高校专区
PAIR：用于RLVR中自适应rollout分配的成对感知包含重加权方法
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中自适应rollout分配的统计不匹配问题，提出PAIR方法，通过成对对比图校正梯度估计，在Qwen3模型上提升准确率同时减少token使用量。
通过投机解码加速时间序列基础模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 通过投机解码技术提升时间序列预测模型的推理效率，无需修改现有架构即可加速部署系统。
TimePre: 联合精度、效率与稳定性在概率时间序列预测中的应用
机构 * Tohoku University（东京大学） ； WPI ； Texas A&M University（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； UIUC（伊利诺伊大学香槟分校） ； Georgia Tech（佐治亚理工学院） ； MIT（麻省理工学院） ； University of Southern California（南加州大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 TimePre结合MLP模型的高效性与MCL方法的分布灵活性，通过SIN层解决精度、效率与稳定性之间的平衡问题，实现在概率时间序列预测中的高精度与高速度。
Comments 25 pages, 6 figures, 16 tables
当安全失败之前：在推理链中基准测试有害行为检测
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）
AI总结 本文提出HarmThoughts基准，用于评估推理链中逐步的安全性。通过分析56931个句子，识别有害行为传播模式，发现现有检测器在细粒度行为检测上存在不足，揭示了过程级安全监控的关键缺口。
Comments Accepted at COLM 2026 (Main Track)
OLIVE: 面向高效自适应外骨骼的在线低秩增量学习
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Rice University（里奇大学）
AI总结 提出OLIVE框架，通过低秩残差分解和奖励驱动策略梯度实现外骨骼控制的在线个性化自适应，在多种地形上提升步态平滑度、降低努力并增强稳定性。
Comments Accepted to UbiComp / ISWC 2026
ROM：通过流式检测和干预实时抑制过度思考
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）
AI总结 ROM通过流式检测和干预框架减少大推理模型的过度思考，提升准确率并缩短响应长度，在多个数据集上均取得显著效果。
Comments Code is available at https://github.com/SaFo-Lab/ROM
Attn-QAT：4位注意力与量化感知训练
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 Attn-QAT通过稳定4位量化感知训练实现高效的注意力计算，提升模型推理速度并保持性能。
破碎的组合性：变换器在算术中的反直觉学习动态
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； 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 Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计学系）
AI总结 本研究发现变换器在学习算术任务时表现出反直觉的组合性，其学习动态受训练数据相关性影响而非因果或程序性组合。
Comments 37 pages, 29 figures
循环向量空间
机构 * Department of Biostatistics and Medical Informatics University of Wisconsin Madison（威斯康星大学麦迪逊分校生物统计学与医学信息学系） ； Statistics Program King Abdullah University of Science and Technology（国王 Abdullah 科学与技术大学统计学项目）
AI总结 提出一种变分框架，将循环交互表示为单纯复形上的边流，通过能量最小化动力学分离瞬态与持久谐波流，得到低维循环空间，实现循环结构的投影、平均、比较和统计推断。
缩小生成-验证差距的弱验证器
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Together AI
AI总结 Weaver通过结合多个弱验证器，有效缩小生成-验证差距，提升验证性能至接近理想验证器水平。
Comments Annual Conference on Neural Information Processing Systems (NeurIPS) 2025
ASAT：结合人类反馈的自适应评分与阈值方法用于鲁棒分布外检测
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 ASAT是结合人类反馈的人机协作框架，可实时更新评分函数与阈值，在静态条件下控制FPR并最大化TPR，非静态条件下适应分布漂移，在OpenOOD基准上性能优于现有方法。
Comments Published in TMLR (2026) with J2C Certification
Journal ref Transactions on Machine Learning Research (TMLR), 2026
重新思考基础智能体的内存机制：第二阶段综述
机构 * UIC（伊利诺伊大学香槟分校） ； IIT（伊利诺伊理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UW–Madison（威斯康星大学麦迪逊分校） ； ASU（亚利桑那州立大学） ； Emory（埃默里大学） ； Northwestern（西北大学） ； NTU（国立台湾大学） ； UCF（佛罗里达大学） ； Rutgers（新泽西罗格斯大学） ； Cambridge（剑桥大学） ； Harvard（哈佛大学） ； UTokyo（东京大学） ； UCSD（加州大学圣地亚哥分校） ； UCSC（加州大学圣塔克鲁斯分校） ； TAMU（德克萨斯大学奥斯汀分校） ； UCSB（加州大学圣塔芭芭拉分校） ； MBZUAI（马克斯·普朗克人工智能研究所） ； McGill（麦吉尔大学） ； UCLA（加州大学洛杉矶分校） ； Stanford（斯坦福大学） ； Salesforce ； Google（谷歌） ； Meta ； Roblox ； Cisco（思科） ； Capital One
AI总结 本文综述了基础智能体内存机制，从内存基质、认知机制和主体维度分析内存在不同拓扑结构下的实现，并探讨内存操作的学习策略与评估指标。
Comments Accepted at Transactions on Machine Learning Research (TMLR) with Survey Certification. Project page: https://github.com/AgentMemoryWorld/Awesome-Agent-Memory
连接预测与归因：利用同化因果推理识别正向与反向因果影响范围
机构 * Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系）
AI总结 本文利用同化因果推理，构建正向与反向因果影响范围的数学公式，提出客观鲁棒的度量与高效近似算法，为探测复杂动力学系统提供新方法，在地球系统等领域具应用价值。
Comments 66 pages (Main Text pp. 3--36; Appendix pp. 36--57), 11 figures (1 Graphical Abstract, 8 in Main Text, 2 in Appendix). Submitted for peer-review to Physica D: Nonlinear Phenomena. The MATLAB code used in the analyses and to generate the figures in this work can be found in https://github.com/marandmath/FBCIR_code . For further details visit https://mariosandreou.short.gy/FBCIR
多头注意力残差
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 该研究提出多头注意力残差（MHAR），通过多子空间头优化注意力残差，在多参数规模下降低Transformer验证损失，提升训练吞吐量，中途训练8B模型在GSM8K和GPQA上获显著增益。
检索增强可解释学习：迈向医疗保健领域特定任务的零样本模型
机构 * 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） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； GenBio AI（基因生物人工智能公司） ； Intel（英特尔公司）
AI总结 研究针对医疗保健领域特定任务零样本模型问题推出检索增强可解释学习（RAIL）框架，通过检索相关任务并传递结构生成新预测器，概率公式提供不确定性支持可靠性感知部署，在临床程序预测任务中性能可靠，还提升模型透明度。
Comments A preliminary, non-archival version of this work, titled RAG-IM, was presented at NeurIPS 2024 workshops and the ML4H 2024 Findings track. The work was subsequently renamed Retrieval-Augmented Interpretable Learning (RAIL)
专家选择路由使扩散语言模型实现自适应计算
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Scitix ； Cornell University（康奈尔大学） ； Duke University（杜克大学） ； UC Davis（加州大学戴维斯分校） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出专家选择路由方法，通过确定性负载平衡提升扩散语言模型的吞吐量和收敛速度，并展示如何通过时间步依赖的专家容量优化计算分配，从而在匹配FLOPs下提升性能。
Comments Accepted at COLM 2026
DiffPhysCam：面向逆渲染与具身智能的可微分基于物理的相机仿真
机构 * Simulation-Based Engineering Lab, University of Wisconsin-Madison（模拟基于工程实验室，威斯康星大学麦迪逊分校）
AI总结 本文提出DiffPhysCam，一款可微分基于物理的相机模拟器，解决现有虚拟相机局限，支持正向与逆渲染，经实验验证可提升机器人感知性能，还用于自主地面车辆导航的虚拟实验。
Comments 37 pages, 24 figures, and 5 tables. Code of DiffPhysCam-CamCaliExp: https://github.com/DanielYamChen/DiffPhysCam-CamCaliExp Code of DiffPhysCam-NovelViewSynthesis: https://github.com/DanielYamChen/DiffPhysCam-NovelViewSynthesis Data of DiffPhysCam_Data: https://huggingface.co/datasets/DanielYamChen/DiffPhysCam_Data Simulation video: https://youtu.be/gQwSMrdmHJI
具有自适应验证器的多模态强化学习
机构 * Microsoft Research（微软研究院） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； ETH Zurich（苏黎世联邦理工学院） ； UW–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Argos验证器，通过结合SFT数据筛选与RL训练，提升多模态推理模型在空间推理、视觉幻觉及机器人任务中的性能，同时减少奖励黑客问题。
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。
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。
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
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。
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。
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)
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。
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