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
通过沙普利值实现大语言模型摘要中的公平文档评估
机构 * University of Washington（华盛顿大学）
AI总结 研究大语言模型摘要中公平文档评估与补偿问题，提出基于沙普利值的框架，开发聚类沙普利值方法，在亚马逊产品评论数据上提升效率与准确性，且与多种因素无关，广泛适用于不同总结设置。
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。
MobileEgo Anywhere：基于商用硬件的长时域自我中心数据开放基础设施
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； 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, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 提出MobileEgo Anywhere框架，利用智能手机传感器实现超过一小时的自我中心轨迹采集，并发布开源处理流水线STERA、移动应用及200小时数据集，验证其在视觉-语言-动作模型训练中的有效性。
回答之前先解释：组合视觉推理综述
机构 * Monash University（墨尔本大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Griffith University（格里菲斯大学） ； Princeton University（普林斯顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 综述2023年至2025年组合视觉推理文献，形式化核心定义，追溯范式转变，编目基准指标，提炼见解、识别挑战并概述方向，为该领域提供统一分类、历史路线图和批判性展望。
Comments Project Page: https://github.com/pokerme7777/Compositional-Visual-Reasoning-Survey
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。
当帮助一方时却削弱了另一方
机构 * University of Washington（华盛顿大学）
AI总结 研究共享环境中人工智能助手行为，指出其可能无意削弱旁观者自主性，即旁观者赋权削弱。从理论上刻画赋权削弱产生条件，通过Disempower-Grid实证表明该现象存在，且受助手目标和能力影响大。
Comments v2: Updated title, added a co-author, extended theoretical analysis of bystander disempowerment, and added new experimental results
FailSafe: 视觉-语言-动作模型中的失败推理与恢复
机构 * Nanyang Technological University（南洋理工大学） ； Centre for Frontier AI Research, A*STAR（A*STAR前沿人工智能研究中心） ； Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学）
AI总结 提出FailSafe系统，自动生成多样化失败案例及可执行恢复动作，微调LLaVA-OV-7B构建FailSafe-VLM，使机器人检测并恢复失败，在ManiSkill任务上平均提升三个VLA模型性能达22.6%。
Comments IROS 2026. Project Page: https://jimntu.github.io/FailSafe
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)
GarmentZoom: 从服装列表生成可缩放图像
机构 * University of Washington（华盛顿大学）
AI总结 提出GarmentZoom系统，通过单模型支持连续尺度范围，无需空间对齐即可合成细节，实现从全景图到特写图的无缝缩放浏览。
Comments Project page: https://jason-31.github.io/garmentzoom/
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。
通过场景自我探索进行视图规划
机构 * Northwestern University（西北大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 提出ViewSuite基准测试揭示VLM在多步视图规划中的不足，并设计迭代框架通过自我探索和视图图蒸馏将Qwen2.5-VL-7B的交互式视图规划准确率从2.5%提升至47.8%。
MLS-Bench：对构建更好AI的AI系统的全面且严格评估
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。
基于部分信息分解指导的解耦量化半UNet的多模态T1加权和FLAIR MRI生成可解释的tau-PET
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Radiology, University of Washington（华盛顿大学放射学系）
AI总结 本文提出一种可解释的多模态图像合成框架，通过部分信息分解指导的解耦量化半UNet生成tau-PET，结合向量量化编码器和半UNet解码器，实现了在ADNI-3和OASIS-3数据集上的最佳性能。
当评分标准失效时：在无参考RL后训练中通过错误枚举作为奖励
机构 * University of Washington, Seattle, USA（华盛顿大学（西雅图）） ； Amazon, Seattle, USA（亚马逊（西雅图）） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 本文提出隐式错误计数方法，用于解决无参考答案的RL后训练问题，通过计算错误而非正确来生成可靠奖励，在虚拟试穿任务中验证了其有效性。
语言模型中激活引导的内生抵抗
机构 * University of Washington（华盛顿大学）
AI总结 研究发现大型语言模型在任务不匹配的激活引导下能内生抵抗，通过显式重启恢复正确生成，并识别出相关稀疏自编码器潜在变量，可增强或削弱该抵抗。
混合元学习器用于估计异质处理效应
机构 * UC Berkeley（伯克利大学） ； UCSF（旧金山加州大学） ； University of Washington（华盛顿大学）
AI总结 本文提出混合学习器，通过结合直接和间接正则化策略，改进异质处理效应估计的偏差-方差权衡，实验证明其在半合成和真实数据集上均处于帕累托前沿。
Journal ref Proceedings of the 29th International Conference on Artificial Intelligence and Statistics, 2026
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
CreativityPrism：大语言模型创造力的跨域评估框架
机构 * University of Pittsburgh（匹兹堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Notre Dame（诺特丹大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 提出CreativityPrism框架，整合发散思维、创意写作和逻辑推理三个领域的八项任务，从质量、新颖性和多样性三个维度评估LLM创造力，发现前沿模型在创意写作和逻辑推理上领先，但在发散思维上无显著优势，且各维度间相关性弱。
Comments Published in Transactions on Machine Learning Research (06/2026)
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