高校专区
基于鲁棒先验更新的幻觉感知扩散采样用于逆问题
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）
AI总结 提出鲁棒先验更新模块，通过探测扩散先验更新的局部稳定性并重新锚定位移，减少逆问题求解中的测量条件幻觉，提升实例保真度。
可信生成式逆问题的测量几何与设计
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） ； School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学）
AI总结 提出局部测量-流形兼容性度量，证明其控制重建误差的稳定部分，并基于体积保持设计固定和自适应测量策略，在多个成像任务中预测失败模式、减少幻觉并指导采样。
CultureForest：理解与评估大语言模型中的文化规范推理
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； The University of Hong Kong（香港大学） ； Harvard University（哈佛大学）
AI总结 为弥补现有研究仅将文化智能视为知识获取问题而忽视实际场景应用的不足，提出CultureForest基准，通过基于原子规范的推理任务评估模型，发现顶级模型在开放式生成中性能大幅下降，并揭示推理能力瓶颈。
任务诱导的表征不变性依赖于深度强化学习中的学习目标
机构 * Department of Physics, Harvard University（哈佛大学物理系） ； Kempner Institute, Harvard University（哈佛大学凯普纳研究所） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron研究所计算神经科学中心）
AI总结 本文通过MDP约简理论分析深度强化学习中的表征，发现基于价值的方法（DQN）学习对MDP同态对称性不变的表征，而基于策略梯度的方法（PPO）学习对动作对称性不变的表征，这些差异影响迁移学习并在LLM中呈现提示依赖性。
Dr. DocBench：专家级与困难文档解析的综合基准
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学） ； IBM Research（IBM研究院） ； University of Arizona（亚利桑那大学） ； Duke University（杜克大学） ； UC Berkeley（加州大学伯克利分校） ； LMU Munich（慕尼黑路德维希-马克西米利安大学）
AI总结 提出Dr. DocBench基准，通过基于解析器失败的采样从多语言书籍语料库中选取挑战性文档，包含52个BISAC主题领域和65k高质量标注，用于评估专家级文档解析能力。
Comments 27 pages, 13 figures, 14 tables
Agentic Clustering: 通过多智能体精炼实现可控文本分类
机构 * Burning Glass Institute（Burning Glass研究院） ； Harvard University（哈佛大学）
AI总结 提出一种基于多智能体（提议者、合成者、审计者、调查者、批评者）的自适应文本聚类方法，通过编排器LLM动态调整聚类流程，在七个公开基准上实现最先进性能，ARI最高提升32%。
基于意图感知检索与语义保持分块的高效RAG
机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Massachusetts General Hospital, Harvard University（哈佛大学马萨诸塞州总医院） ； Nota AI
AI总结 提出InSemRAG框架，通过意图感知检索器和语义保持分块模块，结合迭代检索-检查机制，解决传统RAG的信息不足问题，在多跳和证据敏感任务上取得显著提升。
模型科学的案例：验证、探索、引导、改进
机构 * Center for Credible AI（可信AI中心） ； University of Warsaw（华沙大学） ； Warsaw University of Technology（华沙技术大学） ； University College Cork（科克大学学院） ； University of Technology Sydney（悉尼技术大学） ； Kempner Institute, Harvard University（哈佛大学凯普纳研究所） ； Human-Centered AI Lab（以人为本的人工智能实验室） ； Technical University of Berlin（柏林技术大学） ； Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫茨研究所） ； Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所（BIFOLD））
AI总结 本文提出AI社区应超越基准测试，建立系统性的模型分析学科——模型科学，通过验证、探索、引导和改进四个功能视角，以及共享基础设施和深度案例研究，来理解复杂AI模型的行为。
Comments Follow up on arXiv:2508.20040
任务多样性产生系统性迁移但抑制持续强化学习
机构 * MIT（麻省理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 通过引入GPU加速的持续强化学习领域Banyan，研究任务多样性（地图布局、交互对象、子目标层次结构）对智能体在分布变化下持续学习能力的影响，发现多样性促进局部迁移但导致长期任务性能停滞和遗忘。
交互式多视图基因组学可视化的智能体创作
机构 * Harvard Medical School（哈佛医学院） ； Boston College（波士顿学院）
AI总结 针对基因组学可视化创作中定制化不足和编程门槛高的问题，提出基于大语言模型的智能体方案，通过结构化输出和迭代优化提升可视化质量。
Comments 11 pages, 12 figures
世界模型：架构、方法论、推理范式与应用的全面综述
机构 * School of Computer and Cyber Sciences, Augusta University（奥古斯塔大学计算机与网络科学学院） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； Department of Radiology, Massachusetts General Hospital, Harvard Medical School（麻省总医院放射科，哈佛医学院） ； Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Department of Graduate Psychology, James Madison University（詹姆斯麦迪逊大学研究生心理学系） ； Computer Science and Engineering, Lehigh University（莱斯大学计算机科学与工程系） ； School of Biomedical Engineering, The University of Sydney（悉尼大学生物医学工程学院） ； Tandon School of Engineering, New York University（纽约大学泰坦工程学院） ； Department of Radiation Oncology, City of Hope National Medical Center（城市希望国家医学中心放射肿瘤科） ； Department of Mayo Clinic Comprehensive Cancer Center, Mayo Clinics（梅奥诊所综合癌症中心，梅奥诊所） ； Savannah River Ecology Laboratory (SREL), University of Georgia（萨凡纳河生态实验室（SREL），佐治亚大学）
AI总结 本文提出一个多轴分类法，从架构、方法论、推理策略和应用领域四个维度系统综述世界模型，涵盖从早期认知科学基础到PlaNet、Dreamer系列、MuZero、Sora等里程碑系统，并指出未来方向。
罕见事件，真实信号：深度脉冲网络中的功能集合作为计算单元
机构 * University of Crete（希腊克里特大学） ； Foundation of Research & Technology - Hellas（希腊研究与技术基金会） ； Archimedes Research Unit（阿基米德研究单位） ； Harvard Medical School（哈佛医学院） ； Brigham and Women’s Hospital（布莱根妇女医院）
AI总结 通过引入功能连接性分析框架，研究深度脉冲神经网络中功能集合的涌现特性，发现一阶功能连接集合的协同放电可靠预测下游神经元响应，且信息编码集中在罕见但高度协调的活动模式中。
为什么更大的模型学习得更多：容量、干扰和稀有任务保留的影响
机构 * Stanford University（斯坦福大学） ； Kempner Institute at Harvard University（哈佛大学凯普纳研究所） ； MIT（麻省理工学院） ； Anthropic
AI总结 通过理论分析和合成实验，研究模型规模对学习能力的影响，发现更大模型通过减少梯度干扰来学习稀有和复杂任务，并在OLMo模型上验证。
迈向虚拟神经科学家：基于多智能体协作的自主神经影像分析
机构 * Emory University（埃默里大学） ； Lehigh University（莱斯大学） ； Worcester Polytechnic Institute（沃思堡理工学院） ； Massachusetts General Hospital（麻省总医院） ； Harvard University（哈佛大学） ； Chinese University of Hong Kong（香港中文大学）
AI总结 提出NEXUS多智能体框架，通过代码中心执行和分层验证实现自主神经影像分析，在ADHD-200和ADNI数据集上优于传统工作流。
图能量匹配：用于图生成的传输对齐能量基建模
机构 * University of Zurich（苏黎世大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所）
AI总结 提出Graph Energy Matching (GEM)方法，基于JKO传输映射优化视角学习置换不变势能，通过能量基切换策略实现离散图的高质量生成，在分子图基准上匹配或超越离散扩散模型。
基于验证器的免更新在线策略引导
机构 * University of Toronto（多伦多大学） ； Google DeepMind（谷歌DeepMind） ； University of Alberta（阿尔伯塔大学） ； UTAustin（得克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学）
AI总结 提出UF-OPS方法，利用策略评估中的验证器函数引导基础策略选择高成功概率动作，无需更新参数即可提升黑箱扩散策略性能，在5个真实任务中平均成功率提升49%。
Comments 9 pages, 6 figures
SceneSmith: 面向仿真就绪室内场景的智能体生成
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 提出层次化智能体框架SceneSmith，通过VLM智能体协作从自然语言生成仿真就绪的室内场景，相比先前方法生成3-6倍物体且碰撞率低于2%。
Comments ICML 2026 Spotlight; Project page: https://scenesmith.github.io/
极限情况下语言生成中噪声影响的刻画
机构 * Harvard University（哈佛大学） ； Duke University（杜克大学）
AI总结 本文在极限语言生成模型中，通过分析噪声字符串对生成能力的影响，证明了单个噪声字符串严格减少可生成集合族，且有限噪声等价于单个噪声，并首次刻画了非均匀噪声依赖的可生成性。
Comments ICML 2026
域泛化需要多少域？通过域破碎维度的紧刻画
机构 * Harvard University（哈佛大学）
AI总结 本文在PAC框架下引入域破碎维度，刻画了域泛化中所需随机采样域的数量，并建立了与VC维度的紧定量关系。
Comments Accepted to NeurIPS 2025
神经低差异序列
机构 * MIT（麻省理工学院） ； CMU（卡内基梅隆大学） ； Harvard University（哈佛大学）
AI总结 提出NeuroLDS，首个基于机器学习的有限低差异序列生成框架，通过监督预训练和无监督微调两步学习，在多个应用中显著优于传统方法。
Comments ICML 2026
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