高校专区
NeVStereo: 一种基于NeRF的NVS-立体架构用于高保真3D任务
机构 * University of Washington（华盛顿大学） ； University of Southern California（南加州大学） ； CUHK-Shenzhen（香港中文大学（深圳）） ； USC Institute for Creative Technologies（南加州大学创意技术研究所）
AI总结 NeVStereo通过结合NeRF和多视角深度估计，实现了高保真3D重建，显著提升了深度精度和网格质量。
RFS: 通过残差流引导的强化学习用于灵巧操作
机构 * University of Washington, Paul G. Allen School of Computer Science & Engineering（华盛顿大学，保罗·G·艾伦计算机科学与工程学院） ； Amazon Frontier AI & Robotics（亚马逊前沿人工智能与机器人）
AI总结 RFS通过残差流引导强化学习，实现高效适应预训练生成策略，提升灵巧操作任务的性能
学习总结用户信息以实现基于人类反馈的个性化强化学习
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； DoorDash ； Microsoft Research Asia（微软亚洲研究院）
AI总结 PLUS通过学习用户信息摘要实现个性化强化学习，提升奖励模型准确性并实现零样本个性化。
Comments 10 pages for main text, 10 pages for appendix
MaxSup: 解决标签平滑中的表征崩溃
机构 * University of Mannheim（曼海姆大学） ； University of Washington（华盛顿大学） ； Meta AI ； CISPA Helmholtz Center for Information Security（信息安全霍普夫研究所） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 MaxSup通过惩罚top-1 logit解决标签平滑中的表征崩溃问题，恢复类内多样性并增强类间边界。
Comments NeurIPS 2025 Oral (0.36% acceptance); code: https://github.com/ZhouYuxuanYX/Maximum-Suppression-Regularization
Among Us: 在模型协作系统中衡量并减轻恶意贡献
机构 * University of Washington（华盛顿大学） ； New York University（纽约大学）
AI总结 研究针对模型协作系统中的恶意贡献问题，通过实验评估恶意模型的影响，并提出外部监督策略以缓解其影响。
Comments 19 pages, 15 tables, 4 figures
ARGaze：用于在线第一人称注视估计的自回归变换器
机构 * Department of Computer Science, University of Texas at Dallas, Richardson, TX, USA.（德克萨斯大学达拉斯分校计算机科学系） ； College of Computing, Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院计算机学院） ； Department of Computer Science, University of Wisconsin-Madison, Madison, WI, USA（威斯康星大学麦迪逊分校计算机科学系） ； Allen School of Computer Science, University of Washington, USA（华盛顿大学阿伦计算机科学学院）
AI总结 ARGaze通过自回归变换器模型，利用时间连续性提升在线第一人称注视估计的鲁棒性与准确性。
大规模集合模拟揭示大气阻塞频率与海表温度变率之间的联系
机构 * Department of Atmospheric and Climate Science, University of Washington（大气与气候科学系，华盛顿大学） ； Department of Geosciences, Princeton University（地球科学系，普林斯顿大学） ； High Meadows Environmental Institute, Princeton University（高梅斯环境研究所，普林斯顿大学）
AI总结 本文利用深度学习模型的大规模集合模拟，揭示了SST变率对大气阻塞频率的显著影响，并展示了该方法在分离SST信号与内部噪声中的有效性。
架构边缘的治理：规范神经AI与神经形态系统
机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Tibbling Technologies（Tibbling技术公司）
AI总结 本文探讨了神经AI系统在传统AI治理框架下的局限性，提出需与架构共同进化以实现技术基础的保证。
Comments 9 pages, 1 table, 1 figure
开源项目从创始人领导到社区治理的过渡模式
机构 * University of California Davis（加州大学戴维斯分校） ； University of Washington（华盛顿大学）
AI总结 研究通过分析开源项目从创始人领导到社区治理的过渡，揭示了治理结构演变的模式与机制。
验证验证者：揭示事实验证器中的陷阱与潜力
机构 * Yonsei University（延世大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Seoul National University（首尔国立大学）
AI总结 本研究评估了多种大语言模型和事实验证器，揭示了数据标注问题、前沿模型性能及小型验证器的改进潜力。
Comments Accepted to COLM 2025
团队后再修剪：一种用于高质量表格数据生成的流水线LLM框架
机构 * Department of Industrial & Systems Engineering, University of Washington（华盛顿大学工业与系统工程系） ； Department of Management, Shanghai University（上海大学管理学院）
AI总结 Team-then-Trim框架通过协作LLMs生成高质量表格数据，并结合三阶段质量控制流程，有效解决表格数据稀缺和质量低的问题。
开源多模态Moxin模型：Moxin-VLM和Moxin-VLA
机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； Tulane University（路易斯安那州立大学） ； University of Washington（华盛顿大学） ； Futurewei（未来通信） ； AIBAO LLC
AI总结 本文提出开源多模态Moxin模型，通过Moxin-VLM、Moxin-VLA和Moxin-Chinese三种变体，提升视觉-语言、视觉-语言-动作及中文任务的性能。
BASS：用于音乐结构和语义推理的音频语言模型基准测试
机构 * University of Washington（华盛顿大学） ； The Ohio State University（俄亥俄州立大学） ； Allen Institute for AI（人工智能研究所）
AI总结 BASS通过评估音频语言模型在音乐结构和语义推理方面的性能，揭示了现有模型在高层次推理任务上的局限性，并为音乐推荐和搜索提供评估框架。
VLS：通过视觉-语言模型引导预训练的机器人策略
机构 * University of Washington（华盛顿大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 VLS通过视觉-语言模型在推理时引导预训练机器人策略，实现无需训练的适应，提升在不同环境下的表现。
Comments 11 Pages, Project page: https://vision-language-steering.github.io/webpage/
ToxiTwitch：迈向面向表情的混合审核方法
机构 * University of Washington（华盛顿大学）
AI总结 ToxiTwitch通过结合LLM生成的文本和表情嵌入与传统机器学习分类器，提高Twitch直播平台对有毒行为的检测准确率。
Comments Exploratory study; prior versions submitted to peer review
简单去噪扩散语言模型
机构 * Penn State University（宾夕法尼亚州立大学） ； University at Buffalo（布法罗大学） ； University of Washington（华盛顿大学） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（城市大学） ； Alibaba Group（阿里巴巴集团） ； Allen Institute for AI (AI2)（人工智能研究所（AI2））
AI总结 本文提出了一种简化且改进的去噪损失公式，用于均匀状态扩散模型，以提高训练稳定性与效率，并在大规模模型上展示了良好的扩展性。
超越裁剪与轮换：利用生成模型自动化进化强大任务特定增强方法
机构 * Columbia University, New York, NY（哥伦比亚大学） ； University of Washington, Seattle, WA（华盛顿大学） ； Harvard University, Cambridge, MA（哈佛大学）
AI总结 本文提出EvoAug，利用生成模型和进化算法自动化学习任务特定增强方法，提升模型鲁棒性和性能。
罕见事件早期检测：创伤重症患者脓毒症发病数据集
机构 * University of Washington Tacoma WA USA（华盛顿大学塔科马分校） ； Department of Statistics University of Washington Seattle WA USA（华盛顿大学统计学系） ； Department of Surgery University of Washington Seattle WA USA（华盛顿大学外科系）
AI总结 本文提出了一种针对创伤重症患者脓毒症早期检测的新数据集和方法，以解决创伤相关炎症与脓毒症临床特征重叠的问题。
你打算完成那个吗？对部分标记问题的实用研究
机构 * Paul G. Allen School of Computer Science（保罗·G·艾伦计算机科学与工程学院） ； Engineering, University of Washington（华盛顿大学工程学院） ； Nvidia（Nvidia公司） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 本文研究了部分标记问题对语言模型预测的影响，发现词边界与令牌边界不一致导致严重预测偏差，并提出缓解措施。
金 Goose：从不可验证的互联网文本中合成无限 RLVR 任务的简单技巧
机构 * NVIDIA（NVIDIA公司） ； University of Washington（华盛顿大学） ； University of California San Diego（圣地亚哥大学）
AI总结 Golden Goose 通过从不可验证的互联网文本中合成无限 RLVR 任务，提升大型语言模型在复杂推理和网络安全领域的性能。
神经算子的多级蒙特卡洛训练
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国学院）
AI总结 本文提出了一种基于多级蒙特卡洛方法的神经算子训练框架，通过多分辨率数据减少计算成本并提高训练效率。
Comments Accepted in Computer Methods in Applied Mechanics and Engineering
深度图学习在没有网络科学的洞察下将停滞
机构 * Department of Computing Science, Ume{\aa} Universitet, Ume{\aa}, Sweden（计算科学系，乌梅大学，瑞典） ； Integrated Science Lab (IceLab), Department of Physics, Ume{\aa} Universitet, Ume{\aa}, Sweden（整合科学实验室（IceLab），物理系，乌梅大学，瑞典） ； Center for an Informed Public, Information School, University of Washington, Seattle, USA（知情公众中心，信息学院，华盛顿大学，美国）
AI总结 本文指出深度图学习需结合网络科学的洞察以避免停滞，并提出六个行动呼吁以促进该领域的发展。
基于映射的机器人水下结构检测任务发现与分配
机构 * Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Industrial & Systems Engineering and Department of Mechanical Engineering, University of Washington（工业与系统工程系和机械工程系，华盛顿大学）
AI总结 本文提出了一种基于SLAM数据的水下机器人检测任务发现与分配方法，通过优化关键点分数和距离修剪，实现对未知几何结构的适应性覆盖。
Comments This paper will appear in the proceedings of the 2026 IEEE International Conference on Robotics and Automation (ICRA)
多变量时间序列数据填补 via 分布鲁姆正则化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Washington（华盛顿大学）
AI总结 本文提出DRIO方法，通过分布鲁姆正则化在多变量时间序列填补中实现重建准确性和分布对齐的帕累托最优。
通过AI切片插值提高神经病理性重建的保真度
机构 * Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School（马萨诸塞州总医院和哈佛医学院生物医学成像中心） ； Federal Institute of Technology (ETH), Zurich, Switzerland（瑞士苏黎世联邦理工学院） ； BioRepository and Integrated Neuropathology (BRaIN) Laboratory and Precision Neuropathology Core, University of Washington School of Medicine（华盛顿大学医学院生物库与整合神经病学实验室及精准神经病学核心） ； Massachusetts Alzheimer Disease Research Center, MGH and Harvard Medical School（马萨诸塞州阿尔茨海默病研究中心，MGH和哈佛医学院） ； Department of Pathology, Massachusetts General Hospital and Harvard Medical School（马萨诸塞州总医院病理学部） ； Department of Neurological Surgery, University of Washington School of Medicine（华盛顿大学医学院神经外科部） ； Hawkes Institute, University College London（伦敦大学学院霍克斯研究所） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室）
AI总结 本研究通过AI切片插值技术提升神经病理性重建的保真度，实现更精确的解剖学重建。
Comments 12 pages of main content, 5 pages of supplement
VoxServe：面向语音语言模型的流式服务系统
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 VoxServe是一种面向语音语言模型的流式服务系统，通过模型执行抽象和流式感知调度提高吞吐量和流式传输性能。
Comments The code is available at https://github.com/vox-serve/vox-serve
LLM-42: 通过验证推测实现LLM推理的确定性
机构 * Microsoft Research（微软研究院） ； University of Washington（华盛顿大学）
AI总结 LLM-42通过验证推测方法，在LLM推理中实现确定性，利用形状一致的减少和轻量级验证-回滚循环，减少确定性需求的开销。
Comments https://github.com/microsoft/llm-42
FlexMap：从灵活的相机配置构建通用HD地图
机构 * School of Computing, Clemson University ； School of Engineering \& Technology, University of Washington
AI总结 FlexMap通过几何感知基础模型和跨帧注意力机制，实现从灵活相机配置构建通用HD地图，提升了自动驾驶系统在传感器失效和配置变化时的鲁棒性。
通过超网络在隐式函数空间中学习分子表示
机构 * University of Notre Dame（内布拉斯加大学） ； University of Connecticut（康涅狄格大学） ； Independent Researcher Visiting Zhang's Lab in UConn（独立研究者） ； University of Surrey（萨里大学） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； University of Washington（华盛顿大学）
AI总结 MolField通过超网络在隐式函数空间中学习分子表示，实现对分子场的连续建模，提升分子性质预测的稳定性与泛化能力。
SENDAI：一种分层稀疏测量、高效数据同化框架
机构 * Department of Electrical ； Computer Engineering, University of Washington, Seattle, USA ； Paul G. Allen School of Computer Science \& Engineering, University of Washington, Seattle, USA ； Department of Applied Mathematics, University of Washington, Seattle, USA ； School of Environmental ； Forest Sciences, University of Washington, Seattle, USA
AI总结 SENDAI通过结合模拟先验和学习偏差修正，实现稀疏观测下的高效数据同化，适用于物理基础推断和实时监控。
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