IJCAI 2026
PulseAugur coverage of IJCAI 2026 — every cluster mentioning IJCAI 2026 across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
人工智能和衍射光学技术实现单次曝光高光谱成像
来自AIRI、萨马拉国立大学和莫斯科物理技术学院的研究人员开发了一种新方法，可以将标准RGB相机转变为高光谱成像仪。这是通过用编码光谱信息的衍射光学元件替换相机镜头来实现的。随后使用神经网络处理捕获的图像，可以在单次曝光中重建完整的高光谱数据，克服了传统高光谱相机速度慢且昂贵的局限性。
-
2B参数S²-VLA模型在机器人操作中超越更大模型
华东师范大学和上海交通大学的研究人员开发了S²-VLA，一个2B参数模型，在长时序机器人操作任务中表现优于更大的7B和8.5B模型。通过结合信念状态和自适应动态门控，S²-VLA能够动态调整其注意力机制，以关注任务不同阶段的相关信息，例如精确的视觉对齐或高级意图切换。这种方法减轻了长时序任务中常见的累积误差传播，在LIBERO-Long基准测试中成功率达到96.4%，同时显著降低了VRAM需求并提高了吞吐量。
-
Li 和 Wu 推出 TrAct 以统一机器人控制和视觉预测
研究人员（包括 Fei-Fei Li 和 Jiajun Wu）推出 TrAct，这是一种弥合机器人控制与视觉预测之间差距的新方法。TrAct 利用“视觉轨迹”作为中间语言，将机器人特定的“动作方言”翻译成世界模型可理解的通用“图像语言”。该系统包含三个组件：VLAT 用于生成动作-轨迹对，TWM 基于这些轨迹进行视觉预测渲染，VLAC 根据任务目标对预测进行评分。通过在机器人和人类第一人称视频的混合数据上进行训练，TrAct 旨在提高…
-
AI模型因数据和可解释性差距，在现实世界部署面临挑战
AI模型正变得越来越强大，但其在城市交通控制等现实世界应用中的部署仍然充满挑战。慕尼黑工业大学（TUM）的Ziyue Li指出了两个关键原因：学术研究通常依赖于干净、精心策划的数据，而公共部门则处理混乱、不完整且不可预测的现实世界数据。此外，模型可解释性在学术界常常被视为事后考虑，但对于公共部门的采用来说，这是一个关键要求，是部署的“生死线”。
-
哈佛教授探讨AI代理社会和组织机制
哈佛大学教授David C. Parkes在IJCAI 2026 John McCarthy奖的领奖演说中，讨论了人工智能协作的未来。他认为，关键挑战不在于创造一个单一的、全能的通用人工智能，而在于设计组织机制，使众多具有不同目标和利益的AI代理能够有效协同工作。Parkes借鉴市场组织人类协作的方式，探讨了如何在多代理AI环境中创建确保效率、公平和激励兼容性的规则和系统。他的研究旨在解决这些作为独立实体而非仅仅是人类代理的AI代理，…
-
AIRI 为自动驾驶汽车传感器仿真开发 XSIM
AIRI 的研究人员开发了 XSIM，这是一种用于仿真自动驾驶汽车所用传感器的新型技术。这种新方法重新审视了传统的对象表示管线，以生成对训练和测试自动驾驶算法至关重要的多样化合成数据。XSIM 最近在 IJCAI 2026 上进行了展示。
-
机器人 VLA 模型通过使用行动上下文进行计算，速度提升 1.79 倍
研究人员开发了一个名为 AC²-VLA 的新框架，以显著加速机器人中使用的视觉语言行动 (VLA) 模型。与以往专注于优化视觉处理的方法不同，AC²-VLA 利用机器人的行动上下文动态调整计算。这种方法能够智能地修剪视觉标记，跳过不必要的 Transformer 层，并在适当的时候重用之前的计算，从而在不牺牲准确性的情况下将推理速度提高了 1.79 倍。该框架在 SIMPLER 基准测试上进行了评估，其性能优于现有模型，并展示了在边缘…
-
AI 的下一个前沿：超越 Scaling Laws 的数据高效学习
BIMSA 的研究员王亚庆认为，AI 的 Scaling Law 范式正因数据稀缺和高昂的计算成本而触及极限。她提出“数据高效的智能体学习”（Data-Efficient Agentic Learning, DEAL）作为下一个前沿，并将其与人类智能通过遗传、文化和经验利用先验知识进行类比。她的工作综合了少样本学习、元学习到上下文学习的进展，并提出大型模型通过其架构和海量训练数据隐式地执行元学习。
-
具身AI在WRC 2026上将重心从机器人本体转向数据采集
世界机器人大会（WRC）2026 凸显了具身智能行业的转变，即从机器人本体开发转向用于AI训练的数据采集。浙江宇树等公司展示了机器人在各种场景下执行复杂任务的能力，涵盖工业制造、零售和家庭环境，强调机器人不仅要进入真实世界，还要能在其中可靠地停留和执行任务。IJCAI 2026 上展示的研究解决了具身AI的关键挑战，例如提高大型视觉语言模型的泛化能力以及克服机器人操作中的视觉盲点，旨在弥合模拟性能与实际应用之间的差距。
-
苏黎世联邦理工学院将LLM推向1比特量化以用于小型设备
苏黎世联邦理工学院的研究人员开发了创新技术，以大幅减小大型语言模型（LLM）的尺寸，从而部署在资源受限的设备上。他们的工作在IJCAI 2026上发表，专注于极端量化，将模型推向1比特和2比特表示，而无需进行广泛的重新训练。这种方法解决了LLM参数的快速增长与硬件内存容量增长缓慢（目前大约大20倍）之间的显著差距。
-
清华大学团队将主导IJCAI 2026关于OOD泛化的教程
清华大学王鑫教授领导的团队在即将举行的IJCAI 2026会议上获得了两个教程名额，主题分别为“超越图分布偏移”和“OOD泛化生成式AI”。此次双重入选凸显了分布外（OOD）泛化在生成式AI中的日益重要性，超越了传统的分布内（IID）拟合。教程将涵盖图大语言模型、动态适应、图网络中的因果关系以及多模态和基于扩散的模型在训练后策略以增强现实世界场景中的鲁棒性等高级主题。
-
中国AI公司将大模型集成到复杂系统中，专注于智能体能力 · IJCAI 2026
中国AI制造商正将重心从开发独立的大语言模型转向将其集成到复杂系统中，这一趋势在IJCAI 2026的讨论中得到凸显。阿里巴巴和字节跳动等公司正在开发专门的“技能”和方法，使AI智能体能够通过交互和强化学习获得经验，超越了单纯的模型规模。百度和腾讯正将大模型嵌入到搜索和地图等现有基础设施中，而华为则专注于系统基础设施，以创建AI开发的闭环。这种演变标志着AI系统正朝着能够在真实或数字环境中进行规划、行动和学习的方向发展，并以新的能力解…
-
NTT DoCoMo AI 研究被 IJCAI 2026 会议录用
NTT DoCoMo 的 AI 研究已被 IJCAI 2026 国际会议录用并将在会上发表。这标志着该公司在人工智能领域取得的重大进展。
-
中国AI公司聚焦逻辑与推理，亮相IJCAI 2026
在德国不来梅举行的第35届国际人工智能联合会议（IJCAI 2026）将聚焦“系统2”思维，强调逻辑和推理而非单纯的规模。尽管中国计算机学会将其分类降级，但包括主要科技公司在内的中国机构深度参与其中，展示了知识表示、规划和优化等领域的研究。蚂蚁集团、美团、京东、腾讯、百度、阿里巴巴和华为等公司正在展示多智能体系统、神经符号AI和可解释性方面的成果，旨在解决实际业务挑战并建立技术主权。
-
机器人学习人类动作：连接视频数据与机器人控制的四种方法 · 跟踪 1 个来源
清华大学、香港科技大学和微软亚洲研究院的联合论文提出了一种统一的框架，使机器人能够从人类视频中学习人类动作。该研究确定了四种主要方法：潜在动作、显式二维轨迹、显式三维轨迹和世界模型，所有这些都旨在构建人类动作与机器人控制信号之间的“表示桥梁”。虽然世界模型被视为泛化的有希望的方向，但目前的实际演示通常依赖于结合了强化学习的视觉-语言-动作（VLA）模型，这凸显了在为具身人工智能寻找最佳“配方”方面仍然存在挑战。
-
LLM身份框架揭晓：打击盗窃，确保可追溯性
一篇最新的IJCAI 2026综述论文引入了大型语言模型（LLMs）的“隐式身份”概念，以应对恶意蒸馏和数据盗窃等风险。该论文由西安交通大学、中国科学院信息工程研究所和迪肯大学的研究人员撰写，提出了一个统一的框架，将身份技术分为指纹识别（非侵入性、固有特征）和水印（侵入性、嵌入式信号）。该框架涵盖了从数据集到模型和生成内容的大模型整个生命周期，为构建可信赖的AI生态系统提供了全面指导。
-
清华大学团队将主导IJCAI 2026上关于OOD泛化的教程
清华大学王鑫教授领导的团队在即将举行的IJCAI 2026会议上获得了两个教程名额，这一难得的成就凸显了他们在生成式AI领域的重大贡献。他们的工作侧重于分布外（OOD）泛化，解决了在面对与训练集不同的现实世界数据时，使AI模型具有鲁棒性的关键挑战。教程将涵盖“超越图分布偏移”和“OOD泛化生成式AI”等高级主题，标志着该领域正从独立同分布（IID）拟合转向应对OOD挑战。
-
XInsight Lab 通过自监督学习在微手势识别领域达到 SOTA
XInsight Lab 的研究人员开发了一种新颖的微手势识别集成框架，在 IJCAI 2026 的第四届 MiGA 挑战赛中取得了新的最先进成果。他们的方法将一个在大型无标签视频数据集上预训练的自监督 RGB 模型与现有的监督模型相结合。这种自监督组件显著提高了性能，达到了 74.419% 的 top-1 准确率，比之前的基准提高了 1.2 个百分点以上。
-
关于GNN图重连的综述论文被IJCAI 2026录用
一篇关于图神经网络（GNNs）图重连技术的综述论文已被IJCAI 2026录用。该论文解决了GNNs中存在的过压和过平滑问题，这些问题阻碍了信息流动和性能。它提出将图重连作为一种通过修改拓扑结构来改进GNNs的方法，并就此类干预措施的必要性和改进归因展开讨论。