高校专区
Aleena：用于研究软件工程协作的对齐代理
机构 * eScience Institute（eScience研究院） ； University of Washington（华盛顿大学）
AI总结 研究软件协作中决策易失依据致相关人员心智模型不同，提出智能AI可支持对齐与跟踪。介绍开源的Aleena，以GitHub为协作平台，转化交互为结构化记录，揭示风险等，还阐述其动机、设计、原型及场景。
Comments 8 pages, 5 figures. AgenticSE @ KDD '26: Agentic Software Engineering (SE 3.0): The Rise of AI Teammates, KDD 2026 Workshop
MedPMC：一种用于为基础模型扩展高保真医学多模态数据的系统框架
机构 * Yale University（耶鲁大学） ； Korea University（韩国大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； The University of Queensland（昆士兰大学） ； The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心） ； University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 研究针对医学多模态基础模型受高质量临床数据限制问题，提出MedPMC框架，将文献转化为高保真基础设施。经实验，该框架整理大量图像-文本对，在多方面评估表现出色，训练模型在多基准测试和临床场景中效果显著，还公开相关资源。
RLVP：惩罚路径，奖励结果
机构 * Pine AI（松果人工智能公司） ； University of Washington（华盛顿大学）
AI总结 研究在现实世界中智能体在线学习面临的挑战，提出“惩罚路径，奖励结果”方法，能在几乎零违规情况下实现高任务成功率，并给出有效惩罚的设计规则。
基于生成代理的最佳臂识别
机构 * School of Operations Research and Information Engineering, Cornell University（康奈尔大学运营研究与信息工程学院） ； Department of Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理系） ； SC Johnson College of Business, Cornell University（康奈尔大学SC约翰逊商学院） ； Michael G. Foster School of Business, University of Washington（华盛顿大学迈克尔·G·福斯特商学院）
AI总结 研究固定置信度最佳臂识别，将其与廉价代理分数配对，提出PROBE算法，通过控制变量调整转化为异方差问题，证明算法是δ - PAC的，能达到已知相关性神谕样本复杂度，实验证实样本节省与相关性强度成比例。
引导打破拟合算子：无分类器引导的终端拟合修复
机构 * University of Washington（华盛顿大学）
AI总结 研究无分类器引导（CFG）在大引导时的问题，通过数值分析发现引导使判别子空间异常硬化致DDIM不再拟合。提出单系数零额外NFE修复方法，经实验验证该方法能稳定高引导，减少残差放大饱和，提升FID并保持精度，但也有其局限性。
聚类嵌入模型预测路径积分控制：避免平均诱导失效并实现动态障碍物的高效聚类选择
机构 * University of Washington（华盛顿大学）
AI总结 研究针对MPPI在杂乱环境中平均诱导失效问题，提出聚类嵌入MPPI框架。通过集成高保真修剪和聚类阶段重新定义控制律，利用DBSCAN等分离可行轨迹模式，结合智能选择逻辑。实验表明该方法能减轻障碍物前犹豫，缩短目标到达时间和末端执行器路径。
Journal ref IROS 2026
LEGATO 2：迈向多模态乐谱识别与理解
机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学）
AI总结 LEGATO 2提出从乐谱图像提取符号与语义知识的新流程，结合系统级分割和自回归视觉语言模型，能生成含文本的符号转录，在多数据集上优于现有技术，还能补充语言模型视觉输入，提升乐谱理解水平。
Comments 23 pages. Equal contribution: Guang Yang and Brian Siyuan Zheng
RPAM：一种用于评估语言模型中关联的原则性度量，在下游输出中具有高预测有效性
机构 * University of Washington（华盛顿大学）
AI总结 研究针对语言模型偏差评估难题，引入相对概率关联度量（RPAM），通过对不同语言模型及评估数据集的实验，发现RPAM测量与人类观察到的关联及下游偏差紧密相关，优于先前记录值，有效填补了上游度量与现实世界关联关系研究的空白。
Comments 14 pages
IUU+DB：通过LLM驱动的信息提取追踪非法、不报告和不管制捕捞、海鲜欺诈和劳工虐待
机构 * University Of Washington（华盛顿大学）
AI总结 提出IUU+概念扩展非法捕捞定义，并构建基于大语言模型的IUU+DB系统，从异构文档中自动提取事件关键信息，支持去重和趋势分析，为渔业监管和研究提供数据支持。
评估用于反犹事件分类的大语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland（马里兰大学） ； Microsoft Research（微软研究院） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 研究利用大语言模型对反犹事件报告进行细粒度分类，评估了OpenAI的GPT-4o和Meta的Llama-3.2-3B-Instruct，发现其有潜力但需改进，提示中提供定义和示例可提升性能，还通过案例展示其能助力发现现实事件。
Comments Accepted to Digital Hate Review 2026 Issue 1
通过构造实现可读：注意力机制与端到端变换器
机构 * Professor School of Computer Science and Engineering University of Washington（计算机科学与工程教授 美国华盛顿大学）
AI总结 研究将变换器前馈层可读化的思想应用于注意力机制，提出最小化机制及布尔变体，通过选择性压力使值通道成为可读探测器，在多注意力设计中提升了可读性，还训练了端到端可读语言模型。
将交错多模态推理作为统一决策过程进行衔接
机构 * Nanjing University（南京大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Washington（华盛顿大学） ； The Chinese University of Hong Kong（香港中文大学） ； Australian National University（澳大利亚国立大学）
AI总结 研究统一多模态模型中强化学习优化多轮生成的问题，提出BRAID框架，将文本-图像-文本推理视为统一马尔可夫决策过程，通过单一强化学习目标联合优化文本和视觉生成，实验表明该框架性能优于基线。
Comments 22 pages, 8 figures
LLMoxie：探索用于科学软件开发的智能AI
机构 * eScience Institute University of Washington（eScience研究院华盛顿大学）
AI总结 研究针对科学软件开发中现有AI编码代理的不足，介绍LLMoxie平台及其插件生态系统，通过实践总结多域研究软件工程师中心采用智能AI的挑战、平台设计及操作经验，提升AI编码代理能力。
Comments 9 pages, 4 figures. Accepted to ACM SIGKDD 2026 Workshop: Agentic AI for Scientific and Societal Advances (SciSoc Agents and LLMs). Describes an agentic AI platform for scientific software engineering with governed multi-cloud inference, structured multiagent workflows, and domain-aware coding support (cs.SE, cs.MA, cs.AI)
大语言模型中的道德安全：揭示对困惑线索的表演性遵从
机构 * University of Milan（米兰大学） ； University of Washington（华盛顿大学）
AI总结 本研究提出“表演性遵从”概念，揭示大语言模型在道德困境中当身份标签被隐藏时公平性显著下降，并引入线索变化方法和“线索可见性差距”指标来区分真实与表演性道德安全。
循环表示的有限滞后算子几何
机构 * University of Washington（华盛顿大学）
AI总结 提出有限滞后算子几何，通过源-后继对估计条件传输律，导出传输张量和循环量，证明仿射协方差与分离性，揭示循环网络架构差异。
Janus：用户参与的智能体权限管理实验平台
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） ； Georgetown University（乔治城大学）
AI总结 提出Janus系统，通过模块化框架和自动化评估工具，研究用户参与AI智能体权限管理的设计空间，发现用户输入可增强隐私安全，AI辅助可降低认知负担，但需考虑权限疲劳等现实行为。
Comments Code and data released on GitHub: https://github.com/GraceBrigham/Janus
未来有多大帮助？面向因果自我中心视线估计的未来特权监督受控研究
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出一种受控框架，通过训练时访问未来帧但推理时丢弃的未来感知分支，研究未来上下文对因果视线估计的影响，发现最优未来视野约1.7-3.3秒。
Comments Accepted to the 7th International Workshop on Eye and Gaze in Computer Vision (GAZE 2026), CVPR 2026. Best Paper Award
FRAME：基于分数阶傅里叶专家混合的自适应域学习
机构 * University of California, Irvine（加州大学尔湾分校） ； University of Washington（华盛顿大学）
AI总结 提出分数阶傅里叶专家混合适配器，通过可学习的分数阶在空间域与傅里叶域间连续插值，使每个低秩更新位于最紧凑的域，专家自然去相关，减少干扰并提升多任务组合性能。
前馈层中的显式模糊逻辑：自遗忘量词发现可读的语法许可检测器
机构 * University of Washington（华盛顿大学）
AI总结 提出参数中性的显式模糊逻辑前馈层（NC-FFN），通过交集和集差操作实现逻辑推理，在125M参数语言模型上达到与GELU基线相当的困惑度，并通过自遗忘量词使前馈层可解释为语法许可检测器。
人类反馈如何塑造AI生成的社区笔记
机构 * University of Washington（华盛顿大学）
AI总结 研究分析X平台协作笔记中人类反馈对AI生成草稿的影响，发现事实修正和补充背景的建议最易被采纳，人类反馈提升笔记有用性，但协作笔记达到有用状态的比例低于纯人类或纯AI笔记，且主要补充而非替代它们。
医生专业知识能否改善机器学习对谵妄的识别？
机构 * University of Houston（休斯顿大学） ； University of Washington（华盛顿大学）
AI总结 提出用户中心交互式机器学习框架，结合医生指导的特征优化与可解释模型，利用多源数据，在谵妄检测中提升判别性能和时间鲁棒性。
Comments Accepted for presentation at the IEEE Engineering in Medicine and Biology Conference (EMBC) 2026
支持约束强化学习实现无需真实世界经验的真实世界策略改进
机构 * University of Washington（华盛顿大学） ； Amazon FAR（亚马逊FAR）
AI总结 提出SCORE框架，通过流导向约束模拟中的强化学习到真实数据预训练生成策略的支持集，实现无需真实世界经验即可改进真实世界操作策略，在八项灵巧操作任务中成功率从37.8%提升至89.9%。
Comments 35 pages, 23 figures
我的嵌入是否反映了 $A = B$？评估嵌入模型中的数学等价性
机构 * University of Washington（华盛顿大学） ； Axiom Math ； Pacific Northwest National Laboratory（太平洋西北国家实验室）
AI总结 针对当前嵌入模型无法识别数学等价陈述的问题，提出MELD数据集和对比学习方法，使嵌入能对齐不同形式化的数学表述。
Comments 18 pages, comments welcome
CyberChainBench: AI代理能否保护智能合约免受真实链上漏洞的攻击？
机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学）
AI总结 提出CyberChainBench基准，评估基于LLM的代理在智能合约安全中的漏洞检测、利用生成和补丁合成能力，基于541个真实链上攻击事件，发现最佳配置在检测、利用和修补上的得分分别为37.5%、43.7%和23.4%。
FactorLibrary: 从多项式到电路通过递归子目标
机构 * University of Washington, Seattle, WA, USA（华盛顿大学）
AI总结 将有限域上多项式的最小算术电路发现建模为强化学习问题，提出FactorLibrary存储可分解子表达式作为子目标，使用PPO+MCTS的top-down方法在复杂度8以内达到91.8%的成功率。
Comments 14 pages, 8 figures, in 3rd AI for Math Workshop (ICML 2026)
TheoremGraph：连接形式化与非形式化数学
机构 * University of Washington Math AI Lab（华盛顿大学数学人工智能实验室）
AI总结 提出TheoremGraph，构建统一语句级依赖图，连接非形式化（arXiv论文）和形式化（Lean）数学，通过嵌入自然语言标语实现跨域链接，并验证了检索性能。
Comments 31 pages, 9 figures, 21 tables
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
潜在桥：用于实时游戏智能体的连续慢-快通道
机构 * Pine AI ； University of Washington（华盛顿大学）
AI总结 针对实时游戏智能体，提出一种可学习的连续潜在桥（Latent Bridge），将慢速推理VLM的残差投影到快速反应VLM的输入嵌入空间，在7个Atari游戏和驾驶域中匹配或超越文本桥，且增益高度可预测。
从诗句预测诗人籍贯：全唐诗中地域语言指纹的计算分析
机构 * Harvard University（哈佛大学） ； University of Washington（华盛顿大学）
AI总结 通过全唐诗和CBDB数据，使用字符n-gram TF-IDF和领域特征，以多类分类预测诗人籍贯，发现语言距离随地理距离衰减、南北可分性随时间变化等历史意义。
使用无注意力变换器学习Koopman算子
机构 * Institute for Bioengineering, School of Engineering and Centre for Engineering Biology, University of Edinburgh（爱丁堡大学生物工程研究所、工程学院与工程生物学中心） ； Electrical and Computer Engineering and Applied Mathematics, University of Washington（华盛顿大学电气与计算机工程与应用数学系） ； Electrical and Computer Engineering and Computer Science & Engineering, University of Washington（华盛顿大学电气与计算机工程及计算机科学与工程系）
AI总结 针对Koopman自编码器长期预测中流形漂移导致误差累积的问题，提出无注意力潜在记忆块和动态重编码两种方法，在三个基准系统上显著降低长时域误差并保持低推理延迟。
Comments 28 pages, 10 figures, 9 tables. Code: https://github.com/MohammedNagdi/Attended-Koopman
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