高校专区
规模无法克服语用学：报告偏差对视觉-语言推理的影响
机构 * University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Samaya AI（Samaya人工智能） ； Mistral AI（Mistral人工智能） ； Allen Institute for AI（人工智能研究所）
AI总结 本文指出视觉-语言模型在推理能力上的不足源于训练数据中的报告偏差，通过实验表明单纯扩大数据规模无法提升推理技能，但专门收集隐含信息的注释能有效改善模型表现。
Comments TACL 2026
SPARR: 基于模拟的策略与不对称现实残差的装配
机构 * Nvidia ； University of Washington（华盛顿大学）
AI总结 SPARR通过结合模拟训练的基础策略和现实残差策略，有效解决现实世界装配任务中的性能下降问题，提升成功率并减少循环时间。
面向动态密集检索的路由策略
机构 * Clemson University（克莱姆森大学） ； University of Washington（华盛顿大学）
AI总结 本文提出动态密集检索方法，通过前缀微调和动态路由策略实现灵活的领域适应，仅用2%参数在零样本任务中超越传统密集检索。
生成价值冲突揭示大语言模型优先级
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学）
AI总结 生成价值冲突揭示大语言模型优先级，通过ConflictScope评估模型在价值冲突中的优先级，发现模型在开放式设置中更支持个人价值，系统提示能提高对齐效果14%。
Comments Accepted to ICLR 2026 (the 14th International Conference on Learning Representations)
PolicyPad: LLM策略协同原型设计
机构 * University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Princeton University（普林斯顿大学）
AI总结 PolicyPad通过结合用户体验原型设计方法，为LLM策略协作设计提供交互式支持，提升政策制定的协作效率与反馈质量。
Comments CHI 2026 paper. Supplementary materials: https://docs.google.com/document/d/1jBmKXusoWmCHfwpmNhSTJtbwZ5fwVWLNppKeqqd_-pY/edit?usp=sharing
机器去学习并不如你所想：生成式AI政策与研究的启示
机构 * The GenLaw Center（GenLaw中心） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Center for Democracy & Technology（民主与科技中心） ； Princeton（普林斯顿） ； Google（谷歌） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； Cornell Tech（康奈尔科技） ； Cornell Law School（康奈尔法学院） ； Cornell University（康奈尔大学） ； Lighthouse ； Stanford Law School（斯坦福法学院） ； UC Berkeley（伯克利大学） ； Independent（独立研究者） ； Northeastern University（东北大学） ； Harvard Business School（哈佛商学院） ； W. Virginia University College of Law（维珍尼亚大学法学院）
AI总结 本文指出机器去学习并非通用解决方案，揭示其在生成式AI政策与研究中的局限性。
Comments NeurIPS 2025 (Oral)
MINAR: 图神经网络中神经算法推理的机制可解释性
机构 * Pacific Northwest National Laboratory, Richland, WA（太平洋西北国家实验室） ； Halıcıoğlu Data Science Institute, University of California, San Diego, San Diego, CA（哈利奇奥格鲁数据科学研究所，加州大学圣地亚哥分校） ； Department of Computer and Information Science, University of Pennsylvania, Pennsylvaina, PA（计算机与信息科学系，宾夕法尼亚大学） ； Department of Mathematics, University of Washington, Seattle, WA（数学系，华盛顿大学）
AI总结 MINAR是一种用于图神经网络中神经算法推理的机制可解释性工具，通过归因修补方法发现电路，揭示训练过程中的电路形成和剪枝机制。
通过反向推理的小奖励模型
机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 FLIP通过反向推理实现无需参考和评分标准的奖励建模，在多个领域中显著提升性能并增强鲁棒性。
ATLAS：适应性迁移缩放定律用于多语言预训练、微调和解码的多语言诅咒
机构 * MIT（麻省理工学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Google Cloud AI（谷歌云人工智能） ； Google DeepMind（谷歌DeepMind）
AI总结 ATLAS提出了一种适应性迁移缩放定律，用于多语言预训练、微调和解码，解决了多语言学习中的性能瓶颈和计算优化问题。
Comments Published as a conference paper at ICLR 2026
虚假奖励：重新思考强化学习中的训练信号
机构 * University of Washington, Seattle, WA, USA（华盛顿大学） ； Allen Institute for Artificial Intelligence, Seattle, WA, USA（人工智能研究院） ； University of California, Berkeley, Berkeley, CA, USA（加州大学伯克利分校）
AI总结 该研究发现，即使使用随机分配的虚假奖励，强化学习方法也能在某些模型上显著提升性能，凸显了验证训练信号的重要性。
语言模型中的个人信息重复
机构 * Carnegie Mellon University - Language Technologies Institute（卡内基梅隆大学-语言技术研究所） ； University of Washington（华盛顿大学）
AI总结 本研究开发了检测个人信息的正则表达式和规则套件，发现语言模型会记忆并重复个人信息，建议加强数据过滤和匿名化以降低隐私风险。
Comments EACL Findings 2026
单一-多进化循环用于自我改进的模型协作系统
机构 * University of Washington（华盛顿大学） ； Tencent AI Seattle Lab（腾讯AI西雅图实验室）
AI总结 本文提出单一-多进化循环，通过模型协作与蒸馏实现自我改进，提升模型性能与效率。
Comments Code at https://github.com/BunsenFeng/moco_distill
超越单一提取器：重新思考用于LLM预训练的HTML到文本提取
机构 * Apple（苹果公司） ； Stanford（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 本文提出通过结合多种提取器提升HTML到文本提取的效率与效果，显著提高LLM预训练数据的token产出并改善下游任务性能。
回环记忆校正：用于稳定声带开合定位的主动记忆校正
机构 * University of Washington（华盛顿大学） ； Ajou University School of Medicine（全州大学医学院） ； Harborview Medical Center（Harborview医疗中心） ； Airlift Northwest
AI总结 本文提出CL-MC框架，通过主动记忆校正提升声带开合定位的稳定性，显著降低漂移和遗漏率。
Comments Accepted to Medical Imaging with Deep Learning (MIDL) 2026
学习多步检索个人情境以实现个性化问答
机构 * University of Washington（华盛顿大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 PR2通过强化学习框架结合推理与检索，提升个性化问答的准确性和用户特定偏好对齐度。
谄媚型聊天机器人会导致妄想螺旋，即使在理想贝叶斯理性者中
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； University of Washington, Seattle（华盛顿大学） ； MIT Department of Brain & Cognitive Sciences（麻省理工学院脑科学与认知科学系）
AI总结 本文研究了聊天机器人谄媚性导致用户产生妄想螺旋的现象，揭示了即使理性用户也易受其影响，并探讨了缓解措施的局限性。
ODESteer: 一种基于常微分方程的统一激活引导框架用于大语言模型对齐
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学） ； William & Mary（威廉与玛丽学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 ODESteer通过基于常微分方程的理论框架，统一了激活引导方法，实现了在大语言模型对齐中的显著性能提升。
Comments Accepted by ICLR 2026 (Camera Ready Version)
买还是建一个大语言模型：政府的决策框架
机构 * National University of Singapore（新加坡国立大学） ； AI Singapore（AI新加坡） ； Salesforce AI Research（Salesforce AI研究） ； EPFL（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院）
AI总结 本文提出政府在大语言模型决策中应考虑主权、安全、成本等因素的框架，帮助确定购买或建设更适合其需求的方法。
Comments The short version of this document is published as an ACM TechBrief at https://dl.acm.org/doi/epdf/10.1145/3797946, and this document is published as an ACM Technology Policy Council white paper at https://www.acm.org/binaries/content/assets/public-policy/buildvsbuyai.pdf
Emotion-LLaMAv2 和 MMEVerse：多模态情感理解的新框架和基准
机构 * Shenzhen Technology University（深圳技术大学） ； Shenzhen University of Information Technology（深圳信息科技学院） ； University of Washington（华盛顿大学） ； Foundation Model Team, Meituan（美团基础模型团队） ； National University of Singapore（新加坡国立大学） ； Tongji University（同济大学）
AI总结 Emotion-LLaMAv2和MMEVerse通过端到端多视图编码器、Conv Attention预融合模块和课程指令调制方案，提升了多模态情绪理解和推理能力，并构建了统一的多模态情绪基准。
通过样本一致性校准大型语言模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院）
AI总结 通过样本一致性方法提升大型语言模型的校准效果，改进其预测置信度评估和性能表现。
Comments AAAI 2024
从损失平坦性到压缩神经表示的简单联系
机构 * Department of Applied Mathematics（应用数学系） ； Computational Neuroscience Center（计算神经科学中心） ； University of Washington（华盛顿大学） ； Technion, Israel Institute of Technology（技术离子以色列理工学院）
AI总结 本文通过引入局部体积比、最大局部敏感度和局部维度等度量，揭示了损失平坦性与神经表示压缩之间的关系，为理解锐度与泛化能力的关系提供了新的理论框架。
通过主动重建学习检测语言模型训练数据
机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 本文提出主动数据重建攻击方法，通过强化学习主动诱导模型重建文本以检测语言模型训练数据，实验表明其在检测预训练、后训练和蒸馏数据方面表现优于现有方法。
AlignTok: 将预训练视觉编码器对齐到分词器以用于扩散模型
机构 * University of Washington（华盛顿大学） ； Adobe Research（Adobe研究）
AI总结 AlignTok通过将预训练视觉编码器对齐为分词器，提升扩散模型的生成质量和收敛速度，适用于图像生成任务。
Comments ICLR 2026, Project Page: https://aligntok.github.io/
Revela：通过语言建模进行密集检索器学习
机构 * Technical University of Darmstadt（达姆施塔特技术大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软） ； Tencent AI Lab（腾讯人工智能实验室）
AI总结 Revela通过语言建模方法实现自监督检索器学习，无需标注数据即可在多个基准上超越监督模型。
Comments Accepted to ICLR 2026 (Oral). Camera-ready version
人人都在用，但没人敢说
机构 * Information School, University of Washington（华盛顿大学信息学院）
AI总结 研究探讨大学生在生成式AI环境下面临机构压力和社会影响，揭示AI使用与学习之间的矛盾及机构政策的不足。
一种联合优化方法用于利用最小二乘核置信法识别稀疏动力学
机构 * Department of Applied Mathematics, University of Washington（应用数学系，华盛顿大学）
AI总结 本文提出了一种联合优化方法，通过结合稀疏恢复与RKHS理论，实现从稀少噪声观测中高效学习稀疏动力学方程。
CoAct-1: 基于计算机操作的多智能体系统与编码动作
机构 * University of Southern California（南加州大学） ； Salesforce（Salesforce公司） ； University of Washington（华盛顿大学）
AI总结 CoAct-1通过结合GUI操作与编程执行，提升复杂任务的自动化效率和可靠性，实现60.76%的新状态-of-the-art成功率。
通过多粒度语言学习提升医学视觉理解
机构 * University of Washington（华盛顿大学） ； Duke University（杜克大学）
AI总结 本文提出MGLL框架，通过多粒度语言学习提升医学影像的视觉理解能力，改进多标签和跨粒度对齐，提升下游任务性能。
Comments Accepted by ICLR 2026. 40 pages
Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)
无需持续监督的代理：挑战与机遇
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 本研究探讨了无需持续监督的代理系统在验证中的挑战与机遇，通过实验发现简化轨迹设计可提高错误发现效率，但未显著提升准确性。
MolmoSpaces: 一个大规模的开放式生态系统用于机器人导航与操作
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） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 MolmoSpaces是一个大规模开放式生态系统，用于支持机器人导航与操作的大规模基准测试，包含230k多样化的室内环境和130k丰富标注的物体资产，通过8个任务的基准测试验证了其在仿真到现实中的强相关性。
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