高校专区
CLEF：用于学习临床语义的EEG基础模型
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里奇沃特医院） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院）
AI总结 本文提出CLEF，一种基于临床场景的长上下文EEG基础模型，通过对比学习将EEG会话与神经科报告和结构化电子健康记录对齐，提升了EEG解读的临床相关性。
DuetFair: 联合跨组和内组鲁棒性以实现公平的医学图像分割
机构 * Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School（先进医学计算与分析中心，麻省总医院和哈佛医学院） ； Department of Industrial Engineering, University of Pittsburgh（工业工程系，匹兹堡大学） ； Department of Radiation Oncology, College of Medicine, Yonsei University（放射肿瘤学系，延世大学医学院） ； Institute for Innovation in Digital Healthcare, Yonsei University（数字医疗创新研究所，延世大学） ； Department of Biomedical Systems Informatics, College of Medicine, Yonsei University（生物医学系统信息学系，延世大学医学院）
AI总结 本文提出DuetFair机制，通过联合考虑跨组适应和内组鲁棒性，解决医学图像分割中内组隐藏失败问题，并在三个医学图像分割基准上验证了FairDRO的有效性。
Comments 16 pages, 2 figures
两个时钟与创新窗口：生成模型何时以及如何学习规则
机构 * Kempner Institute at Harvard University（哈佛大学凯普纳研究所）
AI总结 本文研究生成模型在学习规则时的两个关键时间尺度，分析了规则有效性与记忆时间对创新窗口的影响，并揭示了扩散和自回归模型中的一致结构。
Comments 48 pages, 28 figures. Earlier versions are presented in NeurIPS2025 SPIGM workshop as oral presentation https://openreview.net/forum?id=LjqX8OhPPi
张量积表示探针揭示线性方向间的共同结构
机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind）
AI总结 研究通过张量积表示探针揭示语言模型中线性方向的共同结构，发现线性探针可通过张量积探针参数恢复。
从二元和成对反馈中高效选择集成
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究在未知领域分布下，通过二元和成对反馈选择高效集成的方法，提出基于覆盖的优化策略和失败条件贪心算法，同时探讨θ-胜利委员会的优化与子模性放松。
无参与的感知：LMMs中因果发现缺陷的剖析
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Pengcheng Laboratory（鹏城实验室） ； National University of Singapore（新加坡国立大学） ； Peking University（北京大学） ； Harvard University（哈佛大学）
AI总结 本文探讨了大型多模态模型在因果发现中的缺陷，提出ProCauEval评估协议和ADPO框架，通过扰动分析揭示模型在视觉和文本模态间的依赖关系，提升视觉推理能力。
Comments 17 pages, 5 figures
你的模拟运行但解错了物理：基于PDE的意图验证用于LLM生成的多物理场模拟代码
机构 * Cornell University（康奈尔大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出基于PDE的意图验证方法，用于检查LLM生成的多物理场模拟代码是否符合预期物理，通过确定性重构和比较PDE结构提升代码的意图保真度。
Comments Preprint
大语言模型如何被说服：几个被重定向的注意力头
机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Tsinghua University（清华大学） ； Skywork AI
AI总结 研究揭示大语言模型在被说服时，少量中间层注意力头决定答案，通过重定向注意力产生事实性错误，该机制在开源LLM和现实攻击场景中均有效。
Comments 9 pages, 9 figures
面向有眼睛、耳朵和声音的对话式医疗AI
机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； Beth Israel Deaconess Medical Center, Harvard Medical School（贝塞斯达医院, 哈佛医学院） ； Stanford University（斯坦福大学）
AI总结 本文提出AI co-clinician系统，利用音频视频数据实现实时临床决策，通过TelePACES评估标准显示其在管理计划和诊断差异方面接近医生，但在体格检查和疾病特异性推理上仍有不足。
Comments Video examples are available on Youtube: https://youtu.be/y5Vaa_SN1t0, https://youtu.be/dC4icb75vLQ, and https://youtu.be/E7iEvWo-E6c
基于大语言模型的化学合成与设计决策程序
机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑校区） ； National Centre of Competence in Research (NCCR) Catalysis（催化领域竞争力研究国立中心） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学）
AI总结 本文提出利用大语言模型增强的 retrosynthesis 规划方法，通过高效编码反应路径和新的路线搜索策略，提升多步合成规划与可合成分子设计能力。
Comments ICML 2025
用于序列决策的大型语言模型：通过监督微调提升上下文学习
机构 * Harvard University（哈佛大学）
AI总结 本文研究了大型语言模型在序列决策任务中的上下文学习能力，通过监督微调提升其在马尔可夫决策过程等场景中的决策性能，实验表明微调后的模型在复杂环境中表现更优。
Sinkhorn治疗效应：一种因果最优传输度量
机构 * Department of Statistics, University of Washington, Seattle, WA, USA（华盛顿大学统计学系） ； Department of Health Care Policy, Harvard Medical School, Boston, MA, USA（哈佛医学院医疗政策系）
AI总结 本文提出Sinkhorn治疗效应，作为因果分布差异的熵最优传输度量，通过核方法构建去偏估计器，并提出聚合检验方法以提高测试效力。
Comments 55 pages, 6 figures
温控序贯蒙特卡洛用于具有可微动力学的轨迹和策略优化
机构 * Harvard University（哈佛大学）
AI总结 本文提出温控序贯蒙特卡洛方法，用于在可微动力学下进行有限时间跨度的轨迹和策略优化，通过将控制器设计转化为推断问题，结合退火方案和哈密顿蒙特卡洛方法，提升采样效率和优化性能。
Comments Robotics: Science and Systems 2026
PrAg-PO：用于鲁棒且多样数学推理的提示增强策略优化
机构 * Brown University（布朗大学） ； Palona AI ； Harvard University（哈佛大学）
AI总结 本文提出PrAg-PO，通过混合提示模板与特定格式奖励提升大语言模型的数学推理能力，增强鲁棒性和多样性，优于GRPO和DAPO。
LENS：通过对齐多模态传感与语言模型实现LLM赋能的叙事合成用于心理健康
机构 * Dartmouth College（达特茅斯学院） ； University of Virginia（弗吉尼亚大学） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出LENS框架，通过将多模态传感数据与语言模型对齐，生成临床相关的心理健康叙述。该方法构建大规模数据集并训练补丁级编码器，提升对长时序传感器数据的处理能力，实验显示其在自然语言处理指标和症状严重性准确性上优于基线模型。
Comments Camera-ready version. Additional experiments
PAINET：一种基于原理的高效变压器用于3D动态建模
机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； SJTU Paris Elite Institute of Technology, Shanghai Jiao Tong University（上海交通大学巴黎精英理工学院） ； Department of Physics, Harvard University（哈佛大学物理系） ； Harvard-MIT Center for Ultracold Atoms（哈佛-麻省理工冷原子中心） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和wendy Schmidt中心）
AI总结 本文提出PAINET，一种基于SE(3)等价性的变压器，用于学习多体系统的所有对相互作用，通过物理启发的注意力网络和并行解码器，在多个真实世界基准上实现了3D动态预测的误差降低。
Comments 24 pages, published as a conference paper at ICLR 2026
探测人工智能推理的临界点（CritPt）：一个前沿物理研究基准
机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Tech（弗吉尼亚理工大学） ； Ohio State University（俄亥俄州立大学） ； Independent（独立） ； Northeastern University（东北大学） ； Caltech（加州理工学院） ； University of Florida（佛罗里达大学） ； University of Waterloo（滑铁卢大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Columbia University（哥伦比亚大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） ； University of Connecticut（康涅狄格大学） ； University of Cologne（科隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） ； Paul Scherrer Institute（保罗·谢尔研究所）
AI总结 本文提出CritPt基准，用于测试LLM在未发表的科研级推理任务中的能力，涵盖现代物理多个领域，发现当前LLM在复杂科研挑战中表现有限，仅能实现5.7%的准确率。
Comments 40 pages, 6 figures, 6 tables
扩散模型是进化算法
机构 * Allen Discovery Center at Tufts University（塔夫茨大学阿伦发现中心） ； Institute for Theoretical Physics, TU Wien（理论物理研究所，维也纳技术大学） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学生物启发工程研究所）
AI总结 本文揭示扩散模型本质上是进化算法，通过将进化视为去噪过程，提出扩散进化方法以高效寻找多最优解，同时引入潜在空间扩散进化以减少计算步骤。
Comments Accepted by International Conference on Learning Representations (ICLR) 2025
Journal ref Proceedings of the International Conference on Learning Representations (ICLR), 2025, pp. 74873-74894
AdamFLIP: 适应性动量反馈线性化优化用于硬约束PINN训练
机构 * Purdue University（普渡大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Utah State University（犹他州立大学） ； Harvard University（哈佛大学）
AI总结 本文提出AdamFLIP方法，将PINN训练转化为等式约束优化问题，通过反馈线性化技术提升约束满足能力，实验表明其在PDE问题中优于传统软约束PINN和现有约束优化器。
偏好而非语义的嵌入
机构 * Harvard University（哈佛大学）
AI总结 本文提出通过偏好相似性而非语义相似性来嵌入文本，改进集体决策中的偏好预测，通过合成数据打破语义与偏好的相关性，提升11个在线讨论数据集的预测效果。
Comments 28 pages
基于神经拍卖的大型语言模型广告
机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学）
AI总结 本文提出神经拍卖机制，通过在LLM内部表示中进行拍卖，解决广告嵌入中的收益、平台收入与用户体验平衡问题，实现策略-proof且优化平台收益。
Comments 17 pages, 9 figures, including appendices
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈