Harvard University（哈佛大学）

CLSGen: A Dual-Head Fine-Tuning Framework for Joint Probabilistic Classification and Verbalized Explanation

CLSGen：一种用于联合概率分类和 verbalized 解释的双头微调框架

WonJin Yoon, Kangyu Zhu, Ian Bulovic, Autumn Sehy, Yanjun Gao, Dmitriy Dligach, Majid Afshar, Timothy A. Miller

机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； University of Colorado Anschutz Medical Campus（科罗拉多大学安施图茨医学院） ； Loyola University Chicago（芝加哥洛约拉大学） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 CLSGen 提出了一种双头微调框架，通过新的架构和方法实现概率估计与解释生成的平衡，实验表明其在分类和解释质量上优于现有基线。

Hidden Failures in Robustness: Why Supervised Uncertainty Quantification Needs Better Evaluation

鲁棒性中的隐藏故障：为什么监督不确定性量化需要更好的评估

Joe Stacey, Hadas Orgad, Kentaro Inui, Benjamin Heinzerling, Nafise Sadat Moosavi

机构 * University of Sheffield（谢菲尔德大学） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Tohoku University（东北大学） ； RIKEN（理化学研究所） 纠错

AI总结 本文研究了监督不确定性探针的鲁棒性，发现现有方法在长文本生成中表现不佳，探针输入比架构更影响鲁棒性，提出混合回退策略提升鲁棒性。

Intersectional Sycophancy: How Perceived User Demographics Shape False Validation in Large Language Models

交叉性趋炎附势：感知的用户人口统计如何影响大语言模型中的虚假验证

Benjamin Maltbie, Shivam Raval

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 研究探讨用户人口统计如何影响大语言模型的虚假验证行为，发现GPT-5-nano在哲学领域比数学领域更趋炎附势，而拉丁裔人群接受度最高，而自信的拉丁裔女性得分最低。

ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation

ComSim：通过组合模拟构建可扩展的现实世界机器人数据生成

Yiran Qin, Jiahua Ma, Li Kang, Wenzhan Li, Yihang Jiao, Xin Wen, Xiufeng Song, Heng Zhou, Jiwen Yu, Zhenfei Yin, Xihui Liu, Philip Torr, Yilun Du, Ruimao Zhang

机构 * CUHK-Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） ； USTC（中国科学技术大学） ； The University of Hong Kong（香港大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出Compositional Simulation方法，结合经典模拟与神经模拟生成准确的动作-视频对，通过闭环数据增强管道生成大规模高质量训练数据，减少仿真到现实的域差距，提升现实环境中的政策模型性能。

Comments 14 pages, 8 figures, 4 tables; supplementary material included; Project page: https://faceong.github.io/ComSim/

Evaluating the Impact of Medical Image Reconstruction on Downstream AI Fairness and Performance

评估医学图像重建对下游AI公平性和性能的影响

Matteo Wohlrapp, Niklas Bubeck, Daniel Rueckert, William Lotter

机构 * Department of Data Science, Dana-Farber Cancer Institute（丹娜-法伯癌症研究所数据科学系） ； AI in Medicine, Technical University of Munich（慕尼黑工业大学医学人工智能） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 研究通过结合重建与诊断AI模型，评估不同重建方法对下游任务性能和公平性的影响，发现传统指标无法准确反映任务表现，且重建可能放大性别偏见，但整体偏移量较小。

Comments Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026

Principles Do Not Apply Themselves: A Hermeneutic Perspective on AI Alignment

原则不自行应用：一种诠释学视角下的人工智能对齐

Behrooz Razeghi

机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） 纠错

AI总结 本文从诠释学角度探讨AI对齐问题，指出原则应用需依赖情境判断，强调对齐过程中的解释性成分，并指出部署响应分布与语料库分布差异可能导致审计失效。

IceCache: Memory-efficient KV-cache Management for Long-Sequence LLMs

IceCache: 用于长序列LLM的内存高效KV缓存管理

Yuzhen Mao, Qitong Wang, Martin Ester, Ke Li

机构 * Simon Fraser University（西蒙菲莎大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出IceCache，通过语义令牌聚类与PagedAttention结合，提升长序列LLM的内存效率与性能，实验表明其在256个令牌预算下保持99%的准确性，且在延迟和精度上优于其他方法。

Intent-aligned Formal Specification Synthesis via Traceable Refinement

通过可追溯的细化实现意图对齐的正式规范合成

Zhe Ye, Aidan Z. H. Yang, Huangyuan Su, Zhenyu Liao, Samuel Tenka, Zhizhen Qin, Udaya Ghai, Dawn Song, Soonho Kong

机构 * Amazon Web Services（亚马逊云服务） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出VeriSpecGen框架，通过需求级归因和局部修复生成意图对齐的规范，提升规范合成的准确性和效率。

A Little Rank Goes a Long Way: Random Scaffolds with LoRA Adapters Are All You Need

秩小亦可远：随机骨架配合LoRA适配器足矣

Hananel Hazan, Yanbo Zhang, Benedikt Hartl, Michael Levin

机构 * Allen Discovery Center at Tufts University（塔夫茨大学艾伦发现中心） ； Institute for Theoretical Physics, TU Wien（维也纳工业大学理论物理研究所） ； Wyss Institute for Biologically Inspired Engineering, Harvard University（哈佛大学威斯生物启发工程研究所） 纠错

AI总结 通过LottaLoRA方法，研究神经网络参数中实际编码任务信息的占比，发现低秩LoRA适配器在冻结随机骨架上能恢复96-100%的性能，仅训练0.5-40%的参数。

Latent Structure of Affective Representations in Large Language Models

大型语言模型中情感表征的潜在结构

Benjamin J. Choi, Melanie Weber

机构 * Harvard University（哈佛大学） 纠错

AI总结 研究大型语言模型中情感表征的潜在几何结构，发现其与心理学中的valence-arousal模型一致，并展示了其在不确定性量化中的应用。

Learning When Not to Learn: Risk-Sensitive Abstention in Bandits with Unbounded Rewards

学习何时不学习：具有无界奖励的老虎机中风险敏感的退避策略

Sarah Liaw, Benjamin Plaut

机构 * Harvard University（哈佛大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种风险敏感的退避算法，在无导师的情况下处理无界奖励的老虎机问题，通过确定性区域减少不可逆损害，理论证明了谨慎探索在高风险环境中的有效性。

Comments 19 pages, 3 figures; accepted to AISTATS 2026

Delta Rectified Flow Sampling for Text-to-Image Editing

Delta Rectified Flow Sampling 用于文本到图像编辑

Gaspard Beaudouin, Minghan Li, Jaeyeon Kim, Sung-Hoon Yoon, Mengyu Wang

机构 * Harvard AI and Robotics Lab, Harvard University（哈佛大学人工智能与机器人实验室） ； Computer Science Department, Harvard University（哈佛大学计算机科学系） ； Multimodal Intelligence and Perception Lab, DGIST（大邱庆北科学技术院多模态智能与感知实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学肯普纳自然与人工智能研究所） 纠错

AI总结 本文提出Delta Rectified Flow Sampling (DRFS)，一种无需反向传播的路径感知编辑框架，通过建模源与目标速度场的差异以减少过平滑伪影，并引入时间依赖的位移项提升目标分布对齐。

AdvDINO: Domain-Adversarial Self-Supervised Representation Learning for Spatial Proteomics

AdvDINO：用于空间蛋白质组学的领域对抗自监督表示学习

Stella Su, Marc Harary, Scott J. Rodig, William Lotter

机构 * Dana-Farber Cancer Institute（丹娜-法伯癌症研究所） ； Brigham and Women’s Hospital（布里格姆妇女医院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 AdvDINO通过整合梯度反转层提升DINOv2架构，以对抗领域偏移，从而在空间蛋白质组学中获得更稳健的表示。

Comments Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026

Mixture of Cognitive Reasoners: Modular Reasoning with Brain-Like Specialization

认知推理的混合：类脑的专业化模块推理

Badr AlKhamissi, C. Nicolò De Sabbata, Greta Tuckute, Zeming Chen, Martin Schrimpf, Antoine Bosselut

机构 * EPFL（瑞士联邦理工学院洛桑） ； Brain and Cognitive Sciences at MIT（麻省理工学院脑与认知科学系） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） 纠错

AI总结 本文提出MiCRo模型，通过类脑专业化模块实现认知行为，提供可解释的推理模块，支持动态路由并优于基线模型。

Comments ICLR 2026. Project Page at https://cognitive-reasoners.epfl.ch

Towards symbolic regression for interpretable clinical decision scores

迈向可解释临床决策评分的符号回归

Guilherme Seidyo Imai Aldeia, Joseph D. Romano, Fabricio Olivetti de Franca, Daniel S. Herman, William G. La Cava

机构 * Federal University of ABC（ABC联邦大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Institute for Biomedical Informatics, University of Pennsylvania（宾夕法尼亚大学生物医学信息学研究所） ； Boston Children's Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） 纠错

AI总结 本文提出Brush算法，结合决策树分裂与非线性常数优化，实现规则逻辑与符号回归的融合，提升临床评分的可解释性与预测性能。

Comments 15 pages, 5 figures. Accepted for publication in Philosophical Transactions A. Autor Accepted Manuscript version

Different types of syntactic agreement recruit the same units within large language models

不同类型的句法一致要求大型语言模型中的相同单元

Daria Kryvosheieva, Andrea de Varda, Evelina Fedorenko, Greta Tuckute

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） 纠错

AI总结 研究探讨了不同句法现象在大型语言模型中是否共享或独立激活单元，发现句法一致构成模型表征空间中的重要类别。

Lifetime-Aware Design for Item-Level Intelligence at the Extreme Edge

面向极端边缘的寿命感知设计用于物品级智能

Shvetank Prakash, Andrew Cheng, Olof Kindgren, Ashiq Ahamed, Graham Knight, Jed Kufel, Francisco Rodriguez, Arya Tschand, David Kong, Mariam Elgamal, Jerry Huang, Emma Chen, Gage Hills, Richard Price, Emre Ozer, Vijay Janapa Reddi

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出FlexiFlow框架，通过整合计算到可丢弃产品中，利用柔性电子降低碳足迹，通过寿命感知设计优化架构和算法，实现显著的碳减排。