高校专区
ISO：一种原生 RLVR 的优化栈
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UIUC（伊利诺伊大学香槟分校） ； Emory University（埃默里大学） ； Together AI（联合人工智能公司） ； Recursive Superintelligence Inc（递归超级智能公司） ； ELLIS Institute Tübingen（图宾根埃利斯研究所）
AI总结 研究 RLVR 中缺失的优化层，提出等谱优化（ISO）框架，包括离线的 ISO-Merger 和在线的 ISO-Optimizer。通过光谱继承，在推理和编码任务中，用更少训练步骤提高准确率，为 RLVR 优化层问题提供了具体解决方案。
Comments Preprint
带符号整流流：负性控制生成
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 研究提出带符号整流流（Signed RF），通过推广整流流，基于带符号测度构建生成模型，能将概率集中在正区域并排除负区域。分析其连续性方程并给出解释，推动实用算法，在多应用中提升性能，改进了保真度 - 多样性权衡等。
DuSPiT：双分支子补丁像素扩散变换器
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Reve（瑞夫）
AI总结 研究针对像素空间扩散中单一表示兼顾全局与细节的问题，提出双分支子补丁像素扩散变换器DuSPiT。通过分离全局与局部处理，利用两分支交互，实现更丰富细节和更好质量效率权衡，优于此前的像素空间扩散变换器。
使用不精确分数进行采样的可处理性景观
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究使用不精确分数进行采样时，给出允许以消失总变差偏差采样的不精确得分预言机访问类型刻画，指出比[YW26]次高斯假设更弱误差会排除无偏采样可处理性，加强相关结论。
Comments 5 pages, 1 figure
FinBench：用于智能金融预测的时间门控校准与不确定性基准测试
机构 * UT Austin（得克萨斯大学）
AI总结 介绍用于金融预测的FinBench基准，它通过时间门控避免前瞻偏差，用适当评分规则评估。任务要求模型输出正回报概率和预测区间，用多种分数评估，通过小型试点运行展示校准敏感指标能区分不同预测行为。
Comments 9 pages, 3 figures
PE-Field 4D：作为画布的视频生成模型
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Pixocial Technology（皮克社交科技）
AI总结 研究视频生成中扩散变换器控制场景几何形状的挑战，通过重新审视位置编码作用，引入几何感知交叉注意力机制及相关编码方案，构建可控视频生成框架，提升视点相关编辑任务的空间可控性且保留模型生成先验。
用于LEED合规的神经符号人工智能：以文档为中心的基准测试、确定性数值检查以及多模态何时有害
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究小型本地部署语言模型对LEED文档筛选及符号组件作用，引入神经符号管道，通过对齐PDF、检索证据、语言模型验证和数值检查器检查来验证合规性，实验表明特定模型在任务中表现较好，管道及基线提供了参考。
RoboTTT：机器人策略的上下文扩展
机构 * NVIDIA（英伟达公司） ； 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 研究提出RoboTTT，将测试时训练集成到机器人基础模型，通过序列动作强制和截断反向传播扩展视觉运动上下文到8K时间步长，解锁新能力，提升多任务性能，证明上下文长度是机器人基础模型新扩展轴。
Comments Project website: http://research.nvidia.com/labs/gear/robottt/
用于扩散语言模型的掩码感知策略梯度
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究针对强化学习扩展到MDLMs的难题，将MDLM生成形式化为两阶段动作MDP，使策略梯度分解为令牌项和掩码项，结合优化这两项在数学推理和编码基准测试中取得了最优成绩。
Comments Accepted at COLM 2026
大语言模型中逻辑一致性的可控重新表述测试
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究大语言模型在逻辑等价问题表面形式改变时的逻辑一致性，提出CRTBench基准，评估多个前沿LLMs，发现存在准确率 - 一致性差距，揭示失败集中在逻辑非平凡变换，表明仅靠准确率无法评估LLMs的逻辑推理。
Comments 10 pages
分离问题：大语言模型未意识到提示之外的人
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究指出个人AI助手存在不良行为，源于语言模型的“分离问题”。提出通过“分离模式”将结构化无知纳入语言模型上下文的解决方案，经实证，五个模型家族采用此模式后能减少不良行为，模型在信息缺失时会询问澄清问题。
使通用车辆模型适应不同地形的高速模型预测控制
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室）
AI总结 研究高速越野自主中通用车辆模型适应不同地形的问题，提出OptCar方法，通过历史条件动态适应模块，利用有限真实数据和合成展开微调通用模型，在多种实验中表现良好，提升了跨地形性能。
EMAGN：基于学习聚类的高效多注意力图网络用于可扩展交通流量预测
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Cornell University（康奈尔大学） ； Technische Universität Dresden（德累斯顿工业大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对交通流量预测中自注意力机制扩展性有限的问题，提出EMAGN，通过学习聚类矩阵将空间注意力机制线性化，降低复杂度，实验表明其在准确性和效率上优于其他模型，扩展了可行模型配置。
诱导情绪会影响大语言模型在序列决策中的行为吗？
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Texas A&M University（德州农工大学） ； National University of Singapore（新加坡国立大学） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mass General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院）
AI总结 研究探讨诱导情绪对大语言模型在序列决策中行为的影响，采用爱荷华赌博任务结合情绪诱导程序，发现诱导情绪平均不显著影响其决策动态，但愤怒有条件地影响决策，揭示了与人类行为的差异，为相关研究提供工具。
通过编码代理实现基于契约的行为树合成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究从自然语言合成机器人行为树时基础设定易出现的问题，提出基于契约的合成架构，编码代理查询服务器获取契约后合成行为树，经实验评估两个大语言模型，结果显示该架构能实现高验证率和成功率，且可转移到物理硬件。
Comments IEEE RA-L Submission
AAAI-26双重投稿：新挑战
机构 * OSU Libraries（俄勒冈州立大学图书馆） ； 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） ； AAAI Washington, DC（AAAI华盛顿特区） ； Indiana University（印第安纳大学） ； University of Alberta（阿尔伯塔大学）
AI总结 AAAI-26评审中发现双重投稿问题严重，通过标题+摘要相似性评估等方法处理，导致141篇主赛道投稿被拒稿。提醒注意双重投稿增长，其因生成式AI工具加剧，还给出更新政策、设检查工具等应对建议。
Comments 12 pages, 5 figures, 2 tables
设计忠实性：评估和改进面向多利益相关方受众的大语言模型生成的临床试验摘要
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究针对大语言模型生成的临床试验摘要的忠实性问题，引入基准评估框架，用特定数据库试验、提示模板和注释模式评估，对比多个模型的基线测量，开发知识图谱增强检索系统，结果显示该系统改进显著，且不同模型改进途径有别。
Comments 8 pages, 8 figures
OpenLongTail：长尾驾驶数据的生成式扩展
机构 * Texas A&M University（德克萨斯农工大学） ； NVIDIA（英伟达） ； UW–Madison（威斯康星大学麦迪逊分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Yale University（耶鲁大学） ； Adobe（奥多比公司） ； Meta ； University of Delaware（特拉华大学） ； Stanford University（斯坦福大学）
AI总结 研究针对长尾驾驶数据稀缺影响策略扩展的问题，提出开源生成数据引擎OpenLongTail，通过姿态外推视图合成管道及普吕克射线几何增强，合成异构数据提升闭环驾驶稳健性，验证了其多方面有效性。
Comments Project page: https://openlongtail.github.io/
B样条策略：通过B样条动作表示加速操纵策略
机构 * Harvard（哈佛大学） ； MIT（麻省理工学院） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 研究提出B样条策略，将动作参数化为连续B样条曲线，可集成到标准策略学习管道，通过直接预测参数实现。实验表明该策略能显著减少任务完成时间，在模拟和现实任务中优于基线方法且成功率高。
群不变谱嵌入
机构 * Tel Aviv University（特拉维夫大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； KTH Royal Institute of Technology（皇家理工学院）
AI总结 研究高维数据集降维和聚类问题，核心方法是将对称纳入谱嵌入的亲和核，通过分析具有对称的黎曼数据流形，证明相关图拉普拉斯算子收敛，在特定数据集验证后表明该方法能恢复数据内在几何，优于标准谱嵌入。
VEGAS：通过注视进行与人类对齐的视频字幕评估
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； AMD（超威半导体公司）
AI总结 研究针对视觉语言模型视频字幕忽视观众注意力问题，提出VEGAS无需训练的度量标准，利用注视采样个性化文本，通过拒绝采样选字幕，实验表明其能使字幕更好对齐人类焦点，提升下游检索。
POPS：通过提示优化参数抖动恢复多模态大语言模型中未学习的多模态知识
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室）
AI总结 研究针对多模态大语言模型中隐私敏感信息擦除不彻底问题，提出POPS对抗策略，通过提示后缀优化生成潜在私人示例并微调模型，实验揭示现有MMU算法弱点，POPS能近乎完全恢复敏感信息，暴露隐私保护漏洞。
一种基于后验误差估计的神经网络架构自适应最优控制方法
机构 * Department of Aerospace Engineering & Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Oden Institute for Computational Engineering and Sciences, UT Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所）
AI总结 该研究基于后验误差估计提出神经网络架构自适应的最优控制方法，将训练视为连续时间最优控制问题，通过误差分解确定新层插入位置，引入新架构并利用有限元方法得出误差界，在科学数据集上验证其泛化性能优于现有方法。
Sangam：使用AR堆栈高效服务扩散语言模型
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 研究扩散语言模型服务问题，提出Sangam系统，用赤字令牌预算调度器实现摊还无停顿调度，采用混合服务策略缓解预填充资源不足，揭示服务设计空间受预填充-解码干扰等因素影响。
PreSIST：开放世界场景中视觉-语言信息的对象持久性预测
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National Science Foundation（美国国家科学基金会） ； ARO（美国陆军研究办公室） ； Amazon（亚马逊公司） ； JP Morgan（摩根大通公司）
AI总结 研究长期部署机器人对环境变化的推理，提出PreSIST方法，通过对象属性和场景上下文估计实例级持久性先验，结合概率持久性过滤器预测对象未来姿态，有两种变体，实验表明优于基线。
Comments 8 pages, 6 figures, 3 tables
奖励门控策略蒸馏
机构 * University of Cologne（科隆大学） ； AWS AI（亚马逊云科技人工智能） ； UT Austin（德克萨斯大学奥斯汀分校） ； MIT（麻省理工学院）
AI总结 研究如何进行策略蒸馏，核心方法是引入奖励门控策略蒸馏（RG-OPD）利用验证器反馈决定是否信任教师逻辑，主要贡献是在推理和编码基准测试中表现出色，优于其他蒸馏方法。
Comments 8 pages, 2 figures, 3 tables
激励视觉语言模型进行长视频问答搜索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究将长视频问答从被动单流程感知任务转变为多轮检索过程，核心方法是自然语言驱动搜索及强化学习后训练，贡献是提升长视频理解基准测试分数。
Comments To appear at the European Conference on Computer Vision (ECCV 2026)
通过验证器与生成器对齐改进大语言模型
机构 * Department of Computer Science, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Departments of Linguistics and Computer Science, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校语言学与计算机科学系） ； Department of Computer Science & Center for Data Science, New York University（纽约大学计算机科学系及数据科学中心）
AI总结 研究大语言模型不一致问题，提出基于话语频率的生成器-验证器一致性新公式，介绍\FCPA方法，实验表明该方法能提升生成器性能及两者一致性，且保持验证器质量。
基于强化学习的视觉语言模型视觉接地自反思
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）
AI总结 提出VRRL框架，通过随机掩码轨迹前缀和缓冲回滚机制，增强视觉语言模型在分布外场景下的视觉接地自反思能力，显著提升准确率。
语言模型真的能进行上下文检索吗？在百万Token规模的文档中淹没
机构 * UC Berkeley（加州大学伯克利分校） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 本文首次系统研究百万Token语料库上的上下文检索，提出0.6B参数的BlockSearch模型，通过注意力稀释分析引入长度感知调整，在MS MARCO和NQ上匹配稠密检索，在LIMIT上得分高出3倍。
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