One Model, Two Markets: Bid-Aware Generative Recommendation
一个模型，两个市场：基于竞价的生成推荐
机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究）
AI总结 本文提出GEM-Rec框架，整合商业相关性和 monetization 目标，通过控制令牌和竞价感知解码机制实现动态优化，确保高价值物品生成。
高校专区
Harvard University（哈佛大学）
Mixture of Mini Experts: Overcoming the Linear Layer Bottleneck in Multiple Instance Learning
混合小专家：克服多实例学习中的线性层瓶颈
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Emory University（埃默里大学） ； MD Anderson Cancer Center（MD安德森癌症中心）
AI总结 本文提出MAMMOTH模块，通过低秩变换提升多实例学习中任务特定特征提取，实验显示其在130种配置中提升性能，平均提升3.8%。
Comments Published in ICLR 2026 (37 pages, 16 figures)
CataractSAM-2: A Domain-Adapted Model for Anterior Segment Surgery Segmentation and Scalable Ground-Truth Annotation
白内障手术分割与可扩展地面真实标注的领域适应模型CataractSAM-2
机构 * Thomas Jefferson High School for Science and Technology（托马斯·杰弗逊高中科学与技术学校） ； Mass Eye and Ear, Harvard Medical School（麻省眼耳研究所，哈佛医学院） ； Harvard Ophthalmology AI Lab, Schepens Eye Research Institute of Mass Eye and Ear, Harvard Medical School（哈佛眼科学人工智能实验室，麻省眼耳研究所的谢普恩斯眼研究学院，哈佛医学院）
AI总结 本文提出CataractSAM-2，一种针对白内障眼科手术视频的实时语义分割模型，结合稀疏提示与视频掩码传播框架，提升标注效率并推动高质量地面真实标注的可扩展生成。
Modality Matching Matters: Calibrating Language Distances for Cross-Lingual Transfer in URIEL+
模态匹配至关重要：在URIEL+中校准语言距离以实现跨语言迁移
机构 * University of Toronto, Canada（多伦多大学） ； University of Michigan, USA（密歇根大学） ； Harvard University, USA（哈佛大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； LT3, IDLab, Universiteit Gent, Belgium（IDLab，根特大学） ； Ontario Tech University, Canada（安大略技术大学）
AI总结 本文提出一种类型匹配的语言距离框架，通过结构感知的表示方法提升跨语言迁移性能，特别是在任务相关距离类型下表现更优。
Comments Accepted to EACL 2026 SRW
Journal ref In Proceedings of EACL 2026 (Volume 4: Student Research Workshop), pages 110 to 130. ACL
Persona Vectors in Games: Measuring and Steering Strategies via Activation Vectors
游戏中的角色向量：通过激活向量测量和引导策略
机构 * Harvard University（哈佛大学）
AI总结 本文通过对比激活添加方法，在博弈论场景中构建了代表利他、宽恕和他人期望的角色向量，发现激活引导能系统性地改变策略选择和自然语言解释，但同时也观察到言辞与策略可能产生分歧。
Comments 8 pages, 6 figures
Boundary-Aware Instance Segmentation in Microscopy Imaging
显微成像中的边界感知实例分割
机构 * The School of Electrical and Computer Engineering, Ben-Gurion University of the Negev（巴以大学电气与计算机工程学院） ； Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系）
AI总结 本文提出一种无需提示的边界感知实例分割框架，通过预测符号距离函数实现平滑且几何一致的细胞轮廓建模，采用改进的豪斯多夫距离损失提升边界准确性和实例分离性能。
Comments Accepted for publication in IEEE International Symposium on Biomedical Imaging (ISBI) 2026
Curveball Steering: The Right Direction To Steer Isn't Always Linear
曲球操控：引导的正确方向并不总是线性
机构 * Harvard Berkman Klein Center（哈佛伯克曼克莱因中心） ； Harvard University（哈佛大学） ； University of Utah（犹他大学） ； University of Oxford（牛津大学）
AI总结 本文提出曲球操控方法，通过多项式核PCA在特征空间中进行干预，更尊重学习到的激活几何，优于线性PCA方法，尤其在几何扭曲强的场景中表现更佳。
FideDiff: Efficient Diffusion Model for High-Fidelity Image Motion Deblurring
FideDiff：高效的高保真图像运动去模糊扩散模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Harvard University（哈佛大学）
AI总结 本文提出FideDiff，一种高效的单步扩散模型，用于高保真图像运动去模糊。通过将运动去模糊转化为扩散过程，结合Kernel ControlNet和自适应时间步预测，提升了去模糊性能。
Comments Accepted to ICLR 2026. Code is available at https://github.com/xyLiu339/FideDiff
Compression is all you need: Modeling Mathematics
压缩才是关键：数学建模
机构 * Center of Mathematical Sciences and Applications（数学科学与应用中心） ； Harvard University（哈佛大学） ； Department of Physics and Astronomy（物理与天文学系） ； University of California（加州大学） ； Riverside, CA 92521, USA（河滨分校，CA 92521，美国）
AI总结 本文探讨了人类数学通过层次化定义压缩的特点，通过单调群模型展示数学表达的扩展性，并通过MathLib测试验证了人类数学在形式数学中的多项式增长特性。
Comments 28 pages, 5 figures, 1 appendix
Characterizing the ability of LLMs to recapitulate Americans' distributional responses to public opinion polling questions across political issues
刻画LLMs在不同政治议题上再现美国人对公共意见调查问题分布性反应的能力
机构 * Harvard College（哈佛大学学院） ； Berkman-Klein Center, Harvard University（伯克曼-克莱因中心，哈佛大学） ； Harvard Kennedy School（哈佛肯尼迪学院）
AI总结 本文提出一种框架，通过直接提示LLM预测多项选择政治问题的响应分布，相比传统方法更准确且成本更低，且在不同人口统计学和问题上表现更系统可预测。
