Harvard University（哈佛大学）

Artificial Intelligence and the Structure of Mathematics

人工智能与数学的结构

Maissam Barkeshli, Michael R. Douglas, Michael H. Freedman

机构 * Meta Superintelligence Labs, Fundamental AI Research（Meta超级智能实验室，基础人工智能研究） ； Department of Physics and Joint Quantum Institute, University of Maryland, College Park（马里兰大学帕克分校物理系与联合量子研究所） ； Center for Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心） 纠错

AI总结 本文探讨人工智能如何通过构建新的路径，补充数学逻辑，揭示数学的全球结构。提出AI在数学发现中的关键要素及标准，并反思数学的本质。

Comments 45 pages

Expressibility of neural quantum states: a Walsh-complexity perspective

神经量子态的表达性：从瓦尔什复杂性视角出发

Taige Wang

机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； Department of Physics, Harvard University（哈佛大学物理系） 纠错

AI总结 研究神经量子态的表达能力，通过瓦尔什复杂性分析其在奇偶模式上的分布，揭示浅层加法网络在特定条件下无法生成高复杂性的限制，以及深度对加法神经量子态的重要性。

Comments 5 pages, 2 figures. (v2) added acknowledgement

Supersimulators

超模拟器

Cynthia Dwork, Pranay Tankala

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文证明了每个随机布尔函数都存在超模拟器，其输出在随机输入下无法被多项式大小的区分器高效区分。通过改进正则性引理，作者提出了一种更高效的超模拟器构造方法，解决了传统模拟器的下界限制问题。

From Human-Level AI Tales to AI Leveling Human Scales

从人类水平AI故事到AI人类尺度

Peter Romero, Fernando Martínez-Plumed, Zachary R. Tidler, Matthieu Téhénan, Sipeng Chen, Álvaro David Gómez Antón, Luning Sun, Manuel Cebrian, Lexin Zhou, Yael Moros Daval, Daniel Romero-Alvarado, Félix Martí Pérez, Kevin Wei, José Hernández-Orallo

机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València（瓦伦西亚人工智能研究所，瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（勒弗休姆未来智能中心，剑桥大学） ； The Psychometrics Centre, University of Cambridge（心理测量中心，剑桥大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Center for Automation and Robotics, Spanish National Research Council（自动化与机器人中心，西班牙国家研究委员会） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge, Department of Computer Sciences and Technology（剑桥大学计算机科学与技术系） 纠错

AI总结 本文提出一种框架，通过校准项目以'世界人口'为基准，建立人类锚定的共同尺度，以更准确评估AI能力。

Comments 23 pages, 10 figures. submitted to ICML 2026

FinCriticalED: A Visual Benchmark for Financial Fact-Level OCR

FinCriticalED：一个用于金融事实级OCR的视觉基准

Yueru He, Xueqing Peng, Yupeng Cao, Yan Wang, Lingfei Qian, Haohang Li, Yi Han, Shuyao Wang, Ruoyu Xiang, Fan Zhang, Zhuohan Xie, Mingquan Lin, Prayag Tiwari, Jimin Huang, Guojun Xiong, Sophia Ananiadou

机构 * Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈尔姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Manchester（曼彻斯特大学） 纠错

AI总结 本文提出FinCriticalED基准，用于评估OCR和视觉语言模型在金融关键证据上的保真度，发现数值和货币单位是最脆弱的事实类型，揭示了词汇准确性和事实可靠性之间的差距。

Comments Xueqing Peng: Corresponding-Author

One-shot Adaptation of Humanoid Whole-body Motion with Walking Priors

单样本适应人类全身体态与行走先验

Hao Huang, Geeta Chandra Raju Bethala, Shuaihang Yuan, Congcong Wen, Mengyu Wang, Anthony Tzes, Yi Fang

机构 * Embodied AI and Robotics (AIR) Lab, NYUAD（纽约大学阿布扎比分校具身人工智能与机器人实验室） ； NYUAD Center for Artificial Intelligence and Robotics (CAIR)（纽约大学阿布扎比分校人工智能与机器人中心） ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； Harvard Ophthalmology AI Lab, Harvard University（哈佛大学眼科人工智能实验室） 纠错

AI总结 本文提出一种高效适应全身体态的方法，利用行走先验和单样本目标生成中间姿态，通过最优传输和几何插值实现碰撞自由配置，实验显示优于基线方法。

Comments 14 pages, 3 figures, 5 tables

Advancing AI Research Assistants with Expert-Involved Learning

通过专家参与学习推进AI研究助手

Tianyu Liu, Simeng Han, Hanchen Wang, Xiao Luo, Pan Lu, Biqing Zhu, Yuge Wang, Keyi Li, Jiapeng Chen, Rihao Qu, Yufeng Liu, Xinyue Cui, Aviv Yaish, Yuhang Chen, Minsheng Hao, Chuhan Li, Kexing Li, Yinsheng Lu, Xinyu Wei, Qinzhe Xing, Antonia Panescu, Mengbo Wang, Vibha Annaswamy, Alicia Sanchez, Jack Cloherty, Arman Cohan, Hua Xu, Mark Gerstein, James Zou, Hongyu Zhao

机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院-哈佛大学博德研究所） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； Genentech（基因泰克） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出ARIEL框架，通过专家验证任务评估大语言模型和多模态模型在生物医学领域的表现，发现提示工程和轻量级微调能提升文本覆盖，计算扩展策略增强视觉问答能力，构建了集成文本和视觉线索的AI助手，提出可检验的机理假设。

Comments 43 pages, 7 figures