高校专区
具有不确定性的网络条件科学事实核查
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出一种基于原子谓词-论元分解和校准的不确定性和网络验证方法，通过嵌入对齐局部片段，使用紧凑的证据基础检查器验证事实，并仅在不确定支持的事实触发领域受限的网络搜索。系统支持二元和三元分类，优于现有基准。
反思式扩散语言模型
机构 * Together AI ； 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） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
AI总结 本文提出反思式扩散语言模型，通过引入反思性解码算法，在保持并行解码的同时继承自回归训练的反思一致性，实现了与同规模自回归模型相当的质量并优于先前扩散模型。
具有可证明稳定性的LLM推理流控制调度
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种流控制框架，通过控制提示加入活跃集的速度，解决LLM推理中解码长度未知导致的内存溢出问题，并证明算法的稳定性。
扩散采样中的查询下界
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文研究了扩散采样中查询次数的下限，证明了在多维分布下，任何采样算法需要至少O(√d)次适应性查询，解释了多尺度噪声调度的必要性。
利用光子学促进机器智能
机构 * The 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）
AI总结 本文探讨了光子学在突破摩尔定律后计算限制中的应用，提出通过跨层协同设计和工作负载适应性编程提升光子机器智能的效率与多样性。
Comments 20 pages
ExpertEdit: 从专家视频中学习技能感知的动作编辑
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 ExpertEdit通过无配对专家视频学习技能驱动的动作编辑，无需配对数据或手动指导，提升动作真实感和专家质量。
领域特定胃肠道疾病识别的参数高效微调
机构 * Auburn University（奥本大学） ； Tribhuvan University（特里布万大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Georgia State University（佐治亚州立大学） ； Middle Tennessee State University（中田纳西州立大学）
AI总结 本文提出使用低秩适应（LoRA）模块进行参数高效微调，以解决跨源医学图像分布偏移问题，提升胃肠道疾病识别的参数效率和性能。
Comments 6 pages, 3 figures, CVPR conference
用于动力系统变换器学习上下文转移算子
机构 * The Oden Institute, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登研究所） ； Department of Physics, The University of Texas at Austin（德克萨斯大学奥斯汀分校物理系）
AI总结 研究发现变换器在上下文学习中通过延迟嵌入和不变集预测来学习转移算子，揭示了预训练模型如何无需重新训练即可预测未见过的物理系统。
Comments 5 pages, 4 figures
解耦生成模型用于人-物交互合成
机构 * Korea University（高丽大学） ； Meta ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出DecHOI方法，通过分离路径规划与动作合成，提升人-物交互合成的真实感与灵活性，优于现有方法。
影响人类以符合偏好模型的强化学习从人类反馈
机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学） ； Sony AI（索尼AI）
AI总结 本文通过三项人类研究，探讨如何通过干预使人类偏好更符合预期模型，提升RLHF奖励函数对齐效果。
还有可以提取的知识吗？医学微调视觉语言模型中的脆弱性证据
机构 * Brown University（布朗大学） ； University of Washington（华盛顿大学） ； University of Tübingen（蒂宾根大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究评估了四个医学微调的视觉语言模型在四个医学影像任务中的表现，发现任务难度增加时性能下降至接近随机水平，表明临床推理有限，医学微调无明显优势，模型对提示词敏感。
从随机偏微分方程中学习噪声相变动力学
机构 * Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种物理感知的代理模型，用于解决三维随机Cahn-Hilliard方程中的噪声相变动力学问题，通过在单元间通量层面参数化，实现了精确的质量守恒和物理可解释性。
Comments 31 pages, 21 figures
EgoTL：用于长时任务的目视思考链
机构 * UMN（明尼苏达大学） ； TAMU（德克萨斯农工大学） ； Brown University（布朗大学） ； McGill University（麦吉尔大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Columbia University（哥伦比亚大学） ； Northwestern University（西北大学）
AI总结 本文提出EgoTL，通过构建目视思考链管道，提升长时任务中视觉语言模型和世界模型的推理与规划能力，发现基础模型在作为目视助手或开放世界模拟器方面仍有不足。
Comments https://ego-tl.github.io/
你不能在这里战斗！这是BBS！
机构 * University of California Irvine（加州大学尔湾分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文通过讨论语言模型在语言科学中的作用，揭示了字符串统计谬误和'好到不能再好'假设等核心问题，呼吁建立更广阔的语言科学研究计划。
Comments Accepted at Behavioral and Brain Sciences as a response to the commentaries to the accepted target article "How Linguistics Learned to Stop Worrying and Love the Language Models", whose preprint appears here: arXiv:2501.17047
Squeeze Evolve：无验证者演化的统一多模型协调
机构 * UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Together AI
AI总结 本文提出Squeeze Evolve框架，通过动态分配模型能力提升无验证者演化的多样性与效率，实验证明其在多个基准测试中显著降低成本并提升性能。
Comments 40 Pages, Project Page: https://squeeze-evolve.github.io/
使LLM的假设 verbal化以解释和控制谄媚行为
机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Verbalized Assumptions框架，通过揭示LLM对用户的错误假设来解释和控制其谄媚行为，发现LLM在面对用户提问时倾向于提供验证而非客观信息，进而提出可解释的细粒度控制方法。
步态模式个性化对刚性机器人引导感知的影响：一项用户体验评估的初步研究
机构 * Cognitive Robotics Department, Delft University of Technology（代尔夫特理工大学认知机器人学系） ； Department of Rehabilitation Medicine, Erasmus Medical Centre（伊拉斯姆斯医学中心康复医学系） ； Department of Biomechanical Engineering, Delft University of Technology（代尔夫特理工大学生物力学工程系） ； Institute of Automatic Control, RWTH Aachen University（亚琛工业大学自动控制研究所） ； Department of Mechanical Engineering, FUM Center of Advanced Rehabilitation and Robotics Research (FUM CARE), Ferdowsi University of Mashhad（菲尔多西大学机械工程系先进康复与机器人研究中心） ； Walker Department of Mechanical Engineering, University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系）
AI总结 研究探讨个性化步态模式对用户感知的影响，发现适应系统对用户体验主导，个性化对舒适度和自然度影响有限。
UniversalVTG: 一种通用且轻量的视频时间定位基础模型
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UniversalVTG，一种通用轻量视频时间定位模型，通过大规模跨数据集预训练实现高效长视频定位，优于专用模型且比大语言模型更轻量。
Comments Project Page: https://vision.cs.utexas.edu/projects/universalvtg
运算学习用于海面波浪诱导力的替代建模
机构 * Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所） ； Information Technology Laboratory, U.S. Army Engineer Research and Development Center（美国陆军工程兵研究与发展中心信息技术实验室） ； Department of Mechanical Engineering and Technology Management, Norwegian University of Life Sciences（挪威生命科学大学机械工程与技术管理系） ； Department of Numerical Analysis and Scientific Computing, Simula Research Laboratory（Simula研究实验室数值分析与科学计算系）
AI总结 本文利用深度运算网络替代传统波浪模型，通过不同边界条件和风场的数值实验，验证了其在预测辐射应力梯度和显著波高方面的高精度。
Comments 46 pages, 15 figures
何时称苹果为红色：人类遵循内省规则，而视觉语言模型却不遵循
机构 * University of Tübingen（蒂宾根大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学）
AI总结 研究探讨了视觉语言模型（VLMs）在何时会表现出意外行为，以及模型是否能可靠预测自身行为，发现VLMs系统性违反内省规则，而人类则遵循规则。
一次生命学习：从无指导探索中推断随机环境的符号世界模型
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Allen Institute for AI（艾伦人工智能研究所） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出OneLife框架，通过条件激活的程序法则在概率编程框架中推断随机环境的动态，实现从无指导探索中学习复杂环境的动力学，优于基线方法。
Comments Accepted to ICLR 2026. Project page: https://onelife-worldmodel.github.io/; 44 pages
在图模型下学习$\mathsf{AC}^0$
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Duke University（杜克大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出在图模型下学习$\mathsf{AC}^0$电路的亚指数时间算法，克服了传统产品结构的限制，扩展了低次多项式逼近的应用范围。
Comments 57 pages
跨机器异常检测利用预训练时间序列模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Tokyo Electron Ltd.（东京电子有限公司）
AI总结 本文提出一种跨机器时间序列异常检测框架，通过预训练模型MOMENT和随机森林分类器提取领域不变特征，提升跨机器泛化能力。
Comments 20 pages, 5 figures, under review at a journal
这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性
机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。
Comments 31 pages, 4 tables, 19 figures
检索增强的时间序列预测
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文提出检索增强预测框架RAF，用于提升时间序列预测的准确性，尤其在大规模模型中效果更显著。
多轮医学诊断基准测试：Hold、Lure 和 Self-Correction
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； The University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文通过MINT基准测试揭示了大语言模型在多轮证据积累中的行为模式，发现提前回答、自我修正和强诱因影响诊断决策，提出延迟提问和保留关键证据可提升诊断准确性。
神经算子用于多任务控制与适应
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出基于神经算子的多任务控制方法，通过置换不变架构近似解算子，在不同任务和分布下实现高效适应，优于元学习基线。
Comments 25 pages, 10 figures, 2 tables
Stitch-a-Demo：从多步骤描述中生成视频演示
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Stitch-a-Demo方法，通过多步骤描述生成连贯的视频演示，解决传统方法无法处理多步骤描述的问题，实验显示其在性能和人偏好研究中表现优异。
信息正则化约束反演用于从稀疏监督稳定编辑可编辑的人形化身
机构 * Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系）
AI总结 本文提出信息正则化约束反演方法，通过在结构化的化身潜在空间中进行约束反演，限制更新到低维的部分特定编辑子空间，以防止身份泄漏和姿态依赖的时序闪烁，提升在稀疏监督下的稳定性。
LumaFlux：通过物理引导的扩散变压器将8位世界提升到HDR现实
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google, Inc.（谷歌公司）
AI总结 LumaFlux通过物理和感知引导的扩散变压器实现8位SDR到10位HDR的重建，引入PGA、PCM和HDR Residual Coupler模块，提升亮度和色彩保真度，同时构建大规模训练数据集和评估基准。
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