高校专区
MLLM 能否像人类一样进行批评？评估多模态大语言模型中的开放式审美推理
机构 * UCSB（加州大学圣塔芭芭拉分校） ； University of Washington（华盛顿大学） ； UCLA（加州大学洛杉矶分校）
AI总结 本文评估多模态大语言模型在开放式审美批评中的表现，发现基于参考的相似度指标存在误导，模型在选择性、特异性和多样性方面与人类批评存在系统性差异。
混合检索器演化：面向多模态文档推理代理
机构 * ServiceNow ； University of Washington（华盛顿大学）
AI总结 提出失败驱动的演化框架，让元代理自动学习任务代理如何协调多种检索器进行多步文档问答，实现自适应检索路由，在MMLongBench-Doc和DocBench上提升高达19.6分。
Comments 17 pages, 3 figures
弱主导平衡：用于鲁棒识别动态一致流体流动结构
机构 * Department of Mechanical Engineering, University of Washington, Seattle, WA, USA（华盛顿大学机械工程系） ； AI Institute in Dynamic Systems, University of Washington, Seattle, WA, USA（动态系统人工智能研究所） ； Lynn Booth and Kent Kresa Department of Aerospace, California Institute of Technology, Pasadena, CA, USA（加州理工学院航空航天系） ； Department of Mechanical and Aerospace Engineering, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校机械与航空航天工程系） ； Department of Aerospace Engineering, University of Michigan, Ann Arbor, MI, USA（密歇根大学航空航天工程系）
AI总结 提出弱主导平衡框架，通过弱形式投影避免数值微分噪声，实现从高噪声数据中识别物理机制，并成功应用于湍流管道流动的三阶偏微分方程分解。
Agentic Abstention: 智能体知道何时停止而非行动吗？
机构 * University of Leeds（利兹大学） ； Southwest Jiaotong University（西南交通大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院）
AI总结 研究LLM智能体在不确定环境下何时应停止行动的问题，提出Agentic Abstention概念，通过实验分析不同模型和框架的弃权行为，并引入CONVOLVE方法提升及时弃权率。
Envisage：基于扩散的鼻整形目标可视化与掩码分解评估
机构 * University of Washington（华盛顿大学） ； University of Washington School of Medicine（华盛顿大学医学院） ； Department of Otolaryngology–Head and Neck Surgery（耳鼻喉科–头颈外科部门）
AI总结 提出Envisage扩散修复管线，从单张正面照片可视化鼻整形目标，并引入SurgicalScore掩码分解协议评估局部编辑质量，克服全脸身份指标在硬合成编辑下的混淆。
Comments 29 pages, 4 figures, 22 tables
少样本合成方言语音用于ASR微调：什么有助于什么？
机构 * University of Washington（华盛顿大学）
AI总结 研究比较了合成方言语音在ASR微调中的有效性，发现随机音素扰动比目标方言音素编辑更有效，且真实语音与合成语音混合可稳定低资源微调。
Comments Accepted as a contributed talk and poster at the ICML 2026 Workshop on Machine Learning for Audio
基于自我报告的LLM代理能够实现通用个体模拟
机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； Department of Communication Studies, Northwestern University（西北大学传播学系） ； Department of Communication, University of Washington（华盛顿大学传播学系） ； Google DeepMind（谷歌DeepMind） ； Department of Sociology, Stanford University（斯坦福大学社会学系） ； Sciences Po（巴黎政治学院）
AI总结 本文研究了基于自我报告数据的LLM代理在模拟个体行为方面的有效性，通过不同数据源构建代理并验证其在多种任务中的准确性和跨群体公平性。
2025人工智能代理指数：记录已部署代理式人工智能系统的技术和安全特性
机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Harvard Law School（哈佛法学院） ； Stanford University（斯坦福大学） ； Concordia AI（康科迪亚AI） ； University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学）
AI总结 本文提出2025人工智能代理指数，记录30种先进代理式AI系统的起源、设计、能力、生态系统及安全特性，揭示代理发展中的趋势和开发者透明度问题。
Comments To be publishesd at ACM FAccT 2026
迈向完整因果解释的专家知识
机构 * Microsoft（微软） ； University of Washington（华盛顿大学）
AI总结 本文研究如何通过专家知识限制最大祖先图的马尔可夫等价类，提出新的图定向规则和算法，扩展了Meek(1995)以处理潜在混杂因素。
Comments 86 pages (main paper 26 pages, supplementary material 60 pages), 21 figures, 7 algorithms, 4 tables
提示中应工程什么？基于需求驱动的LLM使用训练
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学）
AI总结 本文提出ROPE框架，通过评估和训练套件帮助用户生成清晰需求，提升LLM应用构建效果。
Comments 15 pages; TOCHI 2025
Journal ref TOCHI 2025
FLAME 3数据集：释放无人机辐射热成像用于野火管理的潜力
机构 * Holcombe Department of Electrical and Computer Engineering, Clemson University（克莱姆森大学霍尔科姆电气与计算机工程系） ； Pacific Southwest Research Station, U.S. Forest Services（美国林业局太平洋西南研究站） ； School of Environmental and Forest Sciences, University of Washington（华盛顿大学环境与森林科学学院） ； US Forest Service, Rocky Mountain Research Station, Fire Sciences Laboratory（美国林业局落基山研究站火灾科学实验室） ； Department of Mechanical Engineering, Clemson University（克莱姆森大学机械工程系） ； Department of Forest Management, University of Montana（蒙大拿大学森林管理系）
AI总结 本文提出FLAME 3数据集，通过无人机收集同步可见光与辐射热影像，推动基于辐射热成像的野火管理AI应用，提供新的数据类型和采集方法。
Comments 15 pages, 8 Figures, 9 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