高校专区
超越答案：解码LLM作为科学推理者的行为
机构 * University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过定制遗传Pareto算法优化提示，研究提示对科学推理行为的影响，揭示模型特定的局部逻辑，并探讨其可迁移性和脆弱性。
Comments Accepted at the Post-AGI Science and Society Workshop at ICLR 2026
合成混合训练：在RAG之上扩展参数化知识获取
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 本文提出合成混合训练方法，结合合成问答和文档，通过互补训练信号提升模型性能，在QuaLITY基准上实现4.4%的相对提升。
SAGE：基于强化学习训练长视频推理的智能任意时间范围智能体
机构 * Allen 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SAGE系统，通过多轮推理处理长视频并单轮处理简单问题，结合Gemini-2.5-Flash生成合成数据，提出RL后训练方案，并通过SAGE-Bench验证系统有效性，提升视频推理性能达6.1%。
Comments Project Page: https://praeclarumjj3.github.io/sage/
Project Imaging-X：1000多个开放访问医学影像数据集的调查
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Institute of Optics and Fine Mechanics（上海光学精密机械研究所） ； Fudan University（复旦大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fuzhou University（福州大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Incept Labs ； Monash University（莫纳什大学） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； The Hong Kong Polytechnic University（香港理工大学） ； South China University of Technology（华南理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与产业研究院） ； Shanghai Academy of Artificial Intelligence for Science（上海科学智能研究院） ； Nankai University（南开大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学） ； School of Informatics, Xiamen University（厦门大学信息学院） ； University College London（伦敦大学学院） ； Sun Yat-sen University（中山大学） ； Alibaba Group, DAMO Academy, New York, NY, USA（阿里巴巴集团达摩院（纽约）） ； Tongji University（同济大学） ； University of Toronto（多伦多大学） ； Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理与认知科学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Arizona State University（亚利桑那州立大学） ； Academy for Clinical Innovation and Translation of Shanghai（上海临床创新转化研究院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Aalto University（阿尔托大学） ； Shandong University（山东大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文调查了1000多个开放访问医学影像数据集，揭示了其规模小、任务碎片化和分布不均的问题，并提出元数据驱动融合方法和交互发现门户，为医学影像数据集的整合和基础模型发展提供路线图。
Comments 157 pages, 19 figures, 26 tables. Project repo: \url{https://github.com/uni-medical/Project-Imaging-X}
AI留下什么足迹？儿童对AI环境成本的推理
机构 * University of Washington（华盛顿大学） ； Rutgers University（罗格斯大学） ； University of Toronto（多伦多大学）
AI总结 研究通过Ecoprompt系统帮助儿童理解AI的环境影响，揭示其对AI使用的社会与环境权衡及责任感的认知。
模仿对齐与ASPECT：AI推断个人资料的评估
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 本文提出ASPECT方法，通过验证的沟通量表和职场数据评估LLM沟通特征，生成的个人资料在自评上表现良好，并在多个场景中优于通用和自述基线。
Comments 20 pages (including appendix), 5 figures, 5 tables
基于语言的视觉导航世界建模
机构 * University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； Clemson University（克莱姆森大学） ； Drexel University（德雷塞尔大学） ； Microsoft Research（微软研究院）
AI总结 本文研究了基于语言的视觉导航问题，提出LCVN数据集并开发了两种模型家族，通过语言 grounding、未来状态预测和动作生成实现统一任务学习。
Comments 19 pages, 6 figures, Code: https://github.com/F1y1113/LCVN
PerceptionComp：一个复杂感知导向推理的视频基准测试
机构 * Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学）
AI总结 PerceptionComp是一个手动标注的复杂长时景视频推理基准测试，要求多时间片段的视觉证据和逻辑约束，涉及多个感知子任务，测试人类和模型在感知推理中的性能瓶颈。
Comments Project Page: https://perceptioncomp.github.io
用于从触觉信号中估计3D姿态、动作分类和运动进度预测的共享表示
机构 * Gwangju Institute of Science and Technology (GIST)（光州科学技术院） ； University of Washington（华盛顿大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出SCOTTI模型，通过共享表示同时处理3D姿态估计、动作分类和运动进度预测，利用多任务学习提升性能，实验表明其在三项任务中均优于独立学习方法。
基于神经网络的分数粒子方法用于Vlasov-Maxwell-Landau系统
机构 * University of Washington（华盛顿大学）
AI总结 本文提出一种基于神经网络的分数粒子方法，用于解决Vlasov-Maxwell-Landau系统中的碰撞问题，通过隐式分数匹配训练神经网络，提高了计算效率和准确性。
Comments presented at ICLR AI&PDE workshop
MolmoB0T：大规模模拟实现零样本操控
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Princeton University（普林斯顿大学）
AI总结 本文提出MolmoB0T，通过大规模模拟数据实现零样本操控，展示了在静态和移动操控任务中，无需真实世界微调即可有效迁移的成果。
SMILES-Mamba：用于药物ADMET预测的化学Mamba基础模型
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 SMILES-Mamba通过自监督预训练和微调策略，利用未标记和标记数据预测药物ADMET属性，在22个数据集上表现优异，提升分子属性预测准确性并减少对大规模标注数据的依赖。
CARE：通过双潜在引导实现无需训练的医学图像可控修复
机构 * University of Washington（华盛顿大学）
AI总结 本文提出CARE框架，通过双潜在策略在推理过程中平衡结构保持与先验引导，实现无需训练的可控医学图像修复，提升修复质量并减少不合理的重建风险。
重新思考健康代理：从孤立AI到协作决策调解者
机构 * University of Washington（华盛顿大学） ； Columbia University（哥伦比亚大学） ； Seattle Children’s Hospital（西雅图儿童医院）
AI总结 本文提出一种新的健康代理框架，通过临床验证的病例研究，展示孤立AI在协作医疗中的不足，并提出设计能整合上下文信息、协调认知模型的AI协作方案。
Comments Accepted in CHI '26 Workshop on Human-Agent Collaboration
VFIG：利用视觉-语言模型矢量化SVG中的复杂图形
机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能 Allen 机构） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出VFIG，一种基于视觉-语言模型的矢量化方法，通过大规模数据集和分层训练策略，实现复杂图形到SVG的高保真转换，并在基准测试中取得优异成绩。
CIRCLE：从现实视角评估AI的框架
机构 * Civitaas Insights ； Bournemouth University（伯恩茅斯大学） ； Independent Researcher（独立研究者） ； Cohere Labs（Cohere实验室） ； National Research Council Canada（加拿大国家研究理事会） ； Intellect Frontier ； University of Sydney（悉尼大学） ； National Physical Laboratory, UK（英国国家物理实验室） ； Université de Sherbrooke（谢布罗克大学） ； University of Washington（华盛顿大学） ； Principled AI ； Humane Intelligence Non-profit（人智非营利组织） ； Virginia State University（弗吉尼亚州立大学） ； Humane Intelligence Public Benefit Corporation（人智公共利益公司）
AI总结 本文提出CIRCLE框架，通过六个阶段生命周期方法，弥合模型性能指标与部署中AI实际结果之间的现实差距，提供系统性的实证证据。
Comments Accepted at Intelligent Systems Conference (IntelliSys) 2026
点桥：跨领域策略学习的3D表示
机构 * NVIDIA ； New York University（纽约大学） ； University of Washington（华盛顿大学）
AI总结 点桥通过统一的点表示实现跨领域策略学习，利用视觉语言模型提取点表示，结合Transformer策略学习，无需显式视觉或物体对齐，提升仿真到现实的零样本迁移性能。
REALITrees: 基于可解释树的拉什蒙恩semble主动学习
机构 * Department of Statistics, University of Washington（统计学系，华盛顿大学） ； Department of Computer Science, Duke University（计算机科学系，杜克大学） ； Department of Sociology, University of Washington（社会学系，华盛顿大学）
AI总结 REAL通过构建近优模型集合，利用PAC-Bayesian框架优化委员会成员权重，提升主动学习在中等噪声环境下的性能。
CayleyPy-4：AI-全息图。迈向AI任务的全息弦对偶性类比
机构 * Centre for Mathematical Science, City St George’s, University of London（伦敦城市圣乔治大学数学科学中心） ； Neapolis University Pafos, Cyprus（塞浦路斯纳皮奥斯大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； International Institute of Physics（国际物理研究所） ； Independent Researcher（独立研究者） ； Research Center of the Artificial Intelligence Institute, Innopolis University（人工智能研究所研究中心，因诺波利斯大学） ； Stanford University（斯坦福大学） ； NRNU MEPhI (National Research Nuclear University)（国家核研究大学NRNU MEPhI） ； Three Gorges Mathematical Research Center, China Three Gorges University, Sobolev Institute of Mathematics, Novosibirsk State University（三峡数学研究中心，中国三峡大学，索比埃夫数学研究所，新西伯利亚国立大学） ； Sobolev Institute of Mathematics, The Mathematical Center in Akademgorodok（索比埃夫数学研究所，阿克梅尔戈德克数学中心） ； University of Hradec Králové（哈拉德克-克劳夫大学） ； IBS Center for Geometry（IBS几何中心） ； Kazakh-British Technical University（哈萨克-英国技术大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Higher School of Economics（俄罗斯高等经济学院） ； St. Petersburg State University（圣彼得堡国立大学） ； University of Virginia, Charlottesville（弗吉尼亚大学，夏洛特维尔） ； Queen Mary University of London（伦敦女王玛丽大学） ； Guangdong Technion-Israel Institute of Technology（广东技术学院-以色列理工学院） ； Institut Curie, CNRS UMR168, Paris, France（索比埃夫研究所，CNRS UMR168，法国巴黎） ； Institut Curie, CNRS UMR168 Imagine Institute, INSERM UMR 1163, Paris, France（索比埃夫研究所，CNRS UMR168，Imagine研究所，INSERM UMR 1163，法国巴黎）
AI总结 本文探讨了Cayley图中全息弦对偶性与AI任务的关系，提出通过离散弦描述图结构，并验证了其在AI计算中的应用潜力。
Comments 20+120 pages
多视角大语言模型注释用于主观任务中的有效分析
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Washington（华盛顿大学）
AI总结 本文提出多视角注释方法，通过集中人力标注于LLM注释最不准确的群体，提升主观任务分析效果，同时保持覆盖范围。
通过视频变换器检测呼吸状态
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Washington（华盛顿大学）
AI总结 本文研究了视频变换器在检测呼吸窘迫中的应用，通过构建标注数据集验证了ViViT结合LieRE和Motion Guided Masking的方法在呼吸状态识别中的有效性。
AC4A：代理访问控制
机构 * University of Washington（华盛顿大学）
AI总结 本文提出AC4A框架，解决代理系统粗粒度访问控制问题，允许用户限制代理访问的API和网页内容，提供灵活的权限定义和执行方式。
ObjectForesight: 从人类视频预测未来3D物体轨迹
机构 * School of Computer Science \& Engineering, University of Washington The Robotics Institute, Carnegie Mellon University
AI总结 本文提出ObjectForesight模型，通过短时视视频预测物体6自由度姿态和轨迹，实现几何一致且时间连贯的预测，提升物体感知和泛化能力。
Comments Preprint. Project Website: objectforesight.github.io
子图像重叠预测：面向遥感图像语义分割的任务对齐自监督预训练
机构 * Instacart ； New York University（纽约大学） ； University of Washington（华盛顿大学）
AI总结 本文提出子图像重叠预测任务，通过少量预训练数据提升遥感图像语义分割性能，实现更快收敛和同等或更优的mIoU表现。
Comments Accepted at CV4EO Workshop at WACV 2026
Journal ref Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) Workshops, 2026, pp. 1414-1423
通过记忆增强的规划和前瞻性构建视觉导航的统一世界模型
机构 * University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； Apple（苹果公司） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出UniWM，一种整合视觉前瞻性与规划的统一世界模型，通过记忆机制提升导航鲁棒性和泛化能力，在多个基准测试中显著提升导航成功率。
Comments 21 pages, 12 figures, code: https://github.com/F1y1113/UniWM
统一的生成-细化规划：连接引导流匹配与基于模型的预测控制以实现社交导航
机构 * University of Washington（华盛顿大学） ； NVIDIA（英伟达）
AI总结 本文提出一种结合奖励引导条件流匹配与模型预测路径积分的统一生成-细化框架，以提升社交导航中安全、任务性能和计算时间的平衡。
辅助验证工具增强大语言模型代理的政策合规性
机构 * University of Washington（华盛顿大学）
AI总结 本文提出一种基于SMT求解器的框架，用于确保工具增强大语言模型代理在工具使用上的政策合规性，通过将自然语言政策转化为形式逻辑约束，并在运行时检查工具调用以防止违规。
超越检测：将生成式人工智能在学术同行评审中的治理视为一个社会技术挑战
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Salesforce AI Research（Salesforce AI研究） ； University of Washington（华盛顿大学）
AI总结 本文通过混合方法研究，探讨生成式人工智能在学术同行评审中的社会技术风险，发现核心评估应由人类承担，同时提出保留问责机制的治理建议。
基于柔性传感器阵列和笼状3D高斯建模的无监督软机器人形变重建
机构 * University of Notre Dame（诺丁汉大学） ； University of Washington（华盛顿大学）
AI总结 本文提出一种无需视觉监督的软机器人形变重建框架，通过柔性传感器阵列和几何感知的笼状3D高斯模型实现无监督形变推断，展示出在弯曲和扭转运动中强的零样本泛化能力。
FDARxBench：基于FDA通用药物评估的监管与临床推理基准测试
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； U.S. Food and Drug Administration（美国食品药品监督管理局）
AI总结 本文提出FDARxBench基准测试，用于评估基于文档的问答任务，通过FDA药物标签文档生成高质量问答示例，揭示语言模型在事实基础、长上下文检索和安全拒绝行为方面的差距。
Comments 4 pages, 2 figures
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