高校专区
各向异性脑部T2加权MRI的解剖学一致跨对比度超分辨率
机构 * Columbia University（哥伦比亚大学） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心） ； Herbert Irving Comprehensive Cancer Center（赫伯特·欧文综合癌症中心） ； University of Cincinnati（辛辛那提大学）
AI总结 该研究提出VIPP-SR框架，利用跨对比度引导实现各向异性脑部T2w MRI的超分辨率，经实验验证可提升下游分割性能，且具备跨队列泛化能力。
机构 * Columbia University（哥伦比亚大学） ； Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）
Comments 25 pages, 6 figures, 11 tables. Code: https://github.com/ianKa1/MoE_pruning/tree/main
多模态大语言模型的演进安全态势：新兴威胁与防护措施综述
机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； NVIDIA（英伟达公司） ； Penn State University（宾夕法尼亚州立大学） ； Columbia University（哥伦比亚大学） ； University of Missouri-Kansas City（密苏里大学堪萨斯分校） ； Florida State University（佛罗里达州立大学） ； Auburn University（奥本大学）
AI总结 本综述针对多模态大语言模型（MLLMs）的新型安全威胁，提出多模态安全威胁分类法，梳理安全策略进展，探讨未来安全机制的研究方向。
Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI
物理人工智能治理：跨越生命周期从理论到实践
机构 * Case Western Reserve University（凯斯西储大学） ； Shanghai Jiao Tong University（上海交通大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of California, Riverside（加州大学河滨分校） ； Nanyang Technological University（南洋理工大学） ； New York University（纽约大学） ； Salesforce（Salesforce公司） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文对物理人工智能治理进行全面综述，综合现有原则形成统一框架，提出五阶段生命周期，通过具体实践展示各阶段治理操作，为构建安全可信且符合社会价值的物理人工智能系统提供参考。
理解从预训练到训练后阶段的推理
机构 * New York University（纽约大学） ； Modal Labs（模态实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学）
AI总结 研究强化学习在大语言模型从预训练到训练后阶段对推理的作用，以国际象棋为测试平台，按标准流程训练模型，发现预训练损失可预测RL后性能，RL奖励曲线斜率与预训练令牌有关，还揭示RL对SFT策略的影响，且在数学领域也有相同模式。
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
从太空看SDG 6：利用卫星图像和自监督学习对非洲管道水和污水系统接入进行局部尺度监测
机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Department of Earth and Environmental Engineering, Columbia University（哥伦比亚大学地球与环境工程系） ； Center for Learning the Earth with Artificial Intelligence and Physics (LEAP)（人工智能与物理学习地球中心（LEAP）） ； Division of Natural and Applied Sciences, Duke Kunshan University（杜克-昆山大学自然科学与应用科学系）
AI总结 本研究利用Sentinel-2图像、Afrobarometer调查数据、30米人口数据和DINO自监督视觉Transformer特征，开发了一个可扩展的遥感框架，以约2.56公里分辨率估计管道水和污水系统接入情况，最佳模型AUROC分别达到91.54%和93.24%，与WHO/UNICEF JMP统计数据高度一致，并在尼日利亚案例中揭示了细粒度环境不平等。
Comments Under Review
从链到DAG：探测语言模型推理中的图结构
机构 * Columbia University（哥伦比亚大学）
AI总结 研究探讨语言模型内部推理是否以有向无环图形式存在，通过设计探针验证DAG结构在各层的出现，并发现中间层具有最强的结构恢复能力。
通过归一化流减少晶格QCD可观测量的方差
机构 * Center for Theoretical Physics, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； The NSF AI Institute for Artificial Intelligence ； Fermi National Accelerator Laboratory, Batavia, IL 60510, U.S.A. ； Higgs Centre for Theoretical Physics, School of Physics ； Astronomy, University of Edinburgh, EH9 3FD Edinburgh, United Kingdom ； Albert Einstein Center, Institute for Theoretical Physics, University of Bern, 3012 Bern, Switzerland ； Physics Department, Columbia University, New York, NY 10027, USA
AI总结 本文通过归一化流方法有效降低晶格QCD中胶球相关函数和强子结构相关胶子矩阵元的方差，同时减少计算成本。
Comments 15 pages, 4 figures, 2 tables. v2: update to match published version
重新审视数据污染在代码智能中的影响
机构 * Shandong University（山东大学） ； Institute of Software, Chinese Academy of sciences（中国科学院软件研究所） ； City University of Hong Kong（香港城市大学） ； Columbia University（哥伦比亚大学） ； Peking University（北京大学）
AI总结 本文重新审视了数据污染对代码智能模型的影响，发现不同模型在不同污染场景下的表现差异显著，挑战了污染必然导致性能高估的传统观点。
语义交易：用于预测市场聚类和关系发现的代理AI
机构 * Columbia University（哥伦比亚大学） ； IBM Research（IBM研究院）
AI总结 本文提出一种代理AI方法，通过自然语言处理将预测市场划分为主题组并发现市场间的关系，利用历史数据验证其预测准确性及交易策略收益。
Routesplain：面向软件相关任务的可信赖且可干预的路由方法
机构 * Columbia University（哥伦比亚大学） ； Oracle AI
AI总结 Routesplain是首个面向软件相关任务的LLM路由工具，通过提取可解释概念路由，在8项软件任务上的16种LLM中，其性能优于单个模型且不逊于黑盒基线，可提升响应质量并降低成本。
Comments Accepted to COLM 2026
TempoBench：评估大语言模型中的时间因果推理
机构 * Columbia University（哥伦比亚大学） ； Columbia University, Barnard College（哥伦比亚大学、巴纳德学院）
AI总结 提出TempoBench基准，通过合成Mealy机生成可验证的因果标签，评估LLM在时间因果推理中的表现，发现模型在最小因果归因任务上准确率低于25%，主要错误是过度指定。
重新思考MDLM的推理：早期退出、事后推理及其他
机构 * Columbia University（哥伦比亚大学） ； Department of Computer Science, New York University（纽约大学计算机科学系） ； Microsoft Research（微软研究院） ； Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 本文提出“推理即填充”技术，基于掩码扩散语言模型（MDLMs）实现早期退出、事后推理等能力，在GSM8k数据集上微调LLaDA-8B-Base提升准确率14.9%，证明MDLM训练目标对推理有显著优势。
Comments COLM 2026 Camera Ready
FoMoH：针对结构化电子健康记录的具有临床意义的基础模型评估
机构 * Department of Biomedical Informatics Columbia University（生物医学信息学系 哥伦比亚大学）
AI总结 本研究构建含14项临床预测任务的基准，评估6种EHR基础模型，发现其在标注数据有限时区分性能更优、群体公平性更好，但低患病率场景表现差、跨机构可迁移性不足。
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