高校专区
理解语言模型为何产生幻觉：针对先验知识的推理测试
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出推理错位假说，认为幻觉源于模型偏向统计显著的潜在关联而非遵循提示约束，并通过TrapQA测试集验证了两种偏差模式。
Comments Project page: https://neohughus.github.io/Understanding_Why_Language_Models_Hallucinate/
面向随机优化的更弱方差假设
机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of Vienna（维也纳大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文重新审视随机梯度算法分析中的经典方差假设，允许随机次梯度平方范数随优化变量平方范数增长，并建立与Halpern迭代的联系，为凸非光滑随机优化提供无界可行集下的最优性度量收敛率。
跨空间蒸馏：用现代扩散教师训练一步学生模型
机构 * Qualcomm AI Research（高通AI研究院） ； 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） ； Rutgers University（罗格斯大学）
AI总结 提出跨空间蒸馏框架，通过轻量级潜在接口Bridge解决教师与学生模型潜在空间不匹配问题，实现异构教师蒸馏到紧凑学生模型，显著提升性能。
Comments ECCV 2026
通过局部分支路由实现高效且可训练的语言模型测试时扩展
机构 * Northwestern University（西北大学） ； Rutgers University（罗格斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； LMSYS Org（LMSYS组织） ； Tilde Research（Tilde研究） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of California, San Diego（加州大学圣迭戈分校）
AI总结 提出局部分支路由（LBR）框架，通过轻量级路由器选择局部前瞻树中的深度-1子路径，实现令牌级测试时扩展，在数学推理基准上优于链式思维和软令牌分支基线。
隐蔽的多任务对抗攻击
机构 * Cleveland State University（克利夫兰州立大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Western Digital Research（西部数据研究院）
AI总结 提出SMTA²框架，通过约束多目标优化和自动损失权重调整，实现对多任务模型中特定任务的隐蔽攻击，同时保持非目标任务性能不变。
MESA：优先保护脆弱通信通道以保障多智能体系统安全
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对多智能体系统通信通道攻击面不均匀的问题，提出Mesa框架，结合图论指标和动态探测方法，无需攻击痕迹即可优先排序关键边缘，实验表明排名与攻击成功率强相关，可有效指导防御资源分配。
DiLaServe: 扩散语言模型的高SLO达成服务
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对扩散语言模型服务中吞吐与延迟SLO的权衡，提出DiLaServe系统，通过置信度阈值调整、质量感知优化和近似KV缓存建模，实现SLO达成率提升56.6个百分点，延迟降低46%。
ExploreVLA: 为端到端自动驾驶的密集世界建模与探索
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出基于世界建模的统一理解与生成框架，通过密集监督和内在奖励提升自动驾驶策略探索能力，在NAVSIM和nuScenes基准上取得优异性能。
Comments Accepted to ECCV 2026. The code is available at https://zihaosheng.github.io/ExploreVLA/
DiscoGen：机器学习算法发现任务的程序生成
机构 * University of Oxford（牛津大学） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University College London（伦敦大学学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Delft University of Technology（代尔夫特理工大学）
AI总结 DiscoGen通过程序生成技术创建大量机器学习算法发现任务，用于优化算法发现代理，提供固定子集用于评估，并推动新的研究方向。
Comments Accepted to ICML 2026
关于CoCoA与ADMM在分布式经验风险最小化中的关系
机构 * Department of Industrial & Systems Engineering, University of Wisconsin–Madison（工业与系统工程系，威斯康星大学麦迪逊分校）
AI总结 本文从统一原始-对偶视角揭示CoCoA与ADMM两类分布式ERM算法的内在联系，证明岭正则化下CoCoA等价于特定近端ADMM方案，并给出ADMM型方法的统一收敛分析和早停准则。
Comments 21 pages, 4 figures, 1 table
Journal ref Published in Transactions on Machine Learning Research (06/2026)
BEACON: 一种受贝叶斯优化启发的高效新颖性搜索策略
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 BEACON通过多输出高斯过程建模输入与输出关系，利用后验采样和高维高斯过程模型，在有限预算下发现更广泛的行为集，适用于高成本黑盒问题。
通过潜在分数生成模型实现非线性动力系统中随机和非局部闭合建模
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种基于潜在分数生成模型的框架，用于学习非线性动力系统中的随机和非局部闭合模型，通过联合训练卷积自编码器和条件扩散模型，减少采样维度并保持物理特性，提升计算效率。
Journal ref Journal of Computational Physics 563 (2026) 115082
QuantV2X：一种用于协同感知的全量化多智能体系统
机构 * UCLA（加州大学洛杉矶分校） ； UW-Madison（威斯康星大学麦迪逊分校） ； NCSU（北卡罗来纳州立大学） ； Purdue University（普渡大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 提出首个全量化多智能体系统QuantV2X，通过端到端量化策略同时降低计算负载和传输带宽，在低比特约束下达到与全精度相当的精度，并显著降低延迟、提升mAP30。
Comments ECCV 2026
高效且稳定的多维Kolmogorov-Smirnov距离
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Utah（犹他大学）
AI总结 提出一种基于正交支配矩形区域的多维KS距离，证明其收敛性并给出误差界，在4维及以下可高效计算，并用于两样本假设检验。
Comments 25 pages, 7 figures, 1 table, 3 algorithms
被忽视的免费午餐：后训练中的进展优势用于LLM智能体
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Argonne National Laboratory（阿贡国家实验室）
AI总结 提出进展优势概念，利用强化学习后训练中的隐式优势函数作为无标注、领域无关的步骤级评分，在测试时扩展、不确定性量化和失败归因中超越专用奖励模型。
GeoRanker：面向全球图像地理定位的距离感知排序
机构 * Department of Data Science, City University of Hong Kong（城市大学数据科学系） ； 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 Geography, University of Wisconsin-Madison（威斯康星大学麦迪逊分校地理系）
AI总结 提出GeoRanker框架，利用大视觉语言模型联合编码查询-候选交互并预测地理邻近性，引入多阶距离损失以建模结构化空间关系，在IM2GPS3K和YFCC4K基准上达到最优。
Comments NeurIPS 2025
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
EgoSAT: 一个全面的自我中心流式交互理解基准
机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出EgoSAT基准，统一自我中心视频的回顾、在线和前瞻推理任务，评估视觉语言模型在流式设置中的表现，发现现有模型存在前瞻/回顾困难及置信度校准问题。
Comments Accepted to ECCV 2026. Project page: https://leiyj23.github.io/EgoSAT/
ParallelBench: 理解扩散大语言模型中并行解码的权衡
机构 * FuriosaAI ； UW-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； UC Berkeley（加州大学伯克利分校） ； Seoul National University（首尔国立大学） ； KRAFTON ； Ludo Robotics Project（Ludo机器人项目）
AI总结 针对扩散LLM并行解码导致生成质量下降的问题，通过信息论分析和合成实验揭示其根本限制，并提出首个专门基准ParallelBench，系统评估发现并行解码在现实任务中质量损失严重，且现有策略无法根据任务难度调整并行度。
Comments Accepted at ICLR 2026. Project Page: https://parallelbench.github.io
误指定情境赌博机的统计推断
机构 * Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计系） ； School of Data Science and Society, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校数据科学与社会学院）
AI总结 针对情境赌博机数据，在结果模型误指定下，提出逆概率加权Z估计框架，通过缩放逆倾向收敛条件实现一致估计和有效推断。
Comments arXiv admin note: substantial text overlap with arXiv:2509.06287
缓慢变化序列的动态估计
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对缓慢变化序列，提出通用框架将隐式迹估计推广到多种线性和非线性函数，并开发自适应预算算法，获得更优的路径长度变分界。
Comments Preprint. 14 pages, 4 figures
NullFlow: 一步生成式重建
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 提出NullFlow框架，通过将生成流限制在测量一致子空间实现一步图像重建，无需数据保真校正，学习平均速度避免逐步积分，在图像修复中达到SOTA性能且仅需一次网络评估。
Comments 9 pages, 3 figures. Xiao Shi and Edward P. Chandler contributed equally
基于下一个词预测的测试时训练
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出TTT-NTP方法，利用预训练语言模型自身的下一个隐藏状态作为自监督信号进行测试时训练，无需重新设计骨干网络，在多个长上下文基准上显著提升性能。
Comments 17 pages, 2 figures, 7 tables. Preprint
一种基于颗粒堵塞的可调刚度仿生鱼机器人
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出一种通过颗粒堵塞快速调节刚度的仿生鱼机器人，实验表明刚度调节对游泳速度和能耗有显著影响，低频时软体最优，高频时硬体更优。
Comments ICRA2026 accepted, best paper finalist
可编程磁控软体机器人：可控运动与定向液体货物释放
机构 * Bio-integrated Robotics Lab at Mechanical Engineering（机械工程系生物集成机器人实验室） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
AI总结 提出一种优化磁化分布策略，实现磁控软体机器人的定向液体释放，同时保持形状变形和运动能力，为胃肠道靶向药物递送奠定基础。
Comments This manuscript has been accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
TACO：使用LLMs的任务感知列描述生成
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Purdue University（普渡大学） ； Adobe
AI总结 提出TACO框架，通过三步流水线（缩写扩展、描述生成、描述修订）利用LLMs自动生成准确且信息丰富的列描述，在下游任务中性能提升高达32%。
Comments 15 pages, 11 figures, 9 tables
当Web代理完成但依然失败：并行Web探索的可复现触发与轨迹诊断
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
AI总结 研究并行Web探索中代理完成但隐含失败的问题，提出Parallel WebBench基准，通过GRPO训练和轨迹分析揭示三种持续失败模式，并指出合成数据GRPO缩小了完成-正确性差距。
$Ω$: 基于算子的混合集成生成同化
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对高维非线性系统中非高斯后验分布难以刻画的问题，提出Ω框架，融合条件高斯代理、无监督分数学习和生成采样，无需真实后验样本即可高效重构后验分布。
超越尖峰恒等模型的组合稀疏PCA
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； UW Madison（威斯康星大学麦迪逊分校）
AI总结 针对稀疏PCA问题，提出首个在一般协方差矩阵下可证明成功的组合方法，基于截断幂方法的变体，使用s^2·polylog(d)样本和d^2·poly(s,log(d))时间，并推广到稀疏主导特征空间恢复。
Comments 36 pages, 6 figures; accepted to ICML 2026
高效且可靠的AI智能体概率验证
机构 * Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出基于分布鲁棒优化的框架，为AI智能体在复杂数字环境中的概率策略违规提供可靠上界，无需独立性假设，在终端和工具调用智能体基准上优于现有方法。
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