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
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。
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/
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。
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
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。
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。
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。
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
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
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。
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
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。
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。
用于多模态自回归视觉建模的下密集步长预测
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； GE HealthCare（通用电气医疗）
AI总结 研究提出DenseAR范式，将自回归图像生成重构成下密集步长预测，解决现有模型局限。基于此扩展为统一模型处理多模态和成像任务，在医学和自然图像验证，在多对比脑MRI及ImageNet上取得良好效果。
OpenLongTail：长尾驾驶数据的生成式扩展
机构 * Texas A&M University（德克萨斯农工大学） ； NVIDIA（英伟达） ； UW–Madison（威斯康星大学麦迪逊分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Yale University（耶鲁大学） ； Adobe（奥多比公司） ； Meta ； University of Delaware（特拉华大学） ； Stanford University（斯坦福大学）
AI总结 研究针对长尾驾驶数据稀缺影响策略扩展的问题，提出开源生成数据引擎OpenLongTail，通过姿态外推视图合成管道及普吕克射线几何增强，合成异构数据提升闭环驾驶稳健性，验证了其多方面有效性。
Comments Project page: https://openlongtail.github.io/
高概率求解随机不动点方程
机构 * Department of Computer Sciences University of Wisconsin-Madison（计算机科学系明尼苏达大学）
AI总结 研究赋范空间上随机不动点方程，提出VR - GHAL方差减少渐进哈尔彭方法，通过特定随机估计器求解，给出随时高概率残差界及不同条件下预言机复杂度，提升求解效率。
GitLake：面向智能数据湖的数据版Git
机构 * Columbia University（哥伦比亚大学） ； 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） ； Bauplan Labs（Bauplan实验室）
AI总结 研究面向智能体的数据湖的Git设计，核心方法是将单表快照提升为全湖操作，贡献是实现智能体与人类协作，管道原子性输出，还分享了生产经验和正确性见解。
Comments Pre-print of the paper accepted at DASHSys, VLDB 2026, Boston, USA
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