高校专区
PiKV: 一种用于混合专家架构的键值缓存管理系统
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出PiKV，一种专为混合专家架构设计的并行分布式键值缓存服务框架，通过专家分片缓存、PiKV路由和PiKV调度来减少缓存访问开销，并通过压缩模块降低内存使用。
Comments Github Link: https://github.com/NoakLiu/PiKV
SciCustom: 一个用于大型语言模型科学能力定制评估的框架
机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, PKU-Anker LLM Lab, Peking University（多媒体信息处理国家重点实验室，计算机学院，PKU-Anker LLM实验室，北京大学） ； Zhongguancun Academy（中关村学院） ； IDEA ； Xidian University（西安电子科技大学） ； Peking University（北京大学） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文提出SciCustom框架，通过从大规模科学数据中自定义构建基准，评估LLM在特定科学任务中的能力，无需专家标注或合成问题生成，展示了细粒度科学能力差异。
Comments Accepted to ACL 2026 Main Conference
BrainDyn: 一种用于生成脑动态的sheaf神经ODE
机构 * Yale University（耶鲁大学） ； Boise State University（博伊西州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出BrainDyn，一种基于sheaf神经ODE的模型，用于生成脑动态，通过LSTM编码脑区活动历史，利用sheaf拉普拉斯算子促进信息传递，实现跨模态的强预测能力。
DECOR：通过信息操纵理论审计大语言模型的欺骗行为
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） ； Amazon（亚马逊）
AI总结 本文提出DECOR框架，基于信息操纵理论，通过细粒度审计实现对大语言模型欺骗行为的有效检测，展示了其在单轮和多轮欺骗检测中的优越性能。
Delta Attention Residuals
机构 * Independent Researcher（独立研究者） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Delta Attention Residuals，通过在残差连接中引入对每个子层引入的变化（delta）进行注意力机制，解决了传统注意力残差中因累积隐藏状态冗余导致的路由崩溃问题，从而提升模型跨层选择信息的能力。
MementoGUI: 学习代理多模态记忆控制以实现长周期GUI代理
机构 * University of Rochester（罗切斯特大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出MementoGUI，一种学习代理多模态记忆控制框架，用于提升长周期GUI代理的任务状态维持能力，通过模块化记忆控制和可扩展的数据管道提高记忆检索和决策效率。
Comments Preprint, 15 pages, 4 figures, 5 tables
连续扩散在语言领域中能与离散扩散竞争性地扩展
机构 * NVIDIA & Cornell（NVIDIA与康奈尔大学） ； NVIDIA & Georgia Tech（NVIDIA与佐治亚理工学院） ； UW-Madison（威斯康星大学麦迪逊分校） ； MBZUAI-IFM（梅兰德大学-IFM） ； Cornell（康奈尔大学）
AI总结 本文研究了连续扩散模型在语言建模中的扩展能力，通过改进Plaid模型构建RePlaid，证明连续扩散模型在计算效率和性能上可与离散模型竞争，并提供了理论支持。
PRIME: 为四足机器人和人形机器人提供物理一致的机器人惯性与运动估计
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 该研究提出PRIME方法，通过结合可微接触动力学和光滑互补约束，实现从 onboard 传感器数据中获得物理一致的运动轨迹和惯性参数估计，从而提升机器人运动估计的准确性。
Comments Robotics: Science and Systems 2026
通过元步骤解码实现验证器引导的代码翻译
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google（谷歌）
AI总结 本研究提出了一种元步骤解码框架DTV，通过在生成过程中整合验证器调用，提高了代码翻译的通过率，同时减少了token的使用。
Comments 31 pages, 8 figures
从不完整时空数据中学习高阶结构：具有神经细化的多尺度超图拉普拉斯算子
机构 * Texas A&M University（德克萨斯大学A&M分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种多尺度超图拉普拉斯（MSHL）框架，通过两阶段方法从不完整时空观测中学习高阶结构。该方法通过发现阶段构建多尺度超图，并在细化阶段引入条件残差网络，以处理高阶关系中的残差特征，从而在交通网络中实现了更准确的缺失数据填补。
EgoIntrospect: 一个用于用户中心内部状态推理的注视数据集和基准
机构 * Tsinghua University（清华大学） ； Tongji University（同济大学） ； Renmin University of China（中国人民大学） ； The University of Tokyo（东京大学） ； Lenovo Group（联想集团） ； Peking University（北京大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Shanghai Qi Zhi Institute（上海启智研究院）
AI总结 本文提出EgoIntrospect数据集，用于研究用户中心内部状态推理，通过自注释揭示用户与AI助手的交互意图，评估多模态大语言模型在从注视观察中推理用户内部状态的能力。
精确调试基准：你的模型是在调试还是重生成？
机构 * University of Southern California（南加州大学） ； Microsoft（微软） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Toronto（多伦多大学）
AI总结 本文提出PDB基准，评估LLM调试能力，发现前沿模型调试精度低，即使受指令引导也难以达到高精度。
机器学习赋能的颗粒复合材料分析：应用于固态电池正极
机构 * Department of Materials Science and Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校材料科学与工程系） ； Walker Department of Mechanical Engineering, University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系）
AI总结 本文提出一种基于机器学习的框架，将多模态X射线图像转化为拓扑感知图，用于分析颗粒复合材料的微观结构与性能关系，以固态电池正极为例验证了三相交点和离子/电子传导通道的重要性。
基于基本SDP松弛的稀疏PCA随机算法
机构 * Department of Industrial and Systems Engineering & Wisconsin Institute for Discovery, University of Wisconsin-Madison（工业与系统工程系及威斯康星大学麦迪逊分校威斯康星发现研究所）
AI总结 本文提出基于基本SDP松弛的稀疏PCA随机近似算法，通过构造确定性和随机性解并输出最优解，实现高概率下的稀疏性常数近似比，并在特定条件下保证近似比受对数约束。
Comments 29 pages, 2 figures
GRASP：基于命题的图代理搜索用于多跳问答
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 GRASP通过分解多跳查询为依赖感知计划，实现多跳问答中的高准确率与低token使用。在MuSiQue、2WikiMultihopQA和HotpotQA上，GRASP在开放语料检索和长文本推理设置中均表现优异，且token使用更少。
突破性复杂度：神经偏微分方程求解器的新视角
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出突破性复杂度评估框架，考虑神经求解器的前期成本与传统求解器的低保真度成本，分析不同PDE求解器在复杂问题中的有效性。
几何一致性定量视频世界模型评估
机构 * Tsinghua University - IEI Lab（清华大学-IEI实验室） ； UW-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究院）
AI总结 本文提出PDI-Bench框架，通过分割与点跟踪获取物体中心观测，利用单目重建获取3D坐标，计算投影几何残差以评估生成视频的几何一致性，揭示视频生成器的特定失败模式。
Comments 12 pages, 5 figures. Project page : https://pdi-bench.github.io/
从计划到像素：学习计划与协调以实现开放性图像编辑
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究）
AI总结 本文提出一种长期视图图像编辑框架，通过规划器生成结构化原子分解和协调器选择工具和区域执行每一步，结合视觉语言判断者提供基于结果的奖励，提升编辑的连贯性和可靠性。
Chrono-Gymnasium：一个开源、兼容Gymnasium的分布式模拟框架
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 Chrono-Gymnasium通过分布式计算框架提升高保真多体动力学模拟的效率，支持机器人导航和行星着陆器优化，减少计算时间而不牺牲物理准确性。
通过自适应任务采样实现分布鲁棒多任务强化学习
机构 * Computer Sciences Department（计算机科学系） ； University of Wisconsin – Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出DRATS算法，通过自适应优先采样未被解决的任务，提升多任务强化学习的数据效率和最差任务性能。
scShapeBench: 从高维scRNAseq数据中发现几何结构
机构 * Yale University（耶鲁大学） ； Mila / Université de Montréal（Mila / 蒙特利尔大学） ； Garvan Institute of Medical Research（Garvan医学研究机构） ； School of Biomedical Sciences, University of New South Wales（新南威尔士大学生物医学科学学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 scShapeBench通过合成和专家标注的单细胞数据集，提供高维数据形状检测的基准，结合扩散几何提取Reeb图，改进拓扑-aware评估指标，优于PAGA和Mapper。
Transformer 如何学习关联令牌：梯度主导项带来机制性可解释性
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Technology Sydney（悉尼技术大学）
AI总结 研究通过梯度主导项分析了注意力语言模型中语义关联的形成机制，揭示了权重的闭式表达及其对文本统计的反映。
Comments ICLR 2026
参数规模与模型架构的交汇：迈向推理高效的大型语言模型
机构 * UW-Madison（威斯康星大学麦迪逊分校） ； Amazon Web Services（亚马逊网络服务）
AI总结 本文研究了模型架构因素如何影响推理成本与准确性，提出条件缩放定律并验证了其有效性，结果表明优化架构在相同训练预算下提升了准确率和推理吞吐量。
Comments 32 pages, 27 figures
Journal ref ICLR 2026
PG-LRF：基于生理的潜在修正流用于电-血流PPG到ECG生成
机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Nell Hodgson Woodruff School of Nursing, Emory University（埃默里大学Nell Hodgson Woodruff护理学院） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计系）
AI总结 本文提出PG-LRF框架，通过结合电-血流模拟器和生理感知自编码器，生成符合生理学的ECG信号，提升PPG到ECG的生成质量及心血管疾病分类性能。
EVOCHAMBER：在个体、团队和种群层面进行多智能体系统的测试时间共进化
机构 * Oregon State University（俄勒冈州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Johnson & Johnson（强生公司） ； Pennsylvania State University（宾夕法尼亚州立大学） ； AG2AI, Inc.（AG2AI公司）
AI总结 EVOCHAMBER通过在多智能体系统中实现测试时间共进化，解决了传统方法在跨智能体学习和专业化保留上的不足，通过协作梦境协议和群体生命周期操作，在不同任务流上实现了显著的性能提升。
神经网络在ArchEHR-QA 2026中的应用：一种方法适用于所有：面向电子健康记录的临床问答的统一提示优化
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Chicago（芝加哥大学） ； Independent Researcher（独立研究员）
AI总结 本文提出Neural1.5方法，通过分阶段的提示优化提升电子健康记录中的临床问答性能，实现多任务统一优化，展现系统性提示优化的有效性。
Comments Accepted to CL4Health @ LREC 2026
TRACE：通过令牌路由自我对策略对齐来聚焦关键位置
机构 * State Key Laboratory of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； AMAP, Alibaba Group（阿里集团AMAP） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Tsinghua University（清华大学）
AI总结 TRACE通过令牌路由自我对齐方法，在关键位置进行知识蒸馏，减少冗余梯度影响，提升长周期数学任务表现，优于GRPO并保持外部基准性能。
Comments work in progress
大型语言模型解析jabberwockified语言的惊人能力
机构 * Department of Psychology, University of Wisconsin-Madison（威斯康星大学麦迪逊分校心理学系）
AI总结 本研究展示大型语言模型能从严重退化的英文文本中恢复意义，通过替换内容词为无意义字符串的文本，模型能生成接近原文的常规英文，揭示了语法结构对词汇意义的强约束作用。
Comments Submitted to the 2026 Annual Meeting of the Cognitive Science Society
CodeClinic：评估临床推理代理的编码技能自动化
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 CodeClinic通过MIMIC-IV构建基准，评估LLM代理是否能合成和组合可重用的临床技能，而非依赖固定工具库，包含纵向ICU监控和组合信息检索任务，提升多步推理效率。
并非所有思考都需要HBM：面向LLM推理的语义感知内存层次结构
机构 * University of Southern California（南加州大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种语义感知内存层次结构，通过累积注意力评分将token分为四个层级，减少HBM占用并提升推理准确性，实验表明仅3%的淘汰率可保持91%的GSM8K准确率。
Comments Preprint. 14 pages + appendix. Under review at AdaptFM Workshop @ ICML 2026
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