高校专区
多轮共情对话中的语篇多样性
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院） ； University of Washington（华盛顿大学）
AI总结 研究探讨了大型语言模型在多轮共情对话中语篇策略的多样性问题，提出MINT框架通过强化学习提升对话多样性，显著提高共情效果并减少重复。
TrajOnco：一个用于纵向电子健康记录上时间推理的多智能体框架，用于多癌症早期检测
机构 * Truveta Inc.（Truveta公司） ； University of Washington（华盛顿大学） ； Fred Hutch Cancer Center（弗雷德·哈钦森癌症中心）
AI总结 TrajOnco通过多智能体框架对纵向EHR中的时间序列临床事件进行推理，生成患者总结和风险评分，实现多癌症早期检测。
积极未标记主动学习用于为Orca居民解释整理数据集
机构 * Translacean Research Foundation（跨洋研究基金会） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Washington（华盛顿大学） ； University of Calgary（卡尔加里大学）
AI总结 本文通过积极未标记主动学习策略整理了最大的南方居民杀人鲸声学数据集，包含其他海洋哺乳动物，提升了分类器的准确性和效率。
ClaimDB: 一个基于大规模结构化数据的事实验证基准
机构 * University of Washington（华盛顿大学）
AI总结 本文提出ClaimDB基准，通过百万级记录和多表组合验证事实，发现传统阅读方法失效，需转向可执行程序推理，实验显示超过一半模型准确率低于55%。
Comments ACL 2026 main
GPU加速的连续时间递进凸优化用于接触隐式腿部运动
机构 * University of Washington（华盛顿大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
AI总结 本文提出了一种基于连续时间递进凸优化的接触隐式腿部运动方法，通过引入积分互补性约束消除接触事件丢失风险，提升求解效率，实现更灵活的接触模式切换。
Comments Accepted to IEEE ICRA 2026
还有可以提取的知识吗？医学微调视觉语言模型中的脆弱性证据
机构 * Brown University（布朗大学） ； University of Washington（华盛顿大学） ； 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 研究评估了四个医学微调的视觉语言模型在四个医学影像任务中的表现，发现任务难度增加时性能下降至接近随机水平，表明临床推理有限，医学微调无明显优势，模型对提示词敏感。
研究疫苗购买后悔现象：利用政治多样性的人类注释分析新冠社交媒体中的接种决策后悔
机构 * University of Washington, Seattle（华盛顿大学西雅图分校） ； Rochester Institute of Technology（罗切斯特理工学院）
AI总结 本文通过构建新冠接种经历数据集，分析疫苗后悔现象的普遍性、原因及第一人称与 vicarious 经历差异，评估 LLMs 引入的潜在偏见。
DERM-3R：一种资源高效的多模态代理框架，用于皮肤病诊断和治疗的现实世界临床应用
机构 * School of Pharmacy, Nanjing University of Chinese Medicine（南京中医药大学药学院） ； Department of Dermatology, the Gulou Hospital of Traditional Chinese Medicine of Beijing（北京鼓楼中医医院皮肤科） ； Infectious disease department, Dongfang Hospital, Beijing University of Chinese Medicine（北京中医药大学东方医院感染科） ； College of Art and Science, university of Washington（华盛顿大学文理学院） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Fudan Unversity（复旦大学） ； Zhejiang Lab（之江实验室） ； University College London（伦敦大学学院） ； Department of Dermatology, Inner Mongolia Hospital of Traditional Chinese Medicine（内蒙古自治区中医医院皮肤科） ； International Campus of Zhejiang University（浙江大学国际校区）
AI总结 本文提出DERM-3R框架，通过三个协作代理解决皮肤病诊断中的细粒度病变识别、多视角病变表示和综合推理问题，展示了其在资源受限下的高效性能。
基于潜在基础模型的PDE空间代理探索用于参数化模拟
机构 * University of Michigan（密歇根大学） ； Universidad Politécnica de Madrid（马德里理工大学） ； Purdue University（普渡大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Caltech（加州理工学院） ； University of Washington（华盛顿大学）
AI总结 本文提出利用多代理LLM与潜在基础模型耦合，实现对PDE参数空间的连续探索，发现流体中不同尺度的标度律，展示了代理推理在PDE系统中的自动化科学发现能力。
RAM：在真实环境中恢复任何3D人体运动
机构 * University of Washington（华盛顿大学） ； Anhui University（安徽大学） ； East China University of Science and Technology（华东理工大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 RAM结合运动感知语义追踪与自适应卡尔曼滤波，在严重遮挡和动态交互下实现鲁棒的身份关联。通过记忆增强的时序HMR模块注入时空先验，提升人体运动重建的一致性和平滑性。轻量级预测模块预测未来姿态以维持重建连续性，门控融合模块自适应融合重建与预测特征，确保一致性与鲁棒性。
Comments Accepted by CVPR2026!
基于上下文的元学习实现无训练跨受试者脑解码
机构 * University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种基于上下文的元学习方法，无需微调即可实现跨受试者的脑解码，通过上下文学习和分层推理提升解码效率与鲁棒性。
Comments Accepted to CVPR 2026, website: https://github.com/ezacngm/brainCodec
FIT：一个大规模用于考虑服装适配性的虚拟试穿数据集
机构 * University of Washington（华盛顿大学） ； Google Research（谷歌研究院）
AI总结 本文提出FIT数据集，通过合成策略生成大规模虚拟试穿图像三元组，用于训练考虑服装适配性的虚拟试穿模型，提升服装适配性评估能力。
Comments SIGGRAPH 2026
MolmoWeb：开放视觉网络代理和开放数据用于开放网络
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学）
AI总结 本文提出MolmoWeb，一个开放的多模态网络代理，通过公开的浏览器任务演示和网页GUI感知数据，实现状态-of-the-art的网络代理性能，促进开放研究。
Comments https://allenai.org/blog/molmoweb
让 MLLMs 失明：MLLM 内容审核中的对抗走私攻击
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Beijing Key Laboratory of Super Intelligent Security of Multi-Modal Information（北京市多模态信息超智能安全重点实验室） ； Hellogroup ； University of Washington（华盛顿大学） ； Jilin University（吉林大学） ； ShanghaiTech University（上海科技大学）
AI总结 本文揭示了MLLM在内容审核中面临的新威胁——对抗走私攻击，通过SmuggleBench基准测试发现多种模型易受攻击，提出通过感知和推理角度分析其根本原因并探索缓解策略。
Comments Accepted to ACL 2026. 19 pages, 6 figures
最小作用学习：用于从噪声数据中识别物理定律的能量约束符号模型选择
机构 * Institute on Human Development and Disability, University of Washington（华盛顿大学人类发展与残疾研究所）
AI总结 本文提出最小作用学习框架，通过最小化三作用功能选择符号力定律，提升从噪声数据中识别物理定律的准确性与效率。
Comments 28 pages, 10 figures, https://github.com/martinfrasch/minAction_kepler
大规模生成文献驱动的科学理论
机构 * Allen Institute for Artificial Intelligence（艾伦人工智能研究所） ； University of Arizona（亚利桑那大学） ； University of Washington（华盛顿大学）
AI总结 研究通过大规模文献数据生成科学理论，比较文献基础与参数知识生成对理论质量和预测能力的影响。
Comments 9 pages plus appendix, 3 figures
数据所有者如何说不？Web抓取视觉-语言AI训练数据集中的数据同意机制案例研究
机构 * Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Amazon AWS AI/ML（亚马逊AWS AI/ML）
AI总结 研究探讨了数据所有者在AI训练数据集中的同意表达方式，分析了DataComp数据集中样本层面和网络层面的信息，揭示了当前数据收集流程对数据同意的不尊重问题。
DiffuMask: 用于令牌级提示压缩的扩散语言模型
机构 * University of Washington（华盛顿大学） ； Oracle AI（甲骨文人工智能）
AI总结 DiffuMask通过迭代掩码预测实现快速并行提示压缩，保留关键推理上下文，实现80%的提示长度缩减，同时保持或提升准确性。
VLMShield: 有效且稳健的视觉语言模型对抗恶意提示防御
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Washington（华盛顿大学）
AI总结 本文提出VLMShield，通过多模态聚合特征提取框架提升视觉语言模型对恶意提示的防御能力，实验显示其在鲁棒性、效率和实用性方面表现优异。
RAGEN-2：代理强化学习中的推理崩溃
机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学）
AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。
院内抑郁症检测：从常规初级保健会话中自动分析语言信号
机构 * University of Washington（华盛顿大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 研究通过分析初级保健会话中的语言信号，利用GPT-OSS等模型检测抑郁症，发现双人转录文本表现更优，且前128个患者词能有效检测，支持实时临床决策支持。
RLBoost: 为在大语言模型上高效强化学习利用可中断资源
机构 * UC Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Google（谷歌） ； CMU（卡内基梅隆大学） ； University of Washington（华盛顿大学）
AI总结 RLBoost通过高效利用可中断GPU资源提升大语言模型强化学习的效率和成本效益，采用混合架构和三种关键技术实现状态less和 embarrassingly parallel的rollout阶段与可中断资源的匹配。
具有物理意识的视频实例移除基准
机构 * Tohoku University（东北大学） ； University of Washington（华盛顿大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 本文提出PVIR基准，通过95个高质量视频评估实例移除的物理一致性，测试四种方法在指令遵循、渲染质量和编辑排他性方面的表现，揭示复杂物理交互的挑战。
表层之下：研究LLMs在使用隐喻沟通中的能力
机构 * Google DeepMind（谷歌DeepMind） ； University of Washington（华盛顿大学）
AI总结 本文研究语言模型是否能利用隐喻进行沟通，并引入四个新评估套件。发现前沿模型倾向于过于直白的沟通，但在某些情况下能通过共同基础减少直白线索，但难以推断隐含的共同基础。
DeepSearch: 通过蒙特卡洛树搜索克服强化学习中的瓶颈问题
机构 * Stanford University（斯坦福大学） ； University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所革新智能研究中心） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Amazon AWS（亚马逊云科技）
AI总结 DeepSearch通过将蒙特卡洛树搜索整合到强化学习中，解决探索不足的问题，提升数学推理能力，实验显示其在推理任务中达到62.95%的准确率，且效率显著高于传统方法。
IDIOLEX：统一且连续的语用与风格变异表示
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Notre Dame（圣母大学） ； George Mason University（乔治梅森大学） ； University of Washington（华盛顿大学） ； Archimedes Research Unit（阿基米德研究单元）
AI总结 本文提出IDIOLEX框架，通过结合句子来源信息与语言特征，学习连续的风格和方言表示，用于分析和分类，并用于对齐语言模型的风格。
SPHINX：一个用于视觉感知与推理的合成环境
机构 * Rochester Institute of Technology（罗彻斯特理工学院） ； University of Washington（华盛顿大学）
AI总结 SPHINX通过生成具有可验证解的谜题，评估视觉感知与推理能力，发现大模型表现不足，RLVR方法显著提升性能。
ATSS：通过异常时间自相似性检测AI生成视频
机构 * Xi’an Jiaotong University（西安交通大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Washington（华盛顿大学）
AI总结 本文提出ATSS方法，通过三重相似性表示和跨注意融合机制，检测AI生成视频的异常时间自相似性，优于现有方法，在多个基准上表现更优。
Comments 16 pages, 4 figures
转向何处：输入依赖的层选择用于转向以改进LLM对齐
机构 * University of Washington（华盛顿大学）
AI总结 本文提出W2S框架，通过输入依赖的层选择改进LLM对齐，证明固定层方法不足，展示适应性层选择的重要性。
Comments Preprint
生成多智能体系统中的涌现社会智能风险
机构 * University of Notre Dame（圣母大学） ； LMU Munich（慕尼黑大学） ； University of Washington（华盛顿大学） ； Bake AI ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； IBM Research（IBM研究院） ； Cohere ； The Ohio State University（俄亥俄州立大学）
AI总结 研究生成多智能体系统在共享资源竞争中的涌现风险，揭示集体行为自发复制人类社会故障模式的现象。
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