高校专区
BNEM：基于Bootstrap噪声能量匹配的玻尔兹曼采样器
机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学）
AI总结 BNEM通过基于噪声能量匹配的Bootstrap技术，在分子动力学等应用中实现高效且鲁棒的采样性能。
Comments Camera-ready version for TMLR (03/2026)
Journal ref Transactions on Machine Learning Research (TMLR), 2026
多模态模型在心电图信号上的推理能力如何？
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Rush University（拉什大学） ； ETH Zurich（苏黎世联邦理工学院） ； St. Christopher's Hospital for Children（圣克里斯opher儿童医院） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Google Inc（谷歌公司）
AI总结 本文提出了一种评估多模态模型在ECG信号上推理能力的框架，通过感知和演绎两个方面验证模型的逻辑和模式识别能力。
对900万条数学定理进行语义检索
机构 * Math AI Lab, University of Washington, Seattle, United States（数学AI实验室，华盛顿大学，西雅图，美国） ； Department of Mathematics, University of Washington, Seattle, United States（数学系，华盛顿大学，西雅图，美国） ； Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, United States（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） ； Lake Washington High School, Kirkland, United States（拉克华盛顿高中， Kirkland，美国） ； Department of Applied and Computational Mathematical Sciences, University of Washington, Seattle, United States（应用与计算数学科学系，华盛顿大学，西雅图，美国）
AI总结 本文提出了一种大规模语义检索方法，针对920万条数学定理进行高效检索，显著提升了定理和论文的检索效果。
Comments theoremsearch.com
Journal ref ICLR 2026 Workshop: Logical Reasoning of Large Language Models
统一且语义导向的领域适应用于医学图像分割
机构 * Department of Electrical and Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； Department of Bioengineering, University of Washington（生物工程系，华盛顿大学） ； Department of Radiology, University of Washington（放射学系，华盛顿大学） ； Department of Electrical and Computer Engineering and Paul G. Allen School of Computer Science and Engineering, University of Washington（电气与计算机工程系及保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Department of Radiology and Imaging Sciences, University of Utah（放射学与影像科学系，犹他大学）
AI总结 本文提出统一且语义导向的领域适应框架，通过学习领域无关的概率流形实现医学图像分割的跨领域适应，实验显示在源可访问和源自由设置中均取得最佳性能。
Comments Accepted by IEEE Transactions on Medical Imaging
虚拟术中CT（viCT）：用于内窥镜鼻窦手术中逐步更新解剖结构的建模方法
机构 * Department of Otolaryngology–Head and Neck Surgery, University of Washington（耳鼻喉科-头颈外科系，华盛顿大学）
AI总结 viCT通过术中内窥镜视频生成3D重建，实现内窥镜鼻窦手术中解剖结构的逐步更新，提升术中可视化精度。
RADAR：用于基于3D图像的放射学报告审查的多模态基准
机构 * University of Washington（华盛顿大学） ； Microsoft Health AI（微软健康AI）
AI总结 RADAR是一个用于放射学报告审查的多模态基准，通过3D医学图像与初步报告及候选编辑的配对，评估模型在细粒度临床推理和图像-文本对齐方面的表现。
InfoGatherer: 通过证据检索和策略性提问进行原理化的信息获取
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； CIFAR AI Chair（CIFAR人工智能主席） ； University of Washington（华盛顿大学） ； Dalhousie University（达尔豪斯大学）
AI总结 InfoGatherer通过证据检索和策略性提问，结合结构化证据网络和Dempster-Shafer理论，实现原理化的信息获取，提升医疗和法律任务中的可靠性与可解释性。
Comments Under review
面向刚性的几何预训练用于蛋白质设计与构象集合
机构 * 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） ； MPI for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） ； National Research Council of Canada（加拿大国家研究理事会） ； University of Ottawa（渥太华大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 RigidSSL通过刚性感知的几何预训练，提升蛋白质设计和构象集合的生成能力。
Comments The Fourteenth International Conference on Learning Representations; Code available at: https://github.com/ZhanghanNi/RigidSSL.git
合成视觉基因组2：从视频中提取大规模时空场景图
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； Woven by Toyota（丰田编织） ； Microsoft（微软公司）
AI总结 SVG2通过自动化流程生成大规模视频场景图，TRaSER模型在视频问答中提升准确率1.5-4.6%
即时目标：一种专门化人工智能交互的一般方法
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 本文提出即时目标方法，通过动态目标诱导提升AI交互的专门化性能，实验表明其在任务处理和质量评估上优于常规LLM。
Comments Accepted at CHI 2026
iAgentBench: 信息检索代理在高流量话题上的理解能力基准测试
机构 * University of Washington（华盛顿大学）
AI总结 iAgentBench通过整合多源证据来评估信息检索代理在高流量话题中的理解能力，强调证据使用而非单纯检索的重要性。
PrefDisco：主动个性化推理的基准测试
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能联盟）
AI总结 PrefDisco提出了一种评估方法，通过心理基础的人设将静态基准转化为互动个性化任务，定义PrefAlign作为细粒度的偏好对齐度量，揭示个性化推理需要专门开发而非自然产生。
Comments 65 pages, 6 figures
消除未来依赖：联合频域学习用于时空预测
机构 * University of Washington（华盛顿大学） ； Arizona State University（亚利桑那州立大学）
AI总结 本文提出FreST损失，通过联合频域学习有效消除时空依赖，提升时空预测性能。
CoRe-BT：一种多模态放射科-病理科-文本基准，用于鲁棒性脑肿瘤分类
机构 * University of Washington（华盛顿大学） ； University of Washington School of Medicine（华盛顿大学医学院） ； Microsoft Health AI（微软健康人工智能）
AI总结 CoRe-BT提出一个多模态基准，用于在缺失模态条件下提升脑肿瘤分类的鲁棒性，通过整合MRI、病理图像和报告，推动多模态学习与表示学习的发展。
Comments Under review, MICCAI 2026
频谱调节：面向分布覆盖和上下文可引导性的后训练
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出Spectrum Tuning方法，通过Spectrum Suite提升模型在多样化分布下的引导能力和输出空间覆盖性。
Comments ICLR 2026
从真实世界中的咳嗽音频记录和元数据预测肺结核
机构 * Hyfe Inc. U.S.A（Hyfe公司） ； ISGlobal, Barcelona Institute for Global Health Spain（ISGlobal） ； University of Washington, Department of Global Health U.S.A（华盛顿大学全球健康学院）
AI总结 本研究利用手机应用和咳嗽音频数据，通过分析咳嗽声音和临床元数据，实现对肺结核的预测，提高TB检测效率并降低成本。
ALARM: 基于多模态大语言模型的复杂环境监控异常检测与不确定性量化
机构 * Department of Industrial and Systems Engineering, University of Washington（华盛顿大学工业与系统工程系） ； Wyze Labs, Inc.（Wyze实验室）
AI总结 ALARM通过结合不确定性量化与多模态大语言模型，实现了复杂环境中的异常检测，展现出在不同领域中的高准确性和可靠性。
分歧偏好：标注者何时分歧以及模型是否知道？
机构 * New York University（纽约大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； NVIDIA（NVIDIA公司） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 本文研究了标注者分歧的来源，发现任务不明确等因素导致大多数分歧，并提出方法以减轻其在LLM评估和训练中的影响。
Comments ICML 2025
对大语言模型中Overton多元主义的基准测试
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brown University（布朗大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 本文提出OVERTONBENCH框架，通过集合覆盖度量评估大语言模型中多元观点的代表性，揭示模型在多元主义对齐上的改进空间。
Comments Paper accepted to ICLR 2026
SPIRAL：通过多智能体多轮强化学习进行零和游戏的自我对战以促进推理
机构 * National University of Singapore（新加坡国立大学） ； Northeastern University（东北大学） ； Sea AI Lab（Sea AI 实验室） ； Centre for Frontier AI Research (CFAR), A*STAR（前沿人工智能研究中心（CFAR），A*STAR） ； Plastic Labs ； University of Washington（华盛顿大学）
AI总结 SPIRAL通过多智能体多轮强化学习在零和游戏中促进推理，展示了模型在多个基准测试中的显著性能提升。
Comments Accepted at ICLR 2026. Code: https://github.com/spiral-rl/spiral
重新审视任务依赖性MRI修复中的全局token混合：来自最小门控CNN基线的见解
机构 * Dept. of Radiology & Imaging Sciences, University of Utah, Salt Lake City, UT, USA（放射学与成像科学系，犹他大学，盐湖城，UT，USA） ； Dept. of Electrical & Computer Engineering, University of Utah, Salt Lake City, UT, USA（电气与计算机工程系，犹他大学，盐湖城，UT，USA） ； Dept. of Computer Vision, Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（计算机视觉系，莫扎德人工智能大学，阿布扎赫，EUA） ； Dept. of Biomedical Engineering, University of Utah, Salt Lake City, UT, USA（生物医学工程系，犹他大学，盐湖城，UT，USA） ； Dept. of Electrical & Computer Engineering, University of Washington, Seattle, WA, USA（电气与计算机工程系，华盛顿大学，西雅图，WA，USA）
AI总结 本文探讨了MRI修复中全局token混合的效用，发现其在不同任务中表现各异，需根据具体退化结构和物理条件进行调整。
PanCanBench: 用于评估大型语言模型在胰腺肿瘤学中的综合基准
机构 * Department of Biostatistics, University of Washington（华盛顿大学生物统计学系） ； Clinical Research Division, Fred Hutch Cancer Center（Fred Hutch癌症中心临床研究部） ； Division of Hematology and Oncology, Department of Medicine, University of Washington（华盛顿大学医学系血液学与肿瘤学分会） ； Allen Institute for AI（Allen人工智能研究所） ； Department of Computer Science and Engineering, University of Washington（华盛顿大学计算机科学与工程系） ； Public Health Sciences, Biostatistics, Fred Hutchinson Cancer Center（Fred Hutchinson癌症中心公共卫生科学与生物统计学）
AI总结 PanCanBench通过评估22种LLM在胰腺肿瘤学问题上的表现，揭示了模型在事实准确性、临床完整性和网络搜索整合方面的差异。
通过无损分层推测解码克服联合不可解性
机构 * Qwen Team, Alibaba Inc.（阿里云团队，阿里巴巴公司） ； University of Washington（华盛顿大学）
AI总结 本研究提出分层推测解码方法，通过平衡概率质量克服联合不可解性，提升解码效率并保持分布保真度。
在推理模型中基准污染检测的脆弱性
机构 * 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）
AI总结 研究发现LRMs在基准污染检测中存在脆弱性，通过简单方法可轻易污染模型以提升排行榜表现，威胁评估公平性。
Comments Accepted by ICLR 2026
大语言模型中上下文长度扩展的内在熵
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； CPHOS ； University of Washington（华盛顿大学）
AI总结 本研究提出'内在熵'理论，通过实验验证长上下文对语言模型的影响，揭示训练数据集大小与最佳上下文长度的关系。
Comments 36 pages, 18 figures, 2 tables
BadRSSD: 对于正则化自监督扩散模型的后门攻击
机构 * School of Information and Artificial Intelligence, Yangzhou University, China（扬州大学信息与人工智能学院） ； School of Computing and Artificial Intelligence, Chaohu University, China（池州学院计算机与人工智能学院） ； Tacoma School of Engineering and Technology, University of Washington, USA（华盛顿大学塔科马工程与技术学院）
AI总结 BadRSSD是一种针对自监督扩散模型表示层的后门攻击方法，通过在PCA空间中操控语义表示并应用跨空间约束，实现隐蔽的后门攻击并提升攻击效果。
DrawEduMath之后的后果：视觉语言模型在挣扎学生面前表现不佳且误判错误
机构 * University of Washington（华盛顿大学） ； Insource Services（Insource服务） ； Worcester Polytechnic Institute（沃斯特理工学院） ； Allen Institute for AI（人工智能联合研究所）
AI总结 本文研究了视觉语言模型在处理学生数学错误识别任务中的表现，发现其在挣扎学生面前表现不佳，需改进以支持教育应用。
Comments 15 pages, 10 figures
混合神经-大语言模型管道在濒危语言文档中的形态学 glossing：朱加尔图瓦语案例研究
机构 * Department of Linguistics, University of Washington（语言学系，华盛顿大学） ； Department of Middle Eastern Languages and Cultures, University of Washington（中东语言与文化系，华盛顿大学）
AI总结 本文提出一种混合神经-大语言模型管道，用于朱加尔图瓦语的形态学 glossing，通过结合神经序列标注和 LLM 后修正，显著减少标注工作量。
ContextCov: 从代理指令文件中推导并强制执行可执行约束
机构 * University of Washington（华盛顿大学）
AI总结 ContextCov通过从代理指令文件中推导并强制执行可执行约束，解决代理在执行复杂软件任务时因上下文漂移导致的技术债务问题。
ThinkMorph：多模态交错链式推理中的涌现特性
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； absolute AI ； The Chinese University of Hong Kong（香港中文大学）
AI总结 ThinkMorph通过统一模型提升多模态推理性能，展现视觉操控与模式切换等新兴能力。
Comments project page: https://thinkmorph.github.io/
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