标签
本文立场论文反驳了自然语言可以完全取代形式语言（如编程语言）的观点，提出了一个基于信息论的特定性框架，并证明了一个交叉定理，表明形式语言在高特定性任务中更具优势。
本文主张从被动的AI飞轮维护（出现错误时修补）转向主动的测试驱动方法，将反馈映射到任务条件的测试空间，并从数学上证明主动方法能以更少的迭代实现更好的长期扩展。
这篇立场论文主张理论级别的自动形式化，即将包括公理、定义和引理在内的整个理论形式化为一致的库，而不是孤立的陈述。它讨论了这种转变的重要性、不同观点、开放挑战，并为形式化研究中的这一转变提出了前进方向。
本立场论文认为，机器学习中的真实标准数据集并非客观真理，而是由选择塑造的人为构建，并主张阐明这些选择以提高可靠性、透明度和问责性。
这篇立场论文回顾了LLM驱动的形式化数学的现状，指出了将这些系统应用于开放性研究数学的关键局限性，并提出了一条战略性路线图，用于开发能够推进数学前沿的AI智能体。
本文立场是，强化学习研究者需区分求解模拟器和将模拟器作为真实部署的代理使用，并指出若不加以区分会引发的问题。
本立场文件认为，术语“机器遗忘”在大型语言模型研究中被过度使用，主张采用更严格的术语，将其与数据集定义的删除和重训练等价性保证挂钩。
亚利桑那州立大学的Subbarao Kambhampati教授及研究人员在一篇立场论文中提出，LLM中的思维链推理制造了一种推理假象，业界需要超越昂贵的token生成，转向替代推理机制。
这篇ICML 2026 spotlight立场论文识别了图像生成对齐中的一个失败模式：美学偏好优化会覆盖用户的明确意图，将其称为'逆向对齐'，并在反美学提示上进行了测试。
这篇立场论文认为，当前的人工智能范式不足以应对全球系统性风险，并提出以地球为中心的AI（PCAI）作为一种新的设计理念，将地球的互联系统视为首要关注对象。
这篇观点文章认为，整合与人类海马体记忆类似的显式记忆，对于推动LLMs迈向AGI至关重要。它借鉴神经科学，提出高阶认知功能需要超越隐式统计学习的显式记忆。
这篇立场论文认为，当前评估人工智能资源使用的方法不足，并倡导采用生命周期评估（LCA）来正确核算整个机器学习流程（从硬件制造到训练和推理）中的能源和环境成本。
这篇立场论文主张，大型语言模型应从个性化而非聚合的人类偏好中学习，指出社会选择理论中的理论局限性以及人口多样性带来的实际问题。它提出了有边界的个性化框架，在尊重个体自主性的同时维护普遍的安全约束。
这篇立场论文认为，对AI的科学理解必须超越事后分析，转而研究塑造模型行为的训练动态，这对于预测、干预和设计训练过程以获取期望特性（如能力和安全性）具有重要意义。
本立场论文认为，贝叶斯神经网络中基于采样的推理已在计算效率上与基于优化的方法持平，并即将取代后者，提供更优的不确定性量化和预测性能。
这篇立场论文主张开发‘数据探针’——来自随机过程的合成序列——以系统性地研究数据特征如何影响LLM性能，旨在超越经验启发式方法。
这篇观点论文认为，当前大型语言模型的不确定性量化方法本质上属于无监督聚类，测量的是内部一致性而非外部正确性，因此无法检测出自信的幻觉。作者主张进行范式转变，将不确定性建立在客观真理之上。
这篇立场论文认为，机器学习研究应优先考虑思想而非基准和理论保证，提出了一种“Ideas First”框架，该框架重视行为特征和定制实验，以促进公平性和科学理解。
本文立场是，将元认知作为设计原则可以构建更准确、更安全、更高效的人工智能系统，并通过联邦学习案例研究及一个实验软件框架展示了这一概念。