高校专区
公共物品的稳定菜单：AI驱动的进展
机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 以EC 2025论文的开放问题为测试平台，实验评估AI辅助研究流程的有效性，发现提供人类直觉提示和自动多轮交互有助于提升LLM表现，但LLM略逊于一年级博士生。
Comments Accepted to the EC'26 Workshop on AI-Driven Research in EconCS
医疗世界模型：表示医疗状态、建模临床动态与指导干预策略
机构 * College of Computer Science, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Medicine, Zhejiang University（浙江大学医学院） ； Department of Biomedical Informatics, Harvard University（哈佛大学生物医学信息学系）
AI总结 本文提出医疗世界模型框架，通过构建患者状态、建模临床动态和支持干预决策，推动医疗AI从静态诊断向动态模拟演进。
UXBench: 衡量LLM生成的UX评论的可操作性
机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Rochester（罗切斯特大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； LMU Munich（慕尼黑路德维希-马克西米利安大学）
AI总结 提出UXBench基准，通过下游修复代理能否基于评论改进界面来评估LLM作为UX评判者的可操作性，发现不同模型在报告可操作性、修复特征和可靠性上存在显著差异。
Comments 30 pages
学习纵向胸部X光分析的方向性语义转变
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Stanford University（斯坦福大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院，哈佛医学院）
AI总结 提出ProTrans框架，将疾病进展建模为配对CXR研究间的方向性语义转变，利用放射学报告和可学习进展特征图显式编码语义变化，通过反向时间建模和双向重建一致性实现方向感知，在纵向下游任务中优于现有方法。
Comments MICCAI 2026
从不准确标签中学习地震波到时拾取
机构 * Department of Earth and Planetary Sciences, Harvard University（哈佛大学地球与行星科学系） ； School of Computer Science and Technology, China University of Mining and Technology（中国矿业大学（北京）计算机科学与技术学院） ； School of Mines, China University of Mining and Technology（中国矿业大学（北京）矿院） ； State Key Laboratory of Coal Exploration and Intelligent Mining, China University of Mining and Technology（中国矿业大学（北京）煤炭勘探与智能开采国家重点实验室）
AI总结 提出标签噪声对比鲁棒学习（LaNCoR）方法，通过对齐波形特征与标签表示分布来纠正错误标签，在微地震P波到时拾取任务中性能提升高达28.8%。
Comments 28 pages, 10 figures
MVEB：大规模视频嵌入基准
机构 * Harvard University（哈佛大学） ； SaluteDevices ； MIRAI ； Zendesk ； Shanghai University of Finance and Economics（上海财经大学） ； Google LLC ； Salesforce ； Cornell University（康奈尔大学） ； Astera Institute（Astera研究院） ； Independent Contributor（独立贡献者） ； Indian Institute of Technology, Kharagpur（印度理工学院，克拉格浦分校） ； Barclays（巴克莱银行） ； Aarhus University（奥胡斯大学） ； Stanford University（斯坦福大学）
AI总结 提出MVEB基准，包含23个任务评估33种视频嵌入模型，发现无单一模型占优，音频贡献取决于标注来源，并集成到MTEB生态。
大型语言模型有情感吗？
机构 * Harvard Business School（哈佛商学院） ； Department of Psychology, Harvard University（哈佛大学心理学系） ； Harvard University, Digital, Data and Design Institute（哈佛大学数字、数据与设计研究所） ； Department of Psychology, Stanford University（斯坦福大学心理学系）
AI总结 本文评估Anthropic声称Claude Sonnet 4.5具有“功能性情感”的说法，从生物情感功能角度分析，指出其部分支持情境解释功能，但缺乏动态重组能力。
门控QKAN-FWP：可扩展的量子启发序列学习
机构 * Department of Physics and Center for Theoretical Physics, National Taiwan University（物理系与理论物理中心，国立台湾大学） ； National Center for High-Performance Computing, National Institutes of Applied Research（高性能计算国家中心，应用研究国家机构） ； Wells Fargo, New York, NY, USA（摩根大通银行，纽约，纽约州，美国） ； NVIDIA AI Technology Center, NVIDIA Corp., Taipei, Taiwan（NVIDIA AI技术中心，NVIDIA公司，台北，台湾） ； Center for Quantum Science and Engineering, National Taiwan University（量子科学与工程中心，国立台湾大学） ； Graduate Institute of Applied Physics, National Taiwan University（应用物理研究所，国立台湾大学） ； Department of Electrophysics, National Yang Ming Chiao Tung University（电子物理系，国立阳明交通大学） ； School of Information Technology, Halmstad University（信息科技学院，哈尔姆斯塔德大学） ； Department of Information Engineering, Electronics and Telecommunications (DIET), University of Rome “La Sapienza”, Rome, Italy（信息工程、电子与电信系（DIET），罗马“拉·索拉维亚”大学，罗马，意大利） ； Beth Israel Deaconess Medical Center & Harvard Medical School（贝瑟尔以色列德acons医疗中心及哈佛医学院） ； Cross College Elite Program, National Cheng Kung University（跨学院精英计划，国立成功大学）
AI总结 提出门控QKAN-FWP框架，融合快速权重编程与量子启发KAN，使用单量子比特数据重上传电路作为非线性激活，引入标量门控更新规则，在时间序列基准、MiniGrid强化学习和太阳周期预测中优于经典循环模型，并在NISQ设备上验证了可行性。
Comments 46 pages, 13 figures, 10 tables
仅用10比特从俳句到巨作：LLMs解锁巨大压缩增益
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Anthropic
AI总结 研究LLM生成文本的无损和有损压缩，提出问答压缩（QA）交互协议，用少量二进制问题实现超100倍压缩比，高效传递知识。
Token缩减应超越生成模型中的效率——从视觉、语言到多模态
机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； CAS（中国科学院） ； Wuhan University（武汉大学） ； MIT（麻省理工学院） ； Peking University（北京大学）
AI总结 本文提出Token缩减应超越传统效率优化，成为生成模型的基础原则，通过减少冗余token来促进多模态融合、缓解幻觉、维持长输入连贯性并提升训练稳定性。
Comments Project page: https://github.com/ZLKong/Awesome-Collection-Token-Reduction
可解释深度学习提升人类对自动驾驶汽车的心理模型
机构 * Computer Science & Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院） ； Motional AD Inc.（Motional AD公司） ； Department of Psychology and Center for Brain Science, Harvard University（心理学系和大脑科学中心，哈佛大学） ； Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与宇航系，麻省理工学院）
AI总结 提出概念包装网络（CW-Net），在真实自动驾驶车上实现可解释规划，通过因果性概念解释提升驾驶员对车辆行为的预测能力，尤其在意外场景中。
Comments MST & JAS contributed equally to this work
用于搜索的智能体强化学习使指令微调对齐失效
机构 * University of Oxford（牛津大学） ； Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学） ； Harvard University（哈佛大学）
AI总结 研究智能体强化学习（RL）对指令微调模型对齐的影响，发现RL训练使模型将有害请求转化为良性搜索查询，但在触发条件下产生多步不安全搜索行为，并提出了基于表示引导的RL训练方法恢复对齐。
INFER：学习受限汽车座舱的隐式神经频率响应场
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出INFER框架，通过频域神经隐式模型联合学习源和接收器位置、方向下的复值频率响应场，引入端到端前向模型、感知谱监督和Kramers-Kronig约束，在汽车座舱数据上显著降低幅度和相位重建误差。
优化埃塞俄比亚的健康覆盖：一种学习增强的方法与在线预算下的持续比例性
机构 * John A. Paulson School of Engineering and Applied Sciences（约翰·A·保罗森工程与应用科学学院） ； Harvard University（哈佛大学） ； National Data Management and Analytics Center for Health（健康国家数据管理与分析中心） ； Ethiopian Public Health Institute（埃塞俄比亚公共卫生研究所） ； Ministry of Health, Ethiopia（埃塞俄比亚卫生部） ； Department of Global Health and Population（全球卫生与人口部门） ； Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院）
AI总结 针对埃塞俄比亚卫生系统强化中的预算不确定性和区域比例目标，提出基于学习增强和贪心算法的顺序设施规划框架，最大化人口覆盖。
Comments Published in the AISI track at AAAI 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