高校专区
单个冻结模拟器不够：多智能体强化学习中的模拟器崩溃问题
机构 * Northeastern University（东北大学） ； New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 针对人机交互多智能体强化学习中单个LLM模拟器导致的策略泛化缺陷，提出Verbalized Sampling和Co-Training两种方案，在多轮基准测试和真实用户研究中显著提升了性能，发布了开源框架SCOPE。
Comments 41 pages, 28 figures
GenFAR：基于49246例多队列MRI通过深度学习得到的脑结构通用表征
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Melbourne（墨尔本大学） ； University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院） ； CSIRO Health and Biosecurity（联邦科学与工业研究组织健康与生物安全部） ； CSIRO（联邦科学与工业研究组织） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of Washington（华盛顿大学） ； Wake Forest School of Medicine（维克森林医学院） ； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） ； Indiana University（印第安纳大学） ； University of Southern California（南加利福尼亚大学）
AI总结 GenFAR是基于49246例多队列MRI的模块化深度学习框架，通过17类任务训练得到通用脑表征，可提升二级预测器的样本效率与准确性
基础的裂痕：看似微小的架构选择会影响长上下文扩展
机构 * Ai2 ； Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学）
AI总结 该研究发现，Olmo、Llama、Qwen等稠密模型系列的四个微小架构决策会复合降低长上下文性能，结合三个及以上选择可使性能降47%，经17万余GPU小时训练发布OlmPool，其部分模型长上下文性能优于Llama 3。
Comments 29 pages; accepted to COLM 2026
离轴，出于目的：Transformer在何处计算概念以及为何如此计算
机构 * University of Washington（华盛顿大学） ； School of Computer Science and Engineering（计算机科学与工程学院）
AI总结 该研究揭示Transformer分两阶段计算，概念阶段采用与读取轴近乎正交的子空间，强制该几何结构可提升稀疏旋转的收敛性，且不损害语言建模基准性能。
基于不确定性校准的玻片级聚合的设备端多物种疟疾检测
机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； University of Washington（华盛顿大学）
AI总结 针对资源有限地区疟疾检测的临床约束，开发基于YOLOv13n的设备端多物种疟疾检测系统，满足多物种鉴别等要求，在2739张图像上实现较高检测精度与聚合性能。
Comments Accepted at The Fifth Workshop on Applications of Medical AI (AMAI) 2026, a satellite event at MICCAI 2026. To appear in Springer Lecture Notes in Computer Science (LNCS)
视觉-语言 Grounding 作为双向概念对应
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（艾伦人工智能研究所） ； FAIR at Meta（Meta FAIR实验室）
AI总结 本研究将视觉-语言 Grounding 建模为双向概念对应，提出 ConCor-1 模型统一相关任务，在长文本数据集和零样本 LVIS 上对应 F1 分别提升 48%、29%，性能优于基线。
基于fNIRS的自闭症分类中的时间泛化性：跨时间窗口迁移基准
机构 * University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校） ； University of Washington School of Medicine（华盛顿大学医学院）
AI总结 该研究针对基于fNIRS的自闭症分类中的时间分布偏移问题，构建跨时间窗口迁移基准，发现域对抗等策略可在无目标受试者数据时实现较高准确率，为实际部署提供了路线图。
Ask-E：一个用于校准型问题生成的环境
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 本研究提出Ask-E环境，以两个现有语言模型的能力范围定义目标技能水平，通过生成仅能被其中一个模型解决的问题来校准模型，该环境可用于基准测试与训练，且训练后模型在下游数学基准上表现提升。
力的扰动：采用并联电机-线缆单元对RAVEN II手术机器人进行力驱动
机构 * University of Washington（华盛顿大学） ； Mount Holyoke College（曼荷莲学院）
AI总结 针对手术机器人力反馈难题，开发含6个电机-线缆单元的并联系统，实现无干扰力驱动，力驱动误差小于1N，为获取训练数据提供支持。
MameLoshnLM：意第绪语语言模型与评估基准
机构 * Bar-Ilan University（巴伊兰大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 该研究推出首个专为意第绪语构建的开源8B参数语言模型MameLoshnLM，通过自研语料库与基准优化Llama 3.1 8B，其表现优于同规模开源基线，为意第绪语NLP及低资源语言模型开发提供了基础与模板。
Comments Accepted at the Conference on Language Modeling (COLM) 2026
BlockPython：一种支持从积木式编程向Python编程过渡的进程感知智能体平台
机构 * East China Normal University（华东师范大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学）
AI总结 BlockPython是支持从积木式编程向Python过渡的平台，以双向转换为核心，通过四阶段引导学习者，利用进程证据诊断困难，为相关系统设计提供参考。
Comments AIED 2026 Interactive Event Track
语言模型可泛化出类人的词序偏好
机构 * University of Washington（华盛顿大学）
AI总结 本研究发现不同规模的语言模型可从贫乏输入中泛化出类人的范围同态名词短语修饰语顺序偏好，且该偏好无法用点互信息解释。
棋盘上的幻觉：工具增强型大语言模型（LLM）象棋评论评估
机构 * Princeton University（普林斯顿大学） ； Sentient Labs ； University of Washington（华盛顿大学）
AI总结 本研究提出ACT-Eval框架，评估工具增强型LLM的象棋评论，发现事实幻觉普遍存在，工具可提升事实正确性但战略战术覆盖度仍有限。
Comments 23 pages, 6 figures
不确定性并不足够：针对LoRA专家混合模型的信息价值路由
机构 * University of California, Irvine（加利福尼亚大学欧文分校） ； University of Washington（华盛顿大学）
AI总结 该研究针对LoRA专家混合模型的路由问题，提出VI-MoLE算法，通过信息价值分配替代不确定性路由，经实验验证其在多指标上优于现有路由机制。
RADAR：用于LLM作为评判者评估的基于 Rubric 的依赖与冗余分析
机构 * Microsoft（微软公司） ； University of Florida（佛罗里达大学） ； University of Washington（华盛顿大学）
AI总结 本文提出 RADAR 框架，用于在 LLM 作为评判者的大规模评估前，通过少量探针估计评估标准间的耦合，验证显示其可恢复人类标准间高相关性，提供审计信号。
TAGTorch：一个用于几何、拓扑与对称感知机器学习的PyTorch库
机构 * Pacific Northwest National Laboratory（西北太平洋国家实验室） ； University of Texas at El Paso（德克萨斯大学埃尔帕索分校） ； University of Washington（华盛顿大学）
AI总结 针对几何拓扑对称感知机器学习软件生态碎片化问题，推出基于PyTorch的开源库TAGTorch，统一相关工具并阐述其设计架构与未来开发重点。
Comments Comments welcome
诱导语言模型断言自身意识可恢复人类信念与价值观
机构 * Google（谷歌） ； University of Chicago（芝加哥大学） ； University of London（伦敦大学） ； University of Washington（华盛顿大学） ； Northwestern University（西北大学） ； Santa Fe Institute（圣达菲研究所）
AI总结 该研究发现，防止语言模型将意识归因于自身的安全微调，会抑制其对非人类实体的心智归因与人类精神信念，而逆转这种抑制可恢复类人回应且不损害心理理论能力。
R-SLPR：基于区域的小到大点云配准对比学习框架
机构 * University of Washington（华盛顿大学）
AI总结 针对小到大尺度不匹配的点云配准难题，提出R-SLPR三阶段框架，结合斐波那契网格分割与对比学习，在ModelNet40上实现最优精度，大幅降低位置和旋转MAE。
早期判定与更优预算：面向计算高效RLVR的序贯自适应rollout分配
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学）
AI总结 针对RLVR中饱和组导致的rollout浪费问题，提出SARA方法，通过序贯分配规则减少rollout用量，在1.5B/3B模型上实现高效计算的同时保持性能。
OrganLens：用于CT基础模型的器官特异性表征学习
机构 * Rice University（莱斯大学） ； University of Washington（华盛顿大学）
AI总结 研究针对CT检查中特定器官表征需求，提出OrganLens通过自监督学习，用器官标识调节共享编码器，经器官特异性蒸馏等方法获取器官特异性表征，在多数据集评估中提升指标，提供了可扩展方法和 reusable 框架。
Comments 16 pages, 7 figures, 5 tables
OPERA：用于通用生物医学图像分析的离线策略引导专家路由与适应
机构 * University of Washington（华盛顿大学） ； Delft University of Technology（代尔夫特理工大学） ； Xiamen University（厦门大学）
AI总结 研究针对生物医学图像分析中分布变化阻碍模型部署的问题，提出OPERA多智能体集成框架，通过离线策略学习专家权重分配，结合多种机制协调智能体，经多数据集评估，有效提升性能与校准质量，为可部署生物医学AI提供实用路径。
Comments Accepted by ACM MM 2026. 18 pages
MicroZoom：极端尺度下的结构保留细节合成
机构 * University of Washington（华盛顿大学）
AI总结 MicroZoom旨在解决微观尺度下基于参考的极端尺度超分辨率问题，通过两阶段级联设计，第一阶段恢复全局图案连贯性，第二阶段细化局部纹理细节，辅以分割掩码指导合成，实现了全局连贯、基于物质的千兆像素图像合成。
Comments Project page: https://microzoom-sr.github.io/
寥寥数语，成效显著：语言引导的机器人策略合成
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对视觉-语言-动作模型难以解释等问题，提出ARCHITECT框架，利用大语言模型编码代理合成模块化机器人程序，通过人类自然语言修正引导策略并积累技能库，在机器人基准评估中表现出色，提供了新的机器人学习方案。
用于减轻大语言模型微调中隐藏行为的推理时共识
机构 * University of Washington（华盛顿大学）
AI总结 研究针对大语言模型微调中隐藏行为问题，通过从不同源收集多数据集并学习共性，在解码时聚合参考模型下一个token分布，引入两种共识解码器，有效抑制特定源不当行为，保留共享期望行为。
Comments 21 pages, 4 figures. Code: https://github.com/AdhyyanNarang/consensus-aggregation
运动想象脑电图跨受试者分类中的贝叶斯完全池化
机构 * University of Washington（华盛顿大学）
AI总结 研究对比贝叶斯完全池化模型与频率主义基线用于跨受试者运动想象脑电图分类，经多指标分析发现前者可靠性有统计学改善但实际不显著，计算成本高，表明其实际益处有限，跨受试者和会话部分池化是更有前景方向。
用于减轻触觉手套中与姿势相关伪像的姿势感知建模
机构 * Cornell Univeristy（康奈尔大学） ； Meta Reality Labs（Meta 现实实验室） ； University of Washington（华盛顿大学）
AI总结 研究针对触觉手套因手部姿势变化产生伪像致最小可检测力提高的问题，引入无需修改手套的算法框架，利用姿势信息减轻伪像，经多手套设计和用户验证，有效降低了最小可检测力，提升了手套在相关应用中的可用性。
分层虚拟试穿
机构 * University of Washington（华盛顿大学）
AI总结 研究针对现实中服装分层搭配的虚拟试穿难题，提出LVTON方法。先通过自动数据生成管道训练获取一般VTON先验知识，再在专用数据集微调学习分层逻辑，在LVTON基准及传统VTON基准上取得优异成果，展现零样本能力。
Comments Accepted to ECCV 2026
通过自我协商合同实现合作承诺
机构 * University of Washington（华盛顿大学）
AI总结 研究人工智能代理在多智能体世界中的合作问题，借鉴法律制度和契约，通过在时空博弈\CT中研究基于大型语言模型的代理使用不同合同表示，发现自我协商合同可改善合作结果。
基于模拟的经验贝叶斯
机构 * Department of Statistics University of Washington（统计学系华盛顿大学） ； Department of Computer Science Cornell University（计算机科学系康奈尔大学） ； School of Mathematical Sciences and Center for Statistical Science Peking University（数学科学学院与统计科学中心北京大学） ； Departments of Computer Science and Statistics Columbia University（计算机科学与统计学系哥伦比亚大学）
AI总结 研究针对似然只能通过模拟器获得的情况开发经验贝叶斯方法，引入基于模拟的经验贝叶斯（SBEB），通过观测数据、模拟器样本和推断网络计算估计，迭代细化先验，经实验证明其比固定先验的SBI提高了准确性。
推测解码中用于接受崩溃的对抗性提示
机构 * Clemson University（克莱姆森大学） ； Wayne State University（韦恩州立大学） ； University of Washington（华盛顿大学）
AI总结 研究针对推测解码中草稿-目标对齐漏洞的攻击，提出ADSD方法，利用Soft-Collapse及目标保留目标生成对抗性后缀，在GSM8K数据集上验证其有效性，还证明该漏洞存在于多方面。
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