高校专区
在真实环境中进行具有长时域的任务规划
机构 * Korea University（韩国大学） ； Microsoft Research（微软研究院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种基于空间的规划任务，引入了GroundedPlanBench基准，评估机器人在真实环境中的长时域动作规划能力，并通过V2GP框架提升空间接地规划性能。
Comments 9 pages, 7 figures
使用混合模型进行部分已知系统的贝叶斯优化
机构 * University College London（伦敦大学学院） ； RWTH Aachen University（亚琛工业大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； JARA-CSD ； Forschungszentrum Jülich GmbH（吕贝克研究中心）
AI总结 本文提出了一种结合机理物理模型与贝叶斯优化的混合方法，通过高斯过程作为约束，实现对部分已知系统的高效优化，显著提升了收敛速度和设计效果。
Comments 16 pages, 5 Figures
时间飞行非线视成像的全面研究
机构 * Universidad de Zaragoza–I3A（萨拉戈萨大学–I3A） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Department of Data Science, Inha University（数据科学系，inha大学） ； Politecnico di Milano（米兰理工学院）
AI总结 本文全面研究了时间飞行非线视成像方法，探讨了其正向与逆模型的关系，并通过实验评估了不同方法在空间分辨率、可见性和噪声敏感性上的表现。
RubiCap：基于评分标准的强化学习用于密集图像描述
机构 * Apple（苹果公司） ； University of Wisconsin—Madison（威斯康星大学麦迪逊分校）
AI总结 RubiCap通过基于评分标准的强化学习方法，在密集图像描述任务中实现了更高的胜率和词效，优于监督蒸馏和传统RL方法。
基于技能库的自我改进智能体强化学习
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； AWS Agentic AI（AWS智能代理）
AI总结 本文提出SAGE框架，通过强化学习结合技能库，提升智能体在新环境中的自我改进能力，实验显示其在准确性和效率上均优于现有方法。
高滑移比控制用于自动化车辆的峰值轮胎-路面摩擦估计
机构 * Civil & Environmental Engineering Department, University of Wisconsin, Madison（威斯康星大学麦迪逊分校土木与环境工程系）
AI总结 本文提出一种高滑移比控制框架，通过主动激励峰值摩擦区域实现自动化车辆的准确TRFC估计，结合非线性轮胎模型和约束优化策略，提升道路摩擦识别的精度与安全性。
生长，而非覆盖：无需遗忘的微调
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Google Research（谷歌研究）
AI总结 本文提出了一种功能保持扩展方法，通过扩展模型容量并保持原有能力，实现稳定训练与高效重用预训练知识的平衡。
DogWeave: 通过法线融合与条件修复从单张图像实现高保真3D犬只重建
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
AI总结 DogWeave通过法线融合与条件修复技术，从单张图像实现高保真3D犬只重建，优于现有方法。
学习快速与缓慢思考以提升视觉语言模型
机构 * Hong Kong Baptist University（香港 Baptist 大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Institute of Automation, CAS（中国科学院自动化研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 DualMindVLM通过双模式思考机制提升视觉语言模型的推理效率和性能。
增强检索的多尺度框架用于大区域县级农作物产量预测
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） ； University of Alabama（阿拉巴马大学） ； University of Maryland（马里兰大学）
AI总结 本文提出了一种增强检索的多尺度框架，用于大区域县级农作物产量预测，通过捕捉短期和长期时间模式以及适应空间异质性来提升预测准确性。
RoboCritics: 通过专家指导的批评者实现可靠的端到端LLM机器人编程
机构 * Department of Computer Sciences University of Wisconsin--Madison（计算机科学系威斯康星大学麦迪逊分校）
AI总结 RoboCritics通过专家指导的批评者提升LLM在机器人编程中的可靠性与用户参与度。
Comments 10 pages, 5 figures, Proceedings of the 21st ACM/IEEE International Conference on Human Robot Interaction (HRI 2026)
隐形微调：通过自动生成的CoT打破RVLMs的对齐
机构 * Machine Intelligence Laboratory, Sichuan University（四川大学人工智能实验室） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Department of Automation, Tsinghua University（清华大学自动化系） ； Global Innovation Exchange, Tsinghua University（清华大学全球创新交流中心）
AI总结 本文提出隐形微调方法，通过分段干扰和自动生成输出，有效绕过RVLMs的安全对齐防御，实现更高的ASR性能同时保持推理能力。
Comments 15 pages, 7 figures
RAC：修正流自编码器
机构 * Rutgers University（罗格斯大学） ； Nanyang Technological University（南洋理工大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 RAC通过修正流改进VAE，实现多步解码和双向推断，提升生成质量并降低计算成本。
Comments 11 Figures, 4 Tables. Project Page at https://world-snapshot.github.io/RAC/
路径作为策略：基于日志提炼的门控行为树作为可验证的外部化策略，用于安全、鲁棒且高效的智能体
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Worcester Polytechnic Institute（沃斯特理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta
AI总结 通过日志提炼生成门控行为树作为外部化策略，提升智能体在安全、鲁棒性和效率方面的表现。
Comments 30 pages, 1 figurres, 23 tables
权重更新作为激活偏移：一种指导的原理性框架
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种联合适应方法，通过同时训练权重和激活空间，实现高效模型适应，其在参数使用上显著优于现有方法，且在性能上超越单独的权重和激活更新。
XR-DT：增强现实增强型数字孪生用于通过人感知模型预测路径积分控制的安全运动规划
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院） ； School of Civil and Construction Engineering, Purdue University（普渡大学土木与建设工程学院） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系）
AI总结 XR-DT通过结合增强现实与数字孪生技术，提出HA-MPPI控制模型，实现基于人类行为预测的安全高效人机交互。
Comments 8 pages, 6 figures, 3 tables
扩散语言模型训练中的规划感知路径学习
机构 * Duke University（杜克大学） ； Mila ； Université de Montréal（蒙特利尔大学） ； California Institute of Technology（加州理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Oxford（牛津大学） ； AITHYRA ； Imperial College London（伦敦帝国学院）
AI总结 本文提出PAPL，一种通过规划感知路径学习提升扩散语言模型训练与推理一致性的方法，实现跨领域性能提升。
Comments Camera ready version for ICLR2026
模式匹配的不合理有效性
机构 * Department of Psychology University of Wisconsin–Madison（心理学系 威斯康星大学麦迪逊分校） ； Paradigms of Intelligence Team Google（智能范式团队 谷歌）
AI总结 大型语言模型通过模式匹配有效理解随机替换实词的虚构文本，揭示了其在语言处理中的核心能力。
基于组成性的数据合成用于视觉推理
机构 * MIT（麻省理工学院） ； UW-Madison（威斯康星大学麦迪逊分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 COGS通过分解种子问题并重新组合生成合成数据，提升MLLMs在图表和网页等人工图像领域的推理能力。
Comments ICLR2026 camera-ready version. Project page: https://cogsynthesis.github.io
构建一个思维宫殿：为有效长视频分析构建基于环境的语义图谱
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Meta ； UIUC（伊利诺伊大学香槟分校）
AI总结 VideoMindPalace通过构建环境基础的语义图谱，提升长视频分析中空间-时间连贯性和类人推理能力。
Merlin：一种计算断层扫描视觉-语言基础模型和数据集
机构 * Stanford University（斯坦福大学） ； Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学医学与成像人工智能中心） ； Department of Electrical Engineering（电气工程系） ； University of California Berkeley（加州大学伯克利分校） ； Department of Radiology（放射科） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Hospital Israelita Albert Einstein（以色列特医院阿尔伯特·爱因斯坦医院）
AI总结 Merlin是一种基于3D视觉-语言模型的医学影像分析工具，通过多阶段预训练框架，实现了对腹部CT扫描、电子健康记录和放射科报告的综合学习，提升了医学影像分析的自动化水平。
Comments Nature (2026)
面向角色的条件推断用于时空生态系统碳通量预测
机构 * University of Pittsburgh（匹兹堡大学） ； University of Alabama（阿拉巴马大学） ； Purdue University（普渡大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； NOAA Global Monitoring Laboratory（国家海洋数据中心全球监测实验室） ； University of Maryland（马里兰大学）
AI总结 本文提出面向角色的条件推断框架RACI，通过分离慢速制度条件与快速动态驱动因素，提升对异质生态系统碳通量预测的准确性和泛化能力。
R1-Code-Interpreter: LLMs通过监督学习和多阶段强化学习进行代码推理
机构 * MIT / Harvard（麻省理工学院/哈佛大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Harvard（哈佛大学）
AI总结 R1-Code-Interpreter通过监督学习和多阶段强化学习提升LLM的代码推理能力，实现对多样化任务的高效处理，显著提升模型性能。
Comments 29 pages
通过镜头进行Doxing：揭示多模态大推理模型中的位置相关隐私泄露
机构 * University of Georgia（佐治亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； John Hopkins University（约翰·霍普金斯大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文研究了多模态大推理模型中的位置隐私泄露问题，提出DoxBench和GeoMiner框架，揭示模型在推断地理位置信息上的能力及隐私风险。
Comments Camera-ready version. Accepted as a poster at the 14th International Conference on Learning Representations (ICLR 2026). For official ICLR page, see https://iclr.cc/virtual/2026/poster/10006914
LLM-MLFFN: 通过大语言模型的多级自动驾驶行为特征融合
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； Systems Engineering Program, Cornell University（康奈尔大学系统工程项目） ； Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院）
AI总结 LLM-MLFFN通过大语言模型的多级特征融合提升自动驾驶行为分类的准确性和鲁棒性。
具有建筑物理嵌入的物理信息神经网络用于大规模波场重建
机构 * Department of Electrical and Computer Engineering, University of Wisconsin-Madison, Madison, United States（电气与计算机工程系，威斯康星大学麦迪逊分校，麦迪逊，美国）
AI总结 本文提出PE-PINN，通过在神经网络架构中嵌入物理指导，提升大规模波场重建的效率和精度，适用于电磁波重建及无线通信等领域。
Comments 20 pages, 17 figures
CHAMMI-75：利用异质显微图像预训练多通道模型
机构 * Morgridge Institute for Research（莫里格研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Institute for Molecular Medicine Finland (FIMM)（芬兰分子医学研究所） ； University of Helsinki（赫尔辛基大学） ； Boston University（波士顿大学） ； Institute of Computational Biology, Helmholtz Munich（海德堡医学院计算生物学研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Broad Institute of MIT and Harvard（MIT和哈佛大学博德研究所）
AI总结 CHAMMI-75通过预训练多通道模型，提升异质显微图像在细胞形态分析中的性能与适应性。
Comments 47 Pages, 23 Figures, 26 Tables. Published in ICLR 2026
超越RLHF和NLHF：在公理框架下的人口比例对齐
机构 * MIT LIDS（麻省理工学院LIDS） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种基于公理框架的人口比例对齐方法，通过社会选择理论解决传统偏好学习中的偏差和操纵问题，并在推荐任务和语言模型对齐中验证了其有效性。
Comments ICLR 2026
基于物理实验开发城市空中交通的基本图示
机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校土木与环境工程系） ； Department of Civil and Environmental Engineering, University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校土木与环境工程系）
AI总结 本研究通过物理实验和仿真结合，开发了城市空中交通的基本图示，验证了传统交通模型在UAM中的适用性，并提供了现实运行条件下的实用见解。
ScholarEval: 基于文献的研究思想评估
机构 * Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） ； Division of Medicinal Chemistry and Pharmacognosy, The Ohio State University（俄亥俄州立大学药物化学与药理学系） ； Department of Wildlife, Fisheries, and Conservation Biology, The University of Maine（缅因大学野生动物、渔业与保育生物学系） ； McGovern Institute for Brain Research, Massachusetts Institute of Technology（麻省理工学院麦格尼恩脑研究 institute） ； Center for Cognitive and Behavioral Brain Imaging, The Ohio State University（俄亥俄州立大学认知与行为脑成像中心） ； Department of Chemistry, University of Wisconsin-Madison（威斯康星大学麦迪逊分校化学系） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 ScholarEval通过基于文献的评估框架，有效评估研究思想的实证有效性与创新性，优于现有基线方法。
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