高校专区
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。
关于Muon的收敛性分析
机构 * University of Virginia（弗吉尼亚大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Meta ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文分析了Muon优化器的收敛性，对比了其与梯度下降法的性能，揭示了Muon在低秩Hessian结构下的优势。
将评判器编码：通过程序蒸馏实现可扩展评估
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 研究针对基于语言模型的评判器成本高、延迟大等问题，提出用程序蒸馏方法，将其决策逻辑提炼成程序委员会。引入PAJAMA系统，实验显示程序评判器性能可匹配大语言模型，还能提高准确率和吞吐量，产生廉价有效奖励信号。
CSV-Decode: 可证的子词汇解码以实现高效的大型语言模型推理
机构 * Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； College of Engineering, Columbia University（哥伦比亚大学工程学院） ； 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 CSV-Decode通过构建子词汇表实现高效的大语言模型推理，提供精确的top-k认证和ε-认证的softmax近似，显著提升速度并保持分布保证。
机器人学习中的进度奖励建模：全面综述
机构 * Northwestern University（西北大学） ； 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） ； University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 该综述针对机器人学习中进度奖励建模缺乏共享框架的问题，分三步组织领域研究，包括研究进度模型接口、构建信号方法及支持数据基准，将模型相关要点联系起来，还总结了局限并探讨未来方向。
Comments Project page: https://github.com/sterzhang/Awesome-Progress-Models
大语言模型时代的科学探索、合作与分工
机构 * Information School, University of Wisconsin–Madison（威斯康星大学麦迪逊分校信息学院）
AI总结 研究大语言模型时代科学家科研变化，通过关联数据和分析论文贡献声明发现，2022年后科学家跨学科探索增加，合作网络更具跨学科性，分工更分化，有强AI写作信号者变化更明显，表明此时代科学探索、合作与分工正广泛重组。
Comments Main text: 21 pages, 4 figures. Supplementary materials: 25 pages, 13 figures, 4 tables
PILD：通过扩散进行物理引导学习
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Zhejiang University, Hangzhou, Zhejiang, China（浙江大学） ； Tongji University, Shanghai, China（同济大学） ； University of Wisconsin-Madison, Madison, WI, USA（威斯康星大学麦迪逊分校）
AI总结 PILD通过引入虚拟残差观测和条件嵌入模块，结合物理约束与扩散模型，提升工程和科学任务中生成模型的准确性、稳定性和泛化能力。
Comments 34 pages, 13 figures, 14 tables
少看，快思考：多模态大语言模型的联合令牌-计算适配
机构 * Purdue University（普渡大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； NVIDIA（英伟达）
AI总结 针对多模态大语言模型推理成本高的问题，提出SmartVL框架，通过视觉侧令牌控制器和LLM侧计算控制器联合控制视觉令牌数量和模型计算能力，实验证明该框架优于先前方法，实现更好的精度-效率平衡。
Comments Accepted at ECCV 2026
具有安全保障的自重构机器人船分布式运动规划
机构 * KU Leuven（鲁汶大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学） ； SMART（新加坡制造技术研究院） ； SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室） ； Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究水生自重构机器人多智能体形状形成与重构问题，提出将分布式MPC与CBF相结合的混合框架，利用ADMM求解MPC方案，通过局部优化和信息交换计算轨迹，并应用基于CBF的滤波器保障安全，经仿真和实验验证了框架的有效性与可扩展性。
Comments Submitted to IEEE
PIER：用于时间序列建模的物理信息环境检索
机构 * University of Pittsburgh（匹兹堡大学） ； University of Alabama（阿拉巴马大学） ； University of Minnesota（明尼苏达大学） ； Aarhus University（奥胡斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Maryland（马里兰大学）
AI总结 针对环境系统建模难题，提出PIER框架，通过物理感知流与权重调整机制增强基于嵌入的检索，在对美国中西部湖泊的实验中，该方法在水温及溶解氧预测上表现出色，优于基线且适用于不同主干模型。
机器可自动发现参数函数以对高能物理数据建模
机构 * University of Pennsylvania, USA（宾夕法尼亚大学） ； European Organization for Nuclear Research (CERN), Switzerland（欧洲核子研究中心） ； University of Cambridge, UK（剑桥大学） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； University of California San Diego, USA（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Institute for Artificial Intelligence（人工智能研究所）
AI总结 研究高能物理数据分析中为分箱数据找合适函数建模的问题，核心方法是用符号回归实现自动化，主要贡献是展示SymbolFit软件包，在双喷注谱演示中取得良好效果，如生成众多拟合函数，部分运行重新发现已用函数。
Comments 6 pages. to be presented at ICHEP 2026
通过相对效率比较模型无关特征选择方法
机构 * 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 研究在模型无关设置下的特征选择和重要性估计问题，基于相对效率开发通用比较框架，对比广义协方差测度（GCM）和留一协变量法（LOCO）估计等方法，通过理论分析、模拟及实际数据示例得出GCM相关方法在合适条件下更优的结论。
DASH机器人：通过接触隐式控制实现简约设计与最优的空陆运动
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Shanghai Innovation Institute (SII)（上海创新研究院）
AI总结 研究设计新型空陆机器人DASH，通过整合管道风扇同轴体与弹性腿，并采用接触隐式模型预测控制器，实现空中和地面的最优运动，经多种任务验证了其设计与控制的有效性。
Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026
交互式训练2：实时模型训练的可审计控制平面
机构 * University of Waterloo（滑铁卢大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 研究针对实时模型训练更改需特定代码的问题，提出交互式训练2这一开源控制平面，通过共享协议指导训练，经五个工作流程演示，其代码和跟踪为可审计训练提供了可重用基础。
一个学生，多个教师：通过软提示特权上下文进行多任务在线策略蒸馏
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） ； Nanyang Technological University（南洋理工大学）
AI总结 研究提出一种多任务在线策略蒸馏方法，教师与学生仅通过可学习软提示区分，在骨干冻结时训练特定任务教师。单任务变体训练参数少且效果好，多任务变体保持通用能力基准同时实现最佳总体平均水平。
Comments 10 pages, 5 figures
关于深度线性编码器-only变压器中出现的多样动力学行为
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） ； University of Warsaw（华沙大学） ； Rice University（莱斯大学） ； University of Oxford（牛津大学）
AI总结 研究深度线性编码器-only变压器推理时行为，通过相互作用粒子系统视角，在二维嵌入维度揭示其动力学可表述为广义Kuramoto型模型，还发现多种长期行为及相关特性，高维数值实验表明这些行为在更高维度持续存在。
长度值模型：用于令牌级长度建模的可扩展值预训练
机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； 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） ； LMSYS Org（LMSYS组织） ； Apple Inc.（苹果公司）
AI总结 本文提出Length Value Model，通过令牌级建模实现高效的长度预测，提升生成长度的准确性和效率，实验显示其在多个任务中优于现有模型。
符号增强弥补神经事实核查器中规范等价盲点
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 研究大语言模型总结科学文本时数字和单位幻觉问题，提出将错误检测重定义为类型验证，引入分类法和基准。用符号增强训练框架，提升规范等价鲁棒性，提高准确率，还明确了符号特征及银标签在特定情况下的作用，确定训练时增强是关键集成点。
Comments 18 pages, 3 figures, 6 tables
CaloTrilogy：迈向现代量热器一步式端到端物理引导簇射生成的突破
机构 * School of Physics and Astronomy, University of Edinburgh（爱丁堡大学物理与天文学学院） ； Department of Physics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校物理系） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； State Key Laboratory of Dark Matter Physics, Tsung-Dao Lee Institute & School of Physics and Astronomy, Shanghai Jiao Tong University（上海交通大学暗物质物理国家重点实验室、李政道研究所及物理与天文学学院） ； Key Laboratory for Particle Astrophysics and Cosmology (MOE) & Shanghai Key Laboratory for Particle Physics and Cosmology, Shanghai Jiao Tong University（教育部粒子天体物理与宇宙学重点实验室及上海粒子物理与宇宙学重点实验室，上海交通大学）
AI总结 提出一种结合平均速度场积分器、学习生成先验和物理引导损失项的框架，实现一步或少量评估步骤的高质量簇射生成，性能与最先进的流和扩散模型相当。
MinShap：一种用于特征选择的改进Shapley值方法
机构 * Department of Statistics, University of Wisconsin - Madison（威斯康星大学麦迪逊分校统计系）
AI总结 本文提出MinShap方法，通过改进Shapley值框架，结合最小边际贡献进行特征选择，优于现有算法在准确性和稳定性上。
通过在线学习预处理器实现瞬态偏微分方程求解器的一次性加速
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Seoul National University（首尔国立大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究针对瞬态偏微分方程数值模拟，提出用强盗算法利用线性求解器反馈在线学习预处理器配置的PCGBandit方法，直接在OpenFOAM上实现，可一次性加速模拟，在流体和MHD问题上验证了有效性。
Comments code available at https://github.com/mkhodak/PCGBandit
Journal ref Computer Physics Communications 327 (2026) 110304
通过双层优化同时校准噪声协方差和运动学参数以实现四足机器人和双足机器人的状态估计
机构 * Legged AI Lab（足式人工智能实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Shanghai Innovation Institute (SII)（上海创新研究院）
AI总结 本文提出一种双层优化框架，通过联合校准协方差矩阵和运动学参数提升机器人状态估计的准确性与不确定性校准。
模型可以建模，但无法绑定：文本到优化中的结构化 grounding
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； United States Military Academy（美国军事学院）
AI总结 本文研究了文本到优化任务中建模与绑定两个关键能力的分离性，发现随着实例数据增长，模型准确性下降，提出BIND方法通过结构化文件外部化数据来提升绑定性能，验证了绑定专精模型在不同优化类别中的优势。
Comments Accepted to COLM 2026. Code and data: https://github.com/SprocketLab/Text2Opt-Bench
用于脂质纳米颗粒转染效率预测的机器学习基准框架
机构 * Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； University of Cambridge（剑桥大学） ； School of Pharmacy, University of Wisconsin-Madison（威斯康星大学麦迪逊分校药学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； East Tennessee State University（东田纳西州立大学）
AI总结 研究针对脂质纳米颗粒转染效率预测，提出机器学习基准框架，系统测试不同分子表示与机器学习架构，用特定数据集评估模型，显示利用显式分子子结构编码的模型准确性最高，为相关预测模型发展建立基线。
Comments Published in Communications AI & Computing (Nature Portfolio), 2026
Journal ref Commun. AI Comput. 1, 2 (2026)
TRACE：通过信用估计进行长期奖励分配的回合级奖励分配
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院）
AI总结 研究针对多轮智能体训练后的信用分配难题，提出TRACE方法，通过特定状态转换、对数概率获取及转换等步骤进行奖励分配。该方法无需额外训练，在长期复杂搜索任务中显著提升基础模型工具使用能力，在基准测试中表现良好且学习曲线更佳。
Comments 26 pages
基于工具增强证据的多智能体协作推理用于城市区域剖析
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Washington（华盛顿大学） ； Chang’an University（长安大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
AI总结 研究针对城市区域剖析问题，提出UrbanAgent框架，通过多智能体协作推理解决跨模态不一致，将指标预测扩展为闭环过程，经实验验证其性能优于现有基线，在未见城市设置中有强泛化性。
Comments Accepted by KDD 2026
EMAGN：基于学习聚类的高效多注意力图网络用于可扩展交通流量预测
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Cornell University（康奈尔大学） ； Technische Universität Dresden（德累斯顿工业大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对交通流量预测中自注意力机制扩展性有限的问题，提出EMAGN，通过学习聚类矩阵将空间注意力机制线性化，降低复杂度，实验表明其在准确性和效率上优于其他模型，扩展了可行模型配置。
NeMo：视频语言理解中的蒙太奇之针
机构 * The Chinese University of Hong Kong（香港中文大学） ； Phoenix TV（凤凰电视台） ； Stanford University（斯坦福大学） ； University of Liverpool（利物浦大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 为评估视频大语言模型时间理解能力，提出蒙太奇之针（NeMo）任务，开发自动数据生成管道并构建NeMoBench基准，能生成高质量数据，评估了20个模型，展现其能力与局限。
从成功流中追溯智能体失败
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院）
AI总结 研究基于大语言模型的智能体系统失败归因问题，提出OAT方法将其转化为单类学习，用神经控制微分方程建模成功轨迹动态模式，实验表明该方法比基线快且F1分数更高，是诊断智能体系统失败的有效方向。
高维高斯均值估计在可实现污染下的研究
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣迭戈分校）
AI总结 研究在可实现ε污染模型下高斯分布均值估计问题，提出信息-计算差距，显示算法需更多样本或指数时间，同时给出近似匹配下界的方法。
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