Harvard University（哈佛大学）

Temporal Data Requirement for Predicting Unplanned Hospital Readmissions

预测非计划性医院再入院的时序数据需求

Ramin Mohammadi, Vahab vahdat, Sarthak Jain, Amir T. Namin, Ramya Palacholla, Sagar Kamarthi

机构 * Northeastern University（东北大学） ； Partners Healthcare Connected Health Innovation（Partners Healthcare 连接健康创新） ； MGH Institute for Technology Assessment（MGH 技术评估研究所） ； Harvard Medical School（哈佛医学院） ； Tufts University School of Medicine（塔夫茨大学医学院） ； Department of Public Health and Community Medicine（公共卫生与社区医学系） 纠错

AI总结 本文研究了不同观察窗口对预测髋膝关节置换术后30天再入院的影响，发现非结构化临床笔记的最佳时间窗口比结构化数据更短，而结构化数据在延长窗口后性能趋于稳定。

AgentFloor: How Far Up the tool use Ladder Can Small Open-Weight Models Go?

AgentFloor: 小型开放权重模型在工具使用阶梯上能走多远？

Ranit Karmakar, Jayita Chatterjee

机构 * Harvard University（哈佛大学） ； Boston, MA 02115（波士顿，马萨诸塞州 02115） 纠错

AI总结 AgentFloor基准测试评估了16种开放权重模型在代理工作流中的能力边界，发现小型模型已能处理大部分结构化工具使用任务，而长周期规划仍需前沿模型。

What Don't You Understand? Using Large Language Models to Identify and Characterize Student Misconceptions About Challenging Topics

你有什么不明白吗？利用大型语言模型识别和表征学生在困难主题上的误解

Michael J. Parker, Maria G. Zavala-Cerna

机构 * Harvard Medical School and Division of Pulmonary, Critical Care and Sleep Medicine, Beth Israel Deaconess Medical Center（哈佛医学院和肺科、重症医学及睡眠医学部门，贝斯以色列德aconess医疗中心） 纠错

AI总结 本文通过量化分析与大型语言模型结合的方法，识别在线学习环境中学生在关键主题上的误解，揭示了通过考试题目内容、学生回答模式和课堂讲义相结合的数据分析，发现学生误解的可操作见解。

Comments 60 pages. Education and Information Technologies (2026)

Elimination Templates in Macaulay2

Macaulay2中的消元模板

Manav Batavia, Cheng Chen, Anna Natalie Chlopecki, Timothy Duff, William Huang, Aolong Li, Wanchun Shen

机构 * Department of Mathematics, Purdue University, 150 N University St., West Lafayette, IN 47907, USA ； Department of Mathematics, University of Wisconsin, 480 Lincoln Dr., Madison, WI 53706, USA ； Department of Mathematics, University of Missouri, 810 Rollins St, Columbia MO 65203, USA ； Meta Platforms, Inc., 1 Meta Way, Menlo Park, California 94025, USA ； Department of Mathematics, Harvard University, 1 Oxford St., Cambridge, MA 02138, USA 纠错

AI总结 本文介绍Macaulay2中的消元模板包，用于构造依赖于代数无关参数的零维素理想自动求解器，并展示其在计算机视觉中的应用。

Comments 13 pages with references

Lucid-XR: An Extended-Reality Data Engine for Robotic Manipulation

Lucid-XR：一种用于机器人操控的扩展现实数据引擎

Yajvan Ravan, Adam Rashid, Alan Yu, Kai McClennen, Gio Huh, Kevin Yang, Zhutian Yang, Qinxi Yu, Xiaolong Wang, Phillip Isola, Ge Yang

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； FortyFive Labs（FortyFive实验室） ； Caltech（加州理工学院） ； Harvard University（哈佛大学） ； UC San Diego（南加州大学） 纠错

AI总结 Lucid-XR通过XR头显直接运行的物理模拟环境生成多模态数据，实现零样本迁移至复杂环境，支持软材料、松散颗粒和刚体接触的精细操控任务。

Comments Project website: https://lucidxr.github.io

A unified perspective on fine-tuning and sampling with diffusion and flow models

Carles Domingo-Enrich, Yuanqi Du, Michael S. Albergo

机构 * Microsoft Research New England（微软研究新英格兰实验室） ； Harvard University（哈佛大学） 纠错

World Model for Robot Learning: A Comprehensive Survey

机器人学习的世界模型：全面综述

Bohan Hou, Gen Li, Jindou Jia, Tuo An, Xinying Guo, Sicong Leng, Haoran Geng, Yanjie Ze, Tatsuya Harada, Philip Torr, Oier Mees, Marc Pollefeys, Zhuang Liu, Jiajun Wu, Pieter Abbeel, Jitendra Malik, Yilun Du, Jianfei Yang

机构 * Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； The University of Tokyo（东京大学） ； University of Oxford（牛津大学） ； Microsoft（微软公司） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

AI总结 综述从机器人学习角度系统回顾世界模型的快速发展，探讨其与机器人策略的耦合、作为强化学习模拟器的作用以及机器人视频世界模型的发展，总结关键范式与挑战。

Comments 43 pages, 6 figures

Wake Vision: A Tailored Dataset and Benchmark Suite for TinyML Computer Vision Applications

唤醒视觉：为TinyML计算机视觉应用定制的数据集和基准套件

Colby Banbury, Emil Njor, Andrea Mattia Garavagno, Mark Mazumder, Matthew Stewart, Pete Warden, Manjunath Kudlur, Nat Jeffries, Xenofon Fafoutis, Vijay Janapa Reddi

机构 * Harvard University（哈佛大学） ； Technical University of Denmark（技术大学） ； Scuola Superiore Sant’Anna（圣安娜高等学院） ； University of Genoa（热那亚大学） ； Moonshine AI 纠错

AI总结 本文提出Wake Vision数据集和基准套件，通过自动化方法生成和整理大规模二分类数据集，提升TinyML视觉任务的性能和准确性。