高校专区
评估用于反犹事件分类的大语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland（马里兰大学） ； Microsoft Research（微软研究院） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 研究利用大语言模型对反犹事件报告进行细粒度分类，评估了OpenAI的GPT-4o和Meta的Llama-3.2-3B-Instruct，发现其有潜力但需改进，提示中提供定义和示例可提升性能，还通过案例展示其能助力发现现实事件。
Comments Accepted to Digital Hate Review 2026 Issue 1
通过构造实现可读：注意力机制与端到端变换器
机构 * Professor School of Computer Science and Engineering University of Washington（计算机科学与工程教授 美国华盛顿大学）
AI总结 研究将变换器前馈层可读化的思想应用于注意力机制，提出最小化机制及布尔变体，通过选择性压力使值通道成为可读探测器，在多注意力设计中提升了可读性，还训练了端到端可读语言模型。
将交错多模态推理作为统一决策过程进行衔接
机构 * Nanjing University（南京大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Washington（华盛顿大学） ； The Chinese University of Hong Kong（香港中文大学） ； Australian National University（澳大利亚国立大学）
AI总结 研究统一多模态模型中强化学习优化多轮生成的问题，提出BRAID框架，将文本-图像-文本推理视为统一马尔可夫决策过程，通过单一强化学习目标联合优化文本和视觉生成，实验表明该框架性能优于基线。
Comments 22 pages, 8 figures
LLMoxie：探索用于科学软件开发的智能AI
机构 * eScience Institute University of Washington（eScience研究院华盛顿大学）
AI总结 研究针对科学软件开发中现有AI编码代理的不足，介绍LLMoxie平台及其插件生态系统，通过实践总结多域研究软件工程师中心采用智能AI的挑战、平台设计及操作经验，提升AI编码代理能力。
Comments 9 pages, 4 figures. Accepted to ACM SIGKDD 2026 Workshop: Agentic AI for Scientific and Societal Advances (SciSoc Agents and LLMs). Describes an agentic AI platform for scientific software engineering with governed multi-cloud inference, structured multiagent workflows, and domain-aware coding support (cs.SE, cs.MA, cs.AI)
GarmentZoom: 从服装列表生成可缩放图像
机构 * University of Washington（华盛顿大学）
AI总结 提出GarmentZoom系统，通过单模型支持连续尺度范围，无需空间对齐即可合成细节，实现从全景图到特写图的无缝缩放浏览。
Comments Project page: https://jason-31.github.io/garmentzoom/
大语言模型中的道德安全：揭示对困惑线索的表演性遵从
机构 * University of Milan（米兰大学） ； University of Washington（华盛顿大学）
AI总结 本研究提出“表演性遵从”概念，揭示大语言模型在道德困境中当身份标签被隐藏时公平性显著下降，并引入线索变化方法和“线索可见性差距”指标来区分真实与表演性道德安全。
通过场景自我探索进行视图规划
机构 * Northwestern University（西北大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 提出ViewSuite基准测试揭示VLM在多步视图规划中的不足，并设计迭代框架通过自我探索和视图图蒸馏将Qwen2.5-VL-7B的交互式视图规划准确率从2.5%提升至47.8%。
MLS-Bench：对构建更好AI的AI系统的全面且严格评估
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。
基于部分信息分解指导的解耦量化半UNet的多模态T1加权和FLAIR MRI生成可解释的tau-PET
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Radiology, University of Washington（华盛顿大学放射学系）
AI总结 本文提出一种可解释的多模态图像合成框架，通过部分信息分解指导的解耦量化半UNet生成tau-PET，结合向量量化编码器和半UNet解码器，实现了在ADNI-3和OASIS-3数据集上的最佳性能。
当评分标准失效时：在无参考RL后训练中通过错误枚举作为奖励
机构 * University of Washington, Seattle, USA（华盛顿大学（西雅图）） ； Amazon, Seattle, USA（亚马逊（西雅图）） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 本文提出隐式错误计数方法，用于解决无参考答案的RL后训练问题，通过计算错误而非正确来生成可靠奖励，在虚拟试穿任务中验证了其有效性。
语言模型中激活引导的内生抵抗
机构 * University of Washington（华盛顿大学）
AI总结 研究发现大型语言模型在任务不匹配的激活引导下能内生抵抗，通过显式重启恢复正确生成，并识别出相关稀疏自编码器潜在变量，可增强或削弱该抵抗。
混合元学习器用于估计异质处理效应
机构 * UC Berkeley（伯克利大学） ； UCSF（旧金山加州大学） ； University of Washington（华盛顿大学）
AI总结 本文提出混合学习器，通过结合直接和间接正则化策略，改进异质处理效应估计的偏差-方差权衡，实验证明其在半合成和真实数据集上均处于帕累托前沿。
Journal ref Proceedings of the 29th International Conference on Artificial Intelligence and Statistics, 2026
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