高校专区
大型语言模型（LLMs）并非优秀的战略家，然而记忆增强的智能体可提升推理能力
机构 * University of Chicago（芝加哥大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 该研究针对LLM在长时环境中战略推理的缺陷，提出EpicStar框架，结合跨回合记忆与动态门控机制，在星际争霸II测试中实现更高胜率且令牌消耗大幅减少。
Journal ref Published at Reasoning and Planning for LLMs at ICLR 2025
PAIR：用于RLVR中自适应rollout分配的成对感知包含重加权方法
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中自适应rollout分配的统计不匹配问题，提出PAIR方法，通过成对对比图校正梯度估计，在Qwen3模型上提升准确率同时减少token使用量。
InfraBench：评估跨层级、全生命周期与风险的基础设施智能体
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Iowa State University（爱荷华州立大学）
AI总结 针对AI智能体应对真实基础设施复杂度能力不明的问题，提出跨全系统栈、全生命周期且支持细粒度风险评估的InfraBench基准套件，实验表明现有最强智能体仍存在多方面失败模式。
Comments 17 pages, 6 figures. Preprint
通过投机解码加速时间序列基础模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 通过投机解码技术提升时间序列预测模型的推理效率，无需修改现有架构即可加速部署系统。
TimePre: 联合精度、效率与稳定性在概率时间序列预测中的应用
机构 * Tohoku University（东京大学） ； WPI ； Texas A&M University（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； UIUC（伊利诺伊大学香槟分校） ； Georgia Tech（佐治亚理工学院） ； MIT（麻省理工学院） ； University of Southern California（南加州大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 TimePre结合MLP模型的高效性与MCL方法的分布灵活性，通过SIN层解决精度、效率与稳定性之间的平衡问题，实现在概率时间序列预测中的高精度与高速度。
Comments 25 pages, 6 figures, 16 tables
当安全失败之前：在推理链中基准测试有害行为检测
机构 * Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系）
AI总结 本文提出HarmThoughts基准，用于评估推理链中逐步的安全性。通过分析56931个句子，识别有害行为传播模式，发现现有检测器在细粒度行为检测上存在不足，揭示了过程级安全监控的关键缺口。
Comments Accepted at COLM 2026 (Main Track)
超越领域检测：SpikeScore用于跨领域幻觉检测
机构 * University of Technology Sydney（技术科技大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出SpikeScore方法，通过量化多轮对话中的不确定性波动，实现跨领域幻觉检测的高效识别与高泛化性能。
Journal ref In Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026)
通过结构化内存缓解大型语言模型（LLM）中的过度个性化问题
机构 * University of Saskatchewan（萨斯喀彻温大学） ； University of California–Irvine（加州大学欧文分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Obra D. Tompkins High School（奥布拉·D.汤普金斯高中）
AI总结 该研究针对内存增强LLM的跨域泄漏和内存诱导谄媚问题，提出推理时按领域划分内存的结构化呈现方法，在PersistBench七个模型上平均降低8.8%跨域泄漏且保持实用性。
OLIVE: 面向高效自适应外骨骼的在线低秩增量学习
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Rice University（里奇大学）
AI总结 提出OLIVE框架，通过低秩残差分解和奖励驱动策略梯度实现外骨骼控制的在线个性化自适应，在多种地形上提升步态平滑度、降低努力并增强稳定性。
Comments Accepted to UbiComp / ISWC 2026
ROM：通过流式检测和干预实时抑制过度思考
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 ROM通过流式检测和干预框架减少大推理模型的过度思考，提升准确率并缩短响应长度，在多个数据集上均取得显著效果。
Comments Code is available at https://github.com/SaFo-Lab/ROM
Attn-QAT：4位注意力与量化感知训练
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 Attn-QAT通过稳定4位量化感知训练实现高效的注意力计算，提升模型推理速度并保持性能。
破碎的组合性：变换器在算术中的反直觉学习动态
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Department of Computer Sciences, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系） ； Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计学系）
AI总结 本研究发现变换器在学习算术任务时表现出反直觉的组合性，其学习动态受训练数据相关性影响而非因果或程序性组合。
Comments 37 pages, 29 figures
Fisher-R1：训练用于可靠假设检验的大语言模型智能体
机构 * Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 该研究构建了含425项多领域假设检验任务的P-Bench基准，训练出Fisher-R1智能体，其在P-Bench上较DeepSeek-V4-Pro单试验成功率平均提升21%，证明强化学习可提升LLM的统计推理可靠性。
UAV3DCrop：面向重复多视角无人机作物调查的三维重建基准测试
机构 * University of Minnesota, Twin Cities（明尼苏达大学双城校区） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Pittsburgh（匹兹堡大学） ； Max Planck Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所） ； Boston University（波士顿大学） ； Peking University（北京大学）
AI总结 本文提出UAV3DCrop基准，评估NeRF、3DGS等场景优化方法及预训练前馈模型在作物三维重建任务的表现，发现无单一方法适配所有农艺需求，仅一种前馈模型可恢复可用度量尺度。
Comments 22 pages, 7 figures. Dataset and project page: https://link-dev.github.io/UAV3DCrop/
循环向量空间
机构 * Department of Biostatistics and Medical Informatics University of Wisconsin Madison（威斯康星大学麦迪逊分校生物统计学与医学信息学系） ； Statistics Program King Abdullah University of Science and Technology（国王 Abdullah 科学与技术大学统计学项目）
AI总结 提出一种变分框架，将循环交互表示为单纯复形上的边流，通过能量最小化动力学分离瞬态与持久谐波流，得到低维循环空间，实现循环结构的投影、平均、比较和统计推断。
缩小生成-验证差距的弱验证器
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Together AI
AI总结 Weaver通过结合多个弱验证器，有效缩小生成-验证差距，提升验证性能至接近理想验证器水平。
Comments Annual Conference on Neural Information Processing Systems (NeurIPS) 2025
ASAT：结合人类反馈的自适应评分与阈值方法用于鲁棒分布外检测
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 ASAT是结合人类反馈的人机协作框架，可实时更新评分函数与阈值，在静态条件下控制FPR并最大化TPR，非静态条件下适应分布漂移，在OpenOOD基准上性能优于现有方法。
Comments Published in TMLR (2026) with J2C Certification
Journal ref Transactions on Machine Learning Research (TMLR), 2026
STRIVE：探究分级合理性生成与评估中的推理极限
机构 * University of Pittsburgh（匹兹堡大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 STRIVE是基于LLM的框架，可联合生成评估跨越合理性类别与难度的受控事件集，实验中其优化后高质量事件集生成率达75.0%，为心理语言学研究减少手动工作量。
Comments Under Review
基于脉冲神经网络的神经形态参数估计用于功率转换器健康监测
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； George Mason University（乔治·马歇尔大学）
AI总结 本文提出利用脉冲神经网络进行功率转换器健康监测的参数估计，通过分离脉冲时间处理与物理约束，实现低功耗的边缘推理。
Comments 10 pages, 11 figures, 4 tables. Submitted to ICONS 2026
Journal ref Proceedings of the International Conference on Neuromorphic Systems (ICONS 2026), pp. 8-14, 2026
重新思考基础智能体的内存机制：第二阶段综述
机构 * UIC（伊利诺伊大学香槟分校） ； IIT（伊利诺伊理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UW–Madison（威斯康星大学麦迪逊分校） ； ASU（亚利桑那州立大学） ； Emory（埃默里大学） ； Northwestern（西北大学） ； NTU（国立台湾大学） ； UCF（佛罗里达大学） ； Rutgers（新泽西罗格斯大学） ； Cambridge（剑桥大学） ； Harvard（哈佛大学） ； UTokyo（东京大学） ； UCSD（加州大学圣地亚哥分校） ； UCSC（加州大学圣塔克鲁斯分校） ； TAMU（德克萨斯大学奥斯汀分校） ； UCSB（加州大学圣塔芭芭拉分校） ； MBZUAI（马克斯·普朗克人工智能研究所） ； McGill（麦吉尔大学） ； UCLA（加州大学洛杉矶分校） ； Stanford（斯坦福大学） ； Salesforce ； Google（谷歌） ； Meta ； Roblox ； Cisco（思科） ； Capital One
AI总结 本文综述了基础智能体内存机制，从内存基质、认知机制和主体维度分析内存在不同拓扑结构下的实现，并探讨内存操作的学习策略与评估指标。
Comments Accepted at Transactions on Machine Learning Research (TMLR) with Survey Certification. Project page: https://github.com/AgentMemoryWorld/Awesome-Agent-Memory
基于客户群驱动因素的收入预测：协同何时及为何有帮助
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Maryland（马里兰大学） ； Boston University（波士顿大学）
AI总结 该研究针对收入预测无法拆解驱动因素的问题，开发CBMT模型，利用966家公司数据验证其准确性优于多数基准，发现客户群协同变动强时联合预测更有效，同时指出高波动下模型优势缩小。
连接预测与归因：利用同化因果推理识别正向与反向因果影响范围
机构 * Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系）
AI总结 本文利用同化因果推理，构建正向与反向因果影响范围的数学公式，提出客观鲁棒的度量与高效近似算法，为探测复杂动力学系统提供新方法，在地球系统等领域具应用价值。
Comments 66 pages (Main Text pp. 3--36; Appendix pp. 36--57), 11 figures (1 Graphical Abstract, 8 in Main Text, 2 in Appendix). Submitted for peer-review to Physica D: Nonlinear Phenomena. The MATLAB code used in the analyses and to generate the figures in this work can be found in https://github.com/marandmath/FBCIR_code . For further details visit https://mariosandreou.short.gy/FBCIR
分布偏移下预测模型帕累托前沿的学习
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本研究提出Frontier Learning框架，将预训练模型库视为互补信息源，通过拼接白盒内部表示与黑盒预测输出构建特征，在分布偏移场景中提升预测性能，表现优于或相当于最强的单个复用策略。
Comments 28 pages, 4 figures, 3 tables
多头注意力残差
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 该研究提出多头注意力残差（MHAR），通过多子空间头优化注意力残差，在多参数规模下降低Transformer验证损失，提升训练吞吐量，中途训练8B模型在GSM8K和GPQA上获显著增益。
检索增强可解释学习：迈向医疗保健领域特定任务的零样本模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； GenBio AI（基因生物人工智能公司） ； Intel（英特尔公司）
AI总结 研究针对医疗保健领域特定任务零样本模型问题推出检索增强可解释学习（RAIL）框架，通过检索相关任务并传递结构生成新预测器，概率公式提供不确定性支持可靠性感知部署，在临床程序预测任务中性能可靠，还提升模型透明度。
Comments A preliminary, non-archival version of this work, titled RAG-IM, was presented at NeurIPS 2024 workshops and the ML4H 2024 Findings track. The work was subsequently renamed Retrieval-Augmented Interpretable Learning (RAIL)
专家选择路由使扩散语言模型实现自适应计算
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Scitix ； Cornell University（康奈尔大学） ； Duke University（杜克大学） ； UC Davis（加州大学戴维斯分校） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出专家选择路由方法，通过确定性负载平衡提升扩散语言模型的吞吐量和收敛速度，并展示如何通过时间步依赖的专家容量优化计算分配，从而在匹配FLOPs下提升性能。
Comments Accepted at COLM 2026
DiffPhysCam：面向逆渲染与具身智能的可微分基于物理的相机仿真
机构 * Simulation-Based Engineering Lab, University of Wisconsin-Madison（模拟基于工程实验室，威斯康星大学麦迪逊分校）
AI总结 本文提出DiffPhysCam，一款可微分基于物理的相机模拟器，解决现有虚拟相机局限，支持正向与逆渲染，经实验验证可提升机器人感知性能，还用于自主地面车辆导航的虚拟实验。
Comments 37 pages, 24 figures, and 5 tables. Code of DiffPhysCam-CamCaliExp: https://github.com/DanielYamChen/DiffPhysCam-CamCaliExp Code of DiffPhysCam-NovelViewSynthesis: https://github.com/DanielYamChen/DiffPhysCam-NovelViewSynthesis Data of DiffPhysCam_Data: https://huggingface.co/datasets/DanielYamChen/DiffPhysCam_Data Simulation video: https://youtu.be/gQwSMrdmHJI
具有自适应验证器的多模态强化学习
机构 * Microsoft Research（微软研究院） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； ETH Zurich（苏黎世联邦理工学院） ； UW–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Argos验证器，通过结合SFT数据筛选与RL训练，提升多模态推理模型在空间推理、视觉幻觉及机器人任务中的性能，同时减少奖励黑客问题。
SADA：半监督学习中多个黑箱预测的安全自适应聚合
机构 * Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison（生物统计与医学信息学系，威斯康星大学麦迪逊分校） ； Department of Statistics, University of Wisconsin-Madison（统计学系，威斯康星大学麦迪逊分校）
AI总结 提出一种安全自适应聚合多个不确定质量黑箱预测的方法，保证不劣于仅用标注数据，并在存在完美预测时实现更快收敛或半参数效率界。
Journal ref The Annals of Applied Statistics (2026)
统一多模态模型是否在同一空间中思考？通过跨分支引导的视角
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本研究针对统一多模态模型是否共享统一可迁移语义空间的问题，提出跨分支语义引导框架，发现理解分支的引导向量可迁移至生成分支，揭示架构统一不保证语义对齐，该框架可用于探测多模态表示。
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