高校专区
超越帧限：从视角视频生成360度全景视频
机构 * Cornell University（康奈尔大学） ； University of Washington（华盛顿大学）
AI总结 本文提出从视角视频生成完整全景视频的方法，通过设计几何与运动感知操作提升生成质量，实现空间与时间一致性，应用于视频稳定、视角控制和交互式视觉问答。
Comments Project page: https://red-fairy.github.io/argus/
连续语义缓存用于低成本大语言模型服务
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington Tacoma（华盛顿大学塔科马分校） ； City University of Hong Kong（香港城市大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 本文提出连续语义缓存框架，通过动态ε-网离散化与核岭回归，解决连续查询空间下的缓存优化问题，降低计算和切换开销。
‘Newspaper Eat’意味着‘不美味’：一种实世界中文在线评论中编码语言的分类和基准
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Washington（华盛顿大学）
AI总结 本文提出CodedLang数据集，包含7744条中文Google地图评论，包含900条带有跨度标注的编码语言评论。通过七类分类法捕捉常见编码策略，如发音、拼写和跨语言替代。测试语言模型在编码语言检测、分类和评论评分预测中的表现，发现即使强模型也难以识别和理解编码语言。
AstaBench：通过科学研究套件严格评估AI代理
机构 * Asta Team, Allen Institute for AI（Asta团队，人工智能研究所） ； University of Maryland（马里兰大学） ； University of Arizona（亚利桑那大学） ； University of Zurich（苏黎世大学） ； Bar-Ilan University（巴伊兰大学） ； University of Washington（华盛顿大学）
AI总结 本文提出AstaBench，通过2400多个科学问题全面评估AI代理能力，提供生产级搜索工具和九种科学优化的代理类，揭示AI在科学研究辅助方面仍存在显著差距。
Comments Published as a conference paper at ICLR 2026
微语言模型实现即时响应
机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学）
AI总结 微语言模型通过在设备端生成前4-8个词，结合云端完成响应，克服了边缘设备计算和功耗限制，实现低延迟的助手体验。
为代理编程扩展测试时计算
机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； University of Washington（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出基于轨迹紧凑表示的代理编程测试时扩展框架，通过递归竞赛投票和并行-蒸馏-细化方法提升长周期代理性能，实验证明在SWE-Bench和Terminal-Bench上显著提升效果。
Comments 70 pages, 26 figures, 12 tables
多代理自分级系统与医疗流程图
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； The Design Lab, University of California San Diego（加州大学圣地亚哥分校设计实验室） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Medicine, Kaiser Permanente（Kaiser 医疗集团医学部） ； Department of Radiation Oncology, University of California San Francisco（加州大学旧金山分校放射肿瘤学部） ； Department of Emergency Medicine, University of California San Francisco（加州大学旧金山分校急诊医学部） ； Division of Cardiology, Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学部心内科分会） ； Department of Orthopaedic Surgery, Korea University Ansan Hospital（韩国大学安山医院骨科部） ； Google Research, Seattle, WA, USA（谷歌研究（西雅图，华盛顿州）） ； Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学校）
AI总结 本文提出一种多代理自分级系统，利用100个经临床验证的流程图提升医疗决策的准确性与透明度，通过检索、决策和聊天代理实现患者个性化推荐，实验显示在大规模合成数据集上达到高准确率。
Journal ref Nature Health (2026)
分开训练，合并一起：模块化后训练与专家混合
机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； Allen Institute for AI（人工智能研究院）
AI总结 本文提出BAR方法，通过独立训练领域专家并采用专家混合架构实现高效更新，避免了传统重训练的高成本和性能下降问题，实验显示其在多个领域任务中表现优异。
Comments 9 content pages, 23 pages overall, 3 figures
弥合体外到体内差距：用于镜面外科环境单目深度估计的合成先验
机构 * RoCAL, Rochester Institute of Technology（罗切斯特理工学院RoCAL实验室） ； Department of Otolaryngology Head and Neck Surgery, University of Rochester Medical Center（罗切斯特大学医学中心耳鼻喉科与头颈外科部门） ； University of Washington, Department of Otolaryngology–Head and Neck Surgery（华盛顿大学耳鼻喉科与头颈外科部门）
AI总结 本文提出合成先验用于改善外科环境中单目深度估计，通过DV-LORA适应深度anything v2架构，在SCARED数据集上达到新状态，同时引入ROCAL-T 90数据集验证模型在真实临床场景中的鲁棒性。
CoAct：基于人机协同的LLM偏好学习
机构 * Northwestern University（西北大学） ； Google（谷歌） ； University of Southern California（南加州大学） ； University of Washington（华盛顿大学）
AI总结 本文提出CoAct框架，通过策略性的人机协作结合自奖励与主动学习，提升LLM在不同任务中的对齐效果，在三个推理基准测试中取得显著提升。
Comments ACL 2026
HorizonBench: 长时间跨度个性化与演变偏好
机构 * University of Washington（华盛顿大学） ； Meta ； OpenAI ； Stanford University（斯坦福大学）
AI总结 本文提出HorizonBench，通过生成6个月时间线的对话数据，提供长时间跨度个性化研究的测试平台，揭示状态跟踪能力是长周期个性化的主要瓶颈。
Comments 19 pages, 5 figures, 8 tables
解开在线对齐方法无理有效性的谜团
机构 * Foster School of Business University of Washington（华盛顿大学福斯特商学院）
AI总结 本文指出传统温度零后悔准则下，贪心在线对齐方法能实现常数累积后悔，揭示其实际高效性背后的理论原因。
MoCo：模型协作研究的一站式解决方案
机构 * University of Washington（华盛顿大学） ； University of Notre Dame（诺特大学） ； University of Virginia（弗吉尼亚大学） ； New York University（纽约大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of California Irvine（加州大学尔湾分校） ； Stanford University（斯坦福大学）
AI总结 本文提出MoCo库，提供26种模型协作方法及25个评估数据集，验证协作策略在多数场景下优于非协作模型，分析协作系统的有效性及未来研究方向。
Comments Moco is available at https://github.com/BunsenFeng/model_collaboration
AdaExplore: 基于失败的适应与多样性保持搜索用于高效内核生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； Arm Ltd（Arm有限公司）
AI总结 AdaExplore通过积累执行反馈实现自我改进，通过失败驱动适应和多样性保持搜索提升内核生成的正确性和优化性能，无需额外微调或外部知识。
Comments Preliminary work. The implementation is available at https://github.com/StigLidu/AdaExplore
WildDet3D: 在真实世界中扩展可提示的3D检测
机构 * Allen Institute for AI（人工智能研究院） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出WildDet3D，一种统一的几何感知架构，支持文本、点和框提示，并在推理时整合辅助深度信号。同时，构建了最大的开放3D检测数据集WildDet3D-Data，包含13.5K类别的100万张图像，在多个基准测试中取得新突破。
Comments code: https://github.com/allenai/WildDet3D website: https://allenai.github.io/WildDet3D/
无监督领域适应在伽马能谱学中用于放射性同位素识别
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Washington（华盛顿大学）
AI总结 本文提出利用无监督领域适应技术提升合成数据训练的模型在真实环境中的泛化能力，通过最大均值差异最小化等方法提高测试准确率。
Comments 38 pages, 5 figures, and 14 tables
IPQA：个性化问答中核心意图识别的基准
机构 * Yonsei University（延世大学） ； University of Washington（华盛顿大学）
AI总结 本文提出IPQA基准，用于评估个性化问答中用户优先的意图识别能力，揭示现有系统在复杂问题中识别核心意图的不足。
基于成功表示的分层主动推断
机构 * Paul G. Allen Center for Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程中心，华盛顿大学）
AI总结 本文提出基于分层主动推断的行动规划模型，结合环境层次模型与成功表示实现高效规划，展示了如何通过低层表示学习高层抽象状态，并在多个规划和强化学习任务中验证了方法有效性。
Comments Accepted for publication in Neural Computation (MIT Press). 82 pages, 29 figures
脑评分追踪语言的共享属性：来自多种自然语言和结构序列的证据
机构 * University of Washington（华盛顿大学）
AI总结 研究通过训练语言模型并评估其脑评分表现，发现多种自然语言和结构化数据在脑评分上表现相似，表明模型能提取语言共性，但高评分不一定代表人类级处理能力。
在话语之间阅读：单侧对话问题
机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Allen Institute for Artificial Intelligence（阿伦人工智能研究所） ； Hearvana AI
AI总结 本文提出单侧对话问题，研究如何从单侧对话中重建缺失发言和生成摘要，发现未来发言和发言长度信息有助于重建，而高质量摘要无需重建。
Comments 8 pages, 6 figures, 4 tables. Accepted to ACL Findings 2026
ReLU神经网络激活模式的拓扑特征
机构 * Applied Math and Computational Sciences University of Pennsylvania（应用数学与计算科学大学公园大学） ； Department of Mathematics Colorado State University（数学系科罗拉多州立大学） ； Departments of Mechanical Engineering & Computational Mathematics, Sciences and Engineering (CMSE) Michigan State University（机械工程与计算数学、科学与工程系密歇根州立大学） ； Department of Mathematics University of Washington（数学系华盛顿大学） ； Georgia Tech Research Institute（佐治亚理工研究学院）
AI总结 研究ReLU神经网络激活模式的拓扑特征，分析特征空间的多面体分解，探讨Fiedler分区与决策边界的关系以及回归任务中同调与训练损失和多面体单元数的行为模式。
Journal ref Proc. 1st Conf. on Topology, Algebra, and Geometry in Data Science (TAG-DS 2025), PMLR 321:287-301, 2026
具有人格分配的大型语言模型表现出类似人类的动机推理
机构 * University of Washington（华盛顿大学）
AI总结 研究探讨了分配不同政治和社会人口属性的人格对大型语言模型动机推理的影响，发现人格分配的模型在评估信息真实性时表现下降，且政治人格在科学证据评估中更倾向于与自身身份一致的结论，传统去偏方法效果有限。
Comments ACL Findings 2026
面向响应的用户记忆选择用于LLM个性化
机构 * Department of Computer Science and Engineering, University of Washington, Seattle, WA, United States of America（华盛顿大学计算机科学与工程系） ； Microsoft Research, Redmond, WA, United States of America（微软研究院）
AI总结 本文提出RUMS方法，通过测量记忆与模型输出的互信息选择用户记忆，提升响应质量并降低计算成本。
Comments Code at: https://github.com/jfisher52/Response_Utility_Optimized_Memory_Selection
FAIR Universe弱引力透镜ML不确定性挑战：处理不确定性和分布偏移以实现精确宇宙学
机构 * Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室） ； Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学，CNRS/IN2P3，IJCLab） ； ChaLearn ； University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） ； University of California, San Diego（圣地亚哥大学）
AI总结 本文提出首个弱引力透镜基准数据集，通过处理有限训练集和分布偏移，推动ML方法在弱引力透镜分析中的应用，促进系统误差处理和数据效率提升。
Comments Whitepaper for the FAIR Universe Weak Lensing ML Uncertainty Challenge Competition. More info is available at our GitHub repository https://github.com/FAIR-Universe/Cosmology_Challenge. 13 pages, 5 figures, 1 table
MixAtlas: 多模态大语言模型中训练过程中的数据混合优化方法
机构 * Apple（苹果公司） ； University of Washington（华盛顿大学） ； Virginia Tech（弗吉尼亚理工学院）
AI总结 MixAtlas通过双轴分解训练语料，结合小代理模型与高斯过程代理，优化多模态大语言模型的训练混合策略，提升性能和泛化能力。
LongCoT：长周期链式推理基准测试
机构 * University of Oxford（牛津大学） ； Lawrence Livermore National Laboratory (LLNL)（劳伦斯利弗莫尔国家实验室） ； University of Washington（华盛顿大学）
AI总结 LongCoT通过2500个专家设计的问题评估长周期链式推理能力，揭示前沿模型在长时间推理中的不足。
Comments Long-Horizon Reasoning Benchmark
矩阵的复插值及其在多流形学习中的应用
机构 * Viterbi Faculty of Electrical and Computer Engineering, Technion – Israel Institute of Technology（电气与计算机工程学院，技术学院–以色列理工学院） ； Department of Mathematics and Department of Applied Mathematics, University of Washington（数学系和应用数学系，华盛顿大学） ； University of Washington, Seattle, WA 98195, USA（华盛顿大学，西雅图，华盛顿州98195，美国）
AI总结 研究对称正定矩阵插值的谱性质，揭示共同结构与主成分对齐的理论依据，为多流形学习提供方法支持。
多智能体交互中的概率责任分配学习
机构 * University of Washington, Department of Aeronautics and Astronautics（华盛顿大学航空航天系） ； NVIDIA
AI总结 本文提出一种学习多智能体交互中概率责任分配模型的方法，通过条件变分自动编码器的潜在空间和多智能体轨迹预测技术，实现基于场景和智能体上下文的责任分配分布学习，展示了在INTERACTION驾驶数据集上的强预测性能和可解释性。
Olmo 3：先进全开源语言模型家族
机构 * Allen Institute for AI（Allen人工智能研究所） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland（马里兰大学）
AI总结 Olmo 3是一款7B和32B参数规模的先进语言模型，专注于长上下文推理、函数调用、编程、指令遵循、通用聊天和知识回忆。
Comments minor edit updates
混合密度扩散器：非均匀时间分辨率下的高效规划
机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, USA（保罗·G·艾伦计算机科学与工程学院，华盛顿大学，西雅图，美国）
AI总结 本文提出混合密度扩散器，通过可调超参数实现规划时间分辨率的非均匀分布，提升在D4RL任务中的规划效率与性能。
Comments European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN, 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