ETH Zurich（苏黎世联邦理工学院）

DistillPath: An Efficient 22M Distilled Pathology Encoder Approaching Large Foundation Model Performance

DistillPath：一种高效的22M级蒸馏病理编码器，性能接近大型基础模型

Ramon Kaspar, Andrey Ignatov, Valentina Boeva

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出22M级蒸馏病理编码器DistillPath-KS16，通过蒸馏86M至1.1B的病理编码器得到，性能接近大型模型Virchow2，参数少29倍、速度快25倍以上，在EVA等基准上表现优异。

Comments 26 pages, 5 figures. Accepted at the ECCV 2026 Workshop on Medical Foundation Models and Benchmarks (MedFM-Bench)

GenRec: Knowing Where to Reconstruct and Where to Generate

GenRec：明确何处重建、何处生成

Ata Çelen, Jaewoo Jung, Federico Tombari, Marc Pollefeys, Sunghwan Hong, Michael Niemeyer, Daniel Barath

机构 * KAIST（韩国科学技术院） ； Google（谷歌公司） ； Microsoft（微软公司） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 GenRec 是一种多视图流匹配模型，通过架构等内置重建与生成划分，在 RealEstate10K 等数据集的单视图外推、两视图插值任务中，兼顾观测区域高重建保真度与未观测区域优感知质量。

There is No Theoretical Curse of Multilinguality For Embedding Space Structure

嵌入空间结构不存在多语言性的理论诅咒

Niyati Bafna, Neha Verma, Vilém Zouhar, Philipp Koehn, David Yarowsky

机构 * ETH Zürich（苏黎世联邦理工学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 本文通过理论证明与小规模经验研究，指出嵌入空间结构不存在多语言性的理论诅咒，多语言模型性能下降的经验诅咒源于现实数据与训练条件。

FedPref: Federated Preference Learning for Structured Radiology Report Extraction

FedPref：用于结构化放射报告抽取的联邦偏好学习

Flint Xiaofeng Fan, Cheston Tan, Yew-Soon Ong, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局） 纠错

AI总结 FedPref 是用于结构化放射报告抽取的联邦偏好学习方法，通过冻结公共语言模型、本地排序与共享模型更新训练适配器，在不均数据场景下提升抽取性能且无需共享敏感数据。

Comments Accepted at ELAMI 2026, held in conjunction with MICCAI 2026. To appear in the Springer proceedings