高校专区
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。
数值积分在学习动力系统中的影响
机构 * National Chung Cheng University（国立中正大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文探讨了数值积分方案对学习动力系统结果的影响，指出即使系统拟合数据良好，也可能被误判为反阻尼特性，且提高显式积分器阶数无法解决此问题，隐式中点法能保留守恒或耗散特性。
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
通过语言模型的视角映射城市
机构 * University College London（伦敦大学学院） ； Centre for Advanced Spatial Analysis (CASA)（高级空间分析中心） ； Tsinghua University（清华大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； South China University of Technology（华南理工大学）
AI总结 该研究通过10个开放权重检查点结合多类技术，匿名测量语言模型对城市的隐含假设，勾勒出模型视角下的城市画像，揭示其对城市的偏好倾向。
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
学习关注何处与如何判断：具备质量感知显著性的分辨率无关图像质量评估
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 提出基于CLIP的多尺度补丁驱动模型ReLIQS，解决无参考图像质量评估的分辨率适配、计算效率等问题，在多类基准上泛化能力优于主流基线且成本相当或更低。
Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
检索何时有助何时干扰：评估用于生物医学声明验证的生成证据的大型语言模型
机构 * Queen’s University Belfast（贝尔法斯特女王大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究针对生物医学声明验证，在CARE-XAI基准上对比多种模型，发现微调大型语言模型生成证据能力最强，PubMed检索效果因来源而异，还提出Bio-GRACE工具评估检索效用，推动选择性检索发展。
TrajWiki：面向长程对话智能体的基于来源的记忆轨迹
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； The University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究针对长程对话智能体的记忆可追溯性与透明性问题，提出TrajWiki框架，通过轨迹式记忆表示与Memory Wiki中间层提升对话性能及可解释性。
各向同性悬崖：大语言模型决策的几何特征
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）
AI总结 该研究从各向同性视角分析大语言模型多项选择题问答的决策几何，识别出各向同性转变的决策关键过渡层，发现该几何行为与下游准确率高度相关且对提示变化鲁棒，揭示模型决策的通用机制。
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
现实世界临床护理中的推理：为何大型语言模型（LLM）尚不适合自主临床决策支持
机构 * Atman Labs（阿特曼实验室） ； Oxford University Hospitals（牛津大学医院） ； University of Oxford（牛津大学） ； NIHR Oxford Biomedical Research Centre（英国国立卫生研究院牛津生物医学研究中心） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑工业大学） ； Massachusetts General Hospital（麻省总医院） ； Mass General Brigham（麻省总医院布里格姆医疗系统） ； Harvard Medical School（哈佛医学院） ； Barts Health NHS Trust（巴特保健国民保健信托基金会） ； the University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文指出，尽管LLM在医学考试和部分病例推理上表现出色，但因存在信息收集缺陷等问题，尚不适合用于无医生参与的自主临床分诊。
Comments 3 figures
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。
机构 * organization= Walker Department of Mechanical Engineering, The University of Texas at Austin , city= Austin , postcode= 78712 , state= Texas , country= U.S. ； organization= Department of Aerospace Engineering \& Engineering Mechanics, The University of Texas at Austin , city= Austin , postcode= 78712 , state= Texas , country= U.S. ； organization= School of Mathematics ； Statistics, University of Glasgow , city= Glasgow , postcode= G12 8QQ , country= U.K. ； organization= Department of Biomedical Engineering, The University of Texas at Austin , city= Austin , postcode= 78712 , state= Texas , country= U.S. ； organization= The Oden Institute of Computational Science ； Engineering, The University of Texas at Austin , city= Austin , postcode= 78712 , state= Texas , country= U.S.
Journal ref Computer Methods in Applied Mechanics and Engineering, 448, p.118413 (2026)
相同事实，不同诊断：临床语言模型中叙事锚定的测量与缓解
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Queen’s University Belfast（贝尔法斯特女王大学） ； Middlesex University London（伦敦密德萨斯大学）
AI总结 本研究针对临床语言模型的叙事锚定偏差，构建含1000个USMLE案例的基准，提出NarrativeShield三智能体流水线，可大幅降低叙事锚定差距并减少不稳定决策，同时发布数据集供相关研究使用。
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。
多正态分布整合与分类度量方法
机构 * Department of Physics, The University of Texas at Austin（德克萨斯大学奥斯汀分校物理系） ； Center for Perceptual Systems, The University of Texas at Austin（德克萨斯大学奥斯汀分校感知系统中心） ； Center for Theoretical and Computational Neuroscience, The University of Texas at Austin（德克萨斯大学奥斯汀分校理论与计算神经科学中心） ； Department of Psychology, The University of Texas at Austin（德克萨斯大学奥斯汀分校心理学系）
AI总结 本文提出方法整合多维正态分布并计算分类度量，提供概率计算、密度函数、分类误差及可视化工具，应用于目标检测与伪装识别。
OmniCache：用于扩散模型的多维分层特征缓存
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对高分辨率图像和视频扩散模型推理成本高的问题，提出OmniCache框架，利用中间扩散特征冗余，通过多种缓存实现多维特征重用，减少推理延迟，在多模型上取得良好效果，且无需重新训练。
Latent-LoRA：用于持续学习的具有无梯度路由的紧凑潜在空间适配器
机构 * College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院） ； Department of Electrical and Computer Engineering, The 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） ； School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院） ； The GAME School, Arizona State University（亚利桑那州立大学GAME学院）
AI总结 研究针对大语言模型持续学习的灾难性遗忘问题，提出Latent-LoRA系统。利用冻结嵌入层池化令牌嵌入分离任务分布，无需可训练路由组件，通过奇异值分解和正交正则化控制任务干扰，实验显示其有近零遗忘的最优性能。
LEACL：用于长时程操作任务强化学习的大语言模型增强自动课程学习
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Nanyang Technological University（南洋理工大学） ； Sony AI（索尼人工智能）
AI总结 针对长时程操作任务强化学习挑战，提出LEACL框架，结合大语言模型与自动课程学习，用大语言模型分解任务并生成规范，由自动课程学习算法仅依稀疏奖励信号指导学习，在相关任务上取得更好渐近性能。
Comments 8 pages, 4 figures, Published in the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2026
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)
用于分布排斥聚类的分布行列式点过程
机构 * Department of Statistics and Data Sciences, University of Texas at Austin（统计与数据科学系，德克萨斯大学奥斯汀分校） ； Department of Mathematics, University of Texas at Austin（数学系，德克萨斯大学奥斯汀分校） ； Department of Biostatistics and Informatics, University of Colorado Anschutz（生物统计学与信息学系，科罗拉多大学安舒茨分校）
AI总结 研究提出分布行列式点过程（dDPP）用于分布排斥聚类，通过L系综与SW核构建，证明其有效性。基于此提出分布值随机划分模型，用于单细胞基因表达和人类癫痫数据推断，得到可解释且分离良好的聚类。
Comments 60 pages, 15 figures
Humanly：一个用于人机协作写作的可配置且可追溯的环境
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； USC（南加州大学） ； KAUST（阿卜杜拉国王科技大学）
AI总结 研究针对人机协作写作难以判断创作过程的问题，提出Humanly写作平台，用户能配置环境，平台记录活动与辅助，可打包会话生成证书，支持多种场景，经研究验证对各角色有帮助且能区分打字方式。
QC-PHAST搜索：用于有限池稀有区域发现的经典-量子查询基准
机构 * Department of Computer Science（计算机科学系） ； College of Natural Sciences（自然科学学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学奥登研究所）
AI总结 研究参数化动力系统稀有区域发现问题，引入QC-PHAST协议和框架，利用科学元数据等评估搜索方式，以量子行作参考，通过多种手段确定何时经典或资源感知搜索占优，给出可审计协议。
Comments 70 pages, 16 figures, 36 tables
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