论物理研究所） ； Center for Gravitational Physics, University of Texas at Austin（德克萨斯大学奥斯汀分校重力物理中心） ； Department of Physics, University of California at Santa Barbara（加州大学圣芭芭拉分校物理系） ； International Centre for Theoretical Sciences, Tata Institute of Fundamental Research（塔塔基础研究机构国际理论科学研究中心） ； School of Natural Sciences, Institute for Advanced Study（高级研究院自然科学学院） ； Chennai Mathematical Institute（钦奈数学研究所） ； Kavli Institute for Cosmological Physics, The University of Chicago（芝加哥大学凯文利宇宙物理研究所） ； Department of Particle Physics & Astrophysics, Weizmann Institute of Science（魏茨曼科学研究所粒子物理与天体物理系）
AI总结 本文提出GWAgent，一种基于大语言模型的流程，直接从模拟数据构建可解释的分析替代模型。通过物理指导的域假设提升模型精度，实现高精度、快速且可解释的引力波模拟替代。
Comments 25 pages, 9 figures, codes available at https://github.com/tousifislam/GWAgent
gwBenchmarks: 对高精度引力波天文学中LLM代理的应力测试
机构 * Kavli Institute for Theoretical Physics, University of California Santa Barbara, Kohn Hall, Lagoon Rd, Santa Barbara, CA 93106（加州大学圣芭芭拉分校凯弗利理论物理研究所） ； Center for Gravitational Physics, University of Texas at Austin, Austin, TX 78712, USA（德克萨斯大学奥斯汀分校引力物理中心） ； Department of Physics, Princeton University, Princeton, NJ 08540, USA（普林斯顿大学物理系）
AI总结 本文研究了最先进的LLM编码代理能否完成端到端的科学建模任务，通过八个任务测试其精度和物理系统推理能力，发现代理在复杂任务上表现不佳，无法达到领域要求。
Comments 26 pages, 4 figures
基于课程学习的渐进蒸馏：大型语言模型中的知识蒸馏
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google Research（谷歌研究）
AI总结 本文提出CLPD框架，通过结合数据难度与教师强度，改进知识蒸馏方法，实验证明其在推理任务中优于传统方法。
稀疏性与分布外泛化
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出稀疏性解释分布外泛化的原理，认为世界通过区分特征呈现，稀疏假设在特征重叠时能实现泛化，通过定理扩展了样本复杂度界限。
利用智能手表音频和运动传感检测嘈杂真实环境中的面对面对话
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种新型方法，通过智能手表融合音频和运动数据，检测面对面对话，实验表明融合惯性数据能显著提升检测性能，实验室和半自然环境下分别达到82.0%和77.2%的宏F1分数。
Comments Accepted to ACM Transactions on Intelligent Systems and Technology
个人视觉上下文学习在大型多模态模型中
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出个人视觉上下文学习（Personal VCL）以解决个性化查询，通过Personal-VCL-Bench评估，发现现有模型在利用视觉证据和聚合多视觉观察方面存在显著不足，提出Agentic Context Bank方法提升性能。
Comments Project website: https://vision.cs.utexas.edu/projects/PersonalVCL/
偏好条件多目标强化学习中的可控性
机构 * LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信学院，巴黎理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； TU Delft（代尔夫特理工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种新的评估指标，用于衡量偏好条件多目标强化学习中控制能力的可靠性，以解决现有指标无法准确反映偏好变化对智能体行为影响的问题。
CREATE：测试大型语言模型的联想创造力
机构 * New York University（纽约大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 CREATE基准测试评估模型的创造性联想能力，要求生成高特异性和多样性的概念连接路径，展现模型在复杂搜索空间中的创造力表现。
AU-Harness：音频大语言模型的开放式工具包
机构 * ServiceNow ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 AU-Harness通过优化处理流程和并行执行，实现151%的速度提升，提供标准化提示协议和灵活配置，促进音频大语言模型的系统性发展。
微缺陷暴露宏观伪造：通过局部分布偏移检测AI生成图像
机构 * Rutgers University（罗格斯大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta AI ； Advanced Micro Devices（先进微器件公司）
AI总结 本文提出MDMF框架，通过放大微小统计异常为宏观分布偏移，利用局部分布偏移检测AI生成图像，实验表明其在多个基准上表现优异。
Comments 41 pages, 10 figures
从嘈杂感觉输入中学习人形足球机器人敏捷进攻技能
机构 * Department of Computer Science, The University of Texas at Austin（德克萨斯大学计算机科学系）
AI总结 本文提出基于强化学习的系统，使人形机器人能适应不同球门配置持续稳健踢球，通过四阶段训练提升踢球准确性和得分成功率。
超越黑箱：一种可解释的机器学习框架，用于预测铁基催化系统中电子结构微描述符和结构-性能关系
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种可解释的机器学习框架，通过SHAP分析和树形集成方法，预测铁基催化剂的电子结构微描述符及结构-性能关系，提升了催化剂筛选效率。
Comments 27 pages, 10 figures
语义投票：基于执行的共识机制用于大语言模型代码生成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文研究了大语言模型代码生成中基于执行的共识机制，通过比较不同方法发现输入质量对结果影响更大，语义投票在多数配置中表现最佳。
Sketch-and-Verify: 通过程序草图实现推理时间扩展
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SKETCHVERIFY方法，通过程序草图生成多样化候选方案，验证后选择最优，提升模型性能，同时探讨K与M的权衡关系。
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